导读 AI 在各行各业都有广泛的应用。本文将分享一个偏硬核同时也偏冷门的方向——AI 在智能制造模具温度智能管理调节中的应用。
今天的介绍会围绕下面三点展开：1. 背景简介
2. 解决方案
3. 案例展示
分享嘉宾｜凌海西 深圳联友科技有限公司 人工智能高级架构师
内容校对｜李瑶
出品社区｜DataFun
1. AI 赋能千行百业，场景落地是王道
AI 作为一种工具，赋能千行百业。首先，面向各种“端”，比如最常见的 C 端，如 APP 视频推荐、商品推荐、广告投放等；而对于 ToB 的厂商，一般会直接面向经销商或者制造商，将推荐模型、数据挖掘模型等推送给经销商，再让经销商去对接 C 端的用户，最终实现变现。本文分享的主要是针对 B 端生产的应用。对于 AI 在生产制造领域的应用，第一反应可能会是流水线的全自动化，类似各种机械臂“群魔乱舞”的情形。在这一过程中，存在很多的 AI 控制算法，而一切智能化的算法都需要以安全、效率和质量这三大核心需求为基础，只有满足了这三个基础需求，方案才具备可行性。2. AI 在铸造工艺中的落地场景方向预计有哪些？
基于前述背景，接下来聊一聊 AI 在铸造工艺场景下的落地。铸造工艺，是把高温金属溶液倒入固定的模具上，待冷却后将其取出，得到一个成型的工件（发动机的缸体一般就通过这种形式制造）。在铸造工艺中，AI 一般应用在以下三个方面：- 模具各个区域温度智能检测管理。温度是整个铸造过程中的一个重要因素，温度过高，会延长冷却时间；温度过低，则工件容易破裂。常使用红外图像方法，利用机器视觉技术实现对温度的监控。
- 模具冷却液流量智能控制。当系统监控到温度超限，需要控制冷却液流量，从而将温度控制在稳定范围内。
- 成品工件品质智能检测。这是最常见的应用，大多数生产线都会有这样的配置，通过人工或机器视觉实现产品的成品检测，这也是行业落地最多的部分。然而，在实际应用中遇到的需求，大多需要从源头进行控制，杜绝不良品的发生，而不是等到检测出来才发现。
3. 传统模式费时费力，检测内容不全面
对于上述提到的模具温度和模具冷却液流量这两种主要的控制，目前存在两大核心问题：传统的模式费时费力，而且检测内容也不全面。
如上图所示，红外摄像能反映出各个区域的温度，然而受限于硬件设施以及算力，往往只能凭经验选取模具的部分点位进行温度检测，无法覆盖到全部区域。实际上，发动机缸体是个非常复杂的系统，某个微小的地方存在问题，都会影响到整个产品。
假如监控到某个点位存在问题，除了输出告警信息外，还需要立刻做出反应。如上图所示，在模具上，有接近 300 根冷却水管环绕在模具上，每根水管控制部分区域，我们需要检测到哪个区域有问题，进而控制相应的水管，基于温度和冷却液流量的曲线关系等物理原理，调整 AI 模型，从而控制该区域的温度，使其保持在稳定范围内。解决方案
1. 结合图像+自动化+化工原理，实现模温-流量自动管理
- ①异常图片识别：基于 GAN 网络、傅里叶变换对模糊图片、遮挡图片、曝光异常图片进行识别；②模具位置追踪：基于拍摄的图片，追踪捕捉指定的监控区域；③模温异常检测：针对指定的监控区域，检测该区域的温度点是否超出标准范围；如果超出范围，则会触发温度告警，进而触发流量控制信号。
- ①冷却范围追踪：基于水管的控制区域，匹配报警位置。
此外，在上述系统的基础上，增加预警监听程序，确保全过程的稳定运行。2. 总体路线
通过三个摄像头拍摄整个模具，确保每个角落都能覆盖到，最终得到三张热力成像的图像。- 图像异常数据识别：首先对图像进行异常检测，检测范围包括图像是否清晰、是否被遮挡等；
- 模具多目标追踪：确保图像可用后，基于图像对模具位置进行追踪；
- 模具全区域预警：对于每个模具位置，基于历史数据获得该点位下模温的测量范围，进而对模温进行预警；
- 提取模温告警区域：假如模温出现异常预警，则将预警信号发送到冷却液系统，进而提取告警区域，从而对应到相应区域的冷却水管；
- 区域流量计算：依据历史实验数据得到该区域流量与温度的对应关系，基于此对应关系进行水管流量调整，并将流量信息发送给生产设备，从而保证模温的稳定。
3. 模温图像多种数据异常识别
- 摄像头偏移及遮挡，往往是由于生产车间内管路布置复杂，工人的很多动作都会导致核心监控区域被遮挡。
对于以上三类异常，针对遮挡异常，可通过生成式对抗网络（GAN）进行检测；对于摄像头模糊检测，可使用傅立叶变换等方法进行检测；对于拍摄曝光异常，从像素值入手，通过设定像素值有效范围实现曝光异常检测；通过以上的筛选，可得到正常图片。4. 模具图像多目标追踪，实现全区域模温检测
基于筛选得到的正常图片，追踪每个模具上的滑块。我们使用三个摄像头，通过三个角度拍摄，实现模具六个面的追踪。理论上，两个摄像头就可以实现六个面的追踪，然而对于一些隐蔽的地方难免会出现拍摄盲区，进而影响产品质量。对于目标追踪，业内有很多成熟的案例。其中最基本的，是使用 YOLO 的目标检测，即将三个滑块作为一个目标检测。目前业内准确率最高的 YOLO 检测方法，准确率大约在 90% 的水平。然而在实际生产落地的时候，如果 F1 值没有达到 98% 以上，则很难在工厂中直接落地生产。因此，在目标检测的基础上，往往会增加模板匹配，这部分也是比较成熟的。例如，可以使用 OpenCV 中的目标定位和目标追踪等内置功能去实现模板匹配，基于三张图片追踪到对应的监控区域。5. 模温-流量联动控制，降低人力
追踪到对应的监控区域后，接下来进行流量和温度的控制，具体操作过程如下：对于每个像素点的温度，使用图像追踪法进行匹配。例如，上图中左上部分框到的水管冷却区域，将其匹配到中间图中对应的高温报警区域，再基于像素点定位到该区域属于哪根水管的控制范围，进而提取该水管。提取该水管以后，输入当前告警信息（比如当前温度超限多少，当前所属告警级别等），并基于相应的控制模型，返回控制水量，再基于这个水量进行生产。整个水量控制模型是基于化工原理中的传热函数进行训练的，这里会涉及基于相变原理的传热方式选择，如根据实际情况选择非相变或者相变函数训练模型。基于上述物理层面的原理，训练出满足水管的函数关系式，进而通过 PID 反馈控制原理进行流量调整，从而规避跨越式调整带来的生产风险。例如当前水流量为1，经计算后需要将流量调整到 10，然而调整幅度跨越过大会带来生产风险，因此基于 PID 控制原理，逐步调整，比如先调到 4 或 5，然后接收到温度反馈，基于该反馈对水流量做进一步的调整，最终实现水流量的精确调整。这样反复的调整会影响生产效率吗？其实整体来看，这样的调整反而可以提升效率。因为在实际生产过程中，往往需要运维人员对几百根水管逐一调整，这样非常耗费人力。而基于 PID 反馈的方法逐步调整，模仿人的行为，使整个系统的控制变得更加稳定。另一方面，“一步到位”的调整是理想化的，在实际操作过程中，带来的风险也很大，而前文提到，一切的算法都要围绕安全、效率和质量这三点作为前提，因此基于 PID 的“逐步调整”是生产过程中最高效的调节方式。6. 全流程系统预警，保证生产无异常
此外，还有一个关键的核心技术——全流程系统预警。这部分对于 IT 以及算法人员来说并不算困难，然而在工厂落地中，却是整个系统实现完整闭环，确保生产稳定无异常所必不可少的。预警系统包括三个“端”：服务器（部署模型算法），模温系统（拍摄各区域温度），冷却系统（流量控制）。彼此之间会不断发出“心跳”信号，一方面是检测对方是否存活；另一方面，对设定的控制范围进行“把关”，监测设定范围是否合理，是否会造成生产安全隐患等，从而确保整个系统的稳定性。案例展示
上图是我们在一个车厂实现生产落地的具体系统，位于模温系统和冷却系统之间，作为两者的中间桥梁。首先系统会接收到控制的温度，进而检测该温度是否正常，然后进行各种计算，从而匹配出该温度需要多少冷却液，并发送指令到水量系统进行调整，进而实现闭环。而整个过程中，以安全、效率和质量作为前提，实现整个监测系统的落地。