在信潤富聯的一間實驗室中，信潤富聯CTO馮建設正在與研發部的同事探討“精密制造在線異常監測系統” MachineProphet的測試效果。結果讓馮建設的技術團隊興奮不已： 

　　這款最新研發的智能沖壓檢測系統上線測試各項指標表現優異，可實現最高1000SPM(Stroke Per Minute,每分鐘加工次數）下的生產過程異常監測，最小0.1ⅹ0.1ⅹ0.02mm體積的異物檢出，漏檢率≤0.01%，與全球知名的精密測量廠商方案相比，故障預測準確率提升120%，安裝和維護成本降低50%以上。 

　　作為現代制造業最常見的金屬部件加工方法，沖壓加工主要靠壓力機和模具對板材等金屬材料施加外力，使之產生塑性變形或者分離，從而獲得所需零件，即為沖壓件。 

　　例如，在汽車制造業，一輛轎車要經由沖壓、焊裝、涂裝、總裝幾道工序流程，才能最終生產出一輛完整的汽車，而生產出來的一輛整車有70%（約1500個）的金屬部件是沖壓件，包括了車身外觀、主體結構，以及彈簧座和油缸等零部件，因此，沖壓作為整車生產的第一道工序，其工件的良品率會影響后續環節的生產進度和整車質量。 

　　據統計，中國每年生產2800萬噸沖壓件，市場銷售額達4000億。隨著生產規模化及高效率成為制造業大勢所趨，隨之而來模具大型化、工藝復雜度增加，以及沖壓產品質量難保障等問題，都對生產制造構成了巨大挑戰。 

　　沖壓加工批量異常造成大額虧損，一月幾單客訴，該如何是好？ 

　　主流的工業界通常采用后道工業質檢進行工件檢測，但這種方法因事后人工檢測存在弊端，無法及時發現生產過程的異常。當面對現代工廠高頻次多工序制造，一旦故障發生，特別是批量異常，不僅會帶來巨大成本損失，還會嚴重損壞機器設備。比如，某制造業龍頭企業每臺設備成本損失每天約千元，因異常無法及時發現導致的修模或模具報廢每臺設備每年達幾十次。 

　　更為棘手的是，如果存在一定漏檢，還會引起大的客訴問題，影響下游客戶的生產質量。尤其是一些汽車零部件廠商往往面對著如奔馳、寶馬、克萊斯勒、特斯拉等非常強勢的汽車主機廠，如果一個月有一單客訴，就需要對整批生產訂單進行逐級件質量排查，極大影響生產效率；若持續兩單以上客訴，其供應商可能面臨評級下調甚至丟單的風險。 

　　因此，及時發現早期生產異常，保證所交付的產品質量，對上游零部件廠商來說尤為關鍵，這進一步使得制造業工廠對生產過程的實時化、精細化監控要求越來越嚴格。 

　　飛槳幫助工業沖壓檢測更精準 

　　基于對工業場景和沖壓加工痛點的深刻洞察，信潤富聯的研發團隊認為，隨著“單機高質量制造和集群精細化管理”成為金屬精密加工制造行業的普遍需求，在加工生產過程中及時發現早期的微弱異常，才能避免異常帶來的產品質量、用料成本、設備故障等問題，從而有效提升生產制造智能化水平。 

　　為此，信潤富聯歷經八個多月的研發，開發了一款面向汽車零部件制造場景的精密制造在線異常監測系統 MachineProphet，該系統基于信潤富聯自研的高精度傳感器、多模態信號融合技術，借助飛槳深度學習平臺中的 PaddleTS套件，實現了對精密制造過程異常的智能在線監測。 

　　之所以選擇飛槳平臺中的PaddleTS，源于其算法的領先性和解決工程問題的實用性。 PaddleTS是飛槳平臺中的一款開源時序建模算法庫，這套算法通過提供一系列先進的基于深度學習技術的時序建模算法及相關組件，涵蓋時序預測和時序異常檢測兩大核心場景，可以實現對設備更精準的識別與檢測。目前PaddleTS無論是在時序建模功能的豐富度，還是在集成的時序算法數量、端到端執行效率上，都遠遠領先于國內外同類的開源時序產品，被稱為“國產時序預測王者”。 

　　這里延伸一個時序的概念，時序全稱為時間序列，是按照時間發生的先后順序進行排列的數據點序列，多應用于各行業的場景預測。例如，通過時序預測，零售企業可以準確預測產品銷量，電網企業可以準確預測發電量，制造企業能提前預測生產設備故障，新能源車企能實時預測電池電量與壽命，金融領域還可以預測利率、股票等走勢。 

　　在研發團隊沒有應用飛槳PaddleTS之前，信潤富聯的技術專家拿到數據后，會做一些基礎性時序特征分析，進行異常檢測嘗試，并將其畫成工程圖，這部分的工作量非常大，但放在PaddleTS里后，就能進行流水線式的設計和執行，這樣大大節省了人力，提高了開發效率。 

　　信潤富聯利用該項關鍵技術打造的“沖壓過程智能監控系統”“沖壓設備集群智能管控系統”等系列產品已在上汽愷博、美的集團等制造業頭部企業完成商業交付落地。同時，圍繞該產品打造的“金屬精密加工工業互聯網平臺”成功入選工信部《2022年新一代信息技術與制造業融合發展試點示范名單》。 

　　信潤富聯CTO馮建設介紹道，當現場有異常發生時，Machine Prophet能快速識別檢測并報警變紅，顯示到監測屏幕上，操作人員便可根據情況執行停機指令，避免產品的批次報廢現象發生；同時，系統還將識別異常系統和現場維修系統集成到一起，可以對異常初步分析，將消息推送給對應的維護系統，完成智能維修處理。 

　　MachineProphet工業現場運行示意圖 

　　將超聲波傳感器與飛槳算法深度融合 

　　Machine Prophet一大技術亮點是自研的高精度傳感器。此款傳感器由信潤富聯自主研發并經過實驗室和多個工業場域的技術驗證，其在智能感知方面的邊緣傳感器技術水平受到業內認可。 

　　馮建設曾是美國辛辛那提大學智能維護系統中心博士，研究方向是工業智能與預測性維護，馮建設透露，傳感器研制及應用是一次多學科技術跨界融合創新的結晶。得益于前期的學術研究，信潤富聯研發團隊從航天工程結構健康監測中聲表面波(Surface Acoustic Wave,SAW)的應用得到靈感啟發，經過大量的實驗研究與算法優化，研發出基于超聲/聲發射信號的生產加工過程監測和故障診斷技術，成功打破國外技術壟斷，并將超聲信號與振動、溫度、油液等多維數據源相結合，實現多模態融合建模，極大地提升了模型的準確度及可解釋性。 

　　整個研發過程存在不少波折，但對馮建設而言，更多是解決實際工程難題的興奮感：“智能傳感及物聯等關鍵技術的研究只是整個系統方案設計的地點。一方面，智能傳感技術的研究是實現了對弱異常信號的有效捕捉，但是信號本身太微弱了，必須做降噪、自適應濾波、時頻分析等大量的高階信號處理操作來實現信號特征增強；另一方面，生產制造本身是一個動態過程，而異常產生具有隨機性，此時就需要借助AI的力量，我們基于百度PaddleTS建模進行時序異常處理。正是有了弱異常的精準感知與捕捉、場景化的故障特征增強技術，以及人工智能算法的建模分析，我們才最終研發生產出這一款能夠滿足客戶現場精密加工需求的產品，并獲得了國家級獎項。” 

　　信潤富聯基于自研傳感器開發的智能監測系統實驗樣機 

　　深耕工業場景，提升數字工廠的智能水平 

　　當提及開發過程中遇到的困難時，馮建設覺得，難題不在AI，也不在算法本身。在他看來，算法設計本身有一個相對標準化的過程，但是如何將業務轉化成一個被執行的工程問題并能得到有效解決才是算法工程師更應關注的問題。比如，如何獲取有效數據？模型上線之后如何保證模型在動態環境下具有持續的高性能表現？產品落地成本及帶來的價值如何？這些問題都可能影響到方案的最終落地。 

　　馮建設說，“算法給我們指明一個可能的解決方向，剩下的工作都是圍繞算法，把所有需要花團錦簇的部分，下面的綠葉、花盆、桌子、板凳都處理好，才能夠給客戶呈現一個最終完美的結果。” 

　　馮建設出身工科，從本科開始先后從事機械工程、機電工程、工業工程、工業智能等專業方向，擁有豐富的工業智能、預測性維護等技術研究及應用實踐經驗。2019年，馮建設回國工作，開始參與信潤富聯籌建，并入選深圳市海外高層次人才。 

　　2020年7月，信潤富聯在深圳正式成立，由中信集團、華潤集團、工業富聯三家世界級行業巨頭聯手創建，公司創立之初就聚焦打造代表制造業最高水平的燈塔工廠及賦能行業數字化轉型的工業智能解決方案。其中，2019年底，信潤富聯幫助全球最大的鋁制底盤零件供應商中信戴卡打造了中國汽車鋁制品加工行業的第一座燈塔工廠，也是河北省的第一座燈塔工廠，樹立了中國汽車制造行業的新標桿。 

　　中信戴卡生產車間 

　　精密制造在線異常檢測平臺本質上是解決精密制造如何在過程中提升生產能力、提高產品質量的現實性問題。馮建設進一步解釋，該問題具備普適性。由于汽車零部件沖壓加工是一個典型的動態加工控制不同階段參數調整的過程，除了沖壓工藝之外，注塑，焊接、擠壓、半導體封裝等其他精密加工場景中均存在類似的精準控制與動態調優的訴求。基于飛槳PaddleTS開發的系統異常檢測能力，不僅能在汽車制造行業大顯身手，也能應用到風電設備運行、母線負荷預測系統、風功率預測、設備狀態檢測和故障預警、水質監測等其他眾多工業場景中。 

　　MachineProphet智能監測方案也正加速在這些典型的行業場景中深耕落地。談到MachineProphet產品的未來規劃，馮建設指出，如何更好地提升數字工廠的整體化智能水平，是MachineProphet下一個版本的核心。  

　　“隨著生產在線監控、設備預測性維護等單點智能的場景化落地，越發證明機器學習、深度學習等AI技術對智能制造能力提升具有巨大價值。這些單點智能如同 Pilot Study 在各個場景下的開花結果，會進一步驅動智慧工廠逐步從單機深度智能走向群集廣度智能，實現智能運維、生產、質量等環節的深度結合。”（來源：百度飛槳） 

編輯：李芊諾

責編：張永杰

審核：陳雪輝