400-868-1122
根云-工業趨勢分析
返回在某知名汽車整車廠焊接車間，每一道焊點都承載著該企業對精細工藝的堅守和對優質產品的追求。憑借2000余個焊點、90%的自動化率和200臺精密設備，該企業基本實現了焊接過程的全自動化。然而，如何甄別出不良焊點，如何進行持續優化提升呢？樹根科技結合自身在數據采集和AI算法上多年的技術沉淀，結合企業豐富的業務知識，雙方共創，實現了焊點質量自動檢測。
1、困境
汽車白車身焊點眾多，質量管理壓力山大。傳統焊裝領域焊點品質采用半破壞性抽檢的方法檢測焊點質量，存在3個問題：
1、影響焊接質量的要素多，依靠人力確認焊接要素，耗費時間長，效率低
2、焊點數量多，投入檢查員多達20余人，全年累計投入2000余小時進行參數檢查，仍無法全面監控準確的焊接質量
3、現有焊接數據無法被進一步開發利用。設備最多存儲3000條焊接數據，舊數據不斷被產生的新數據迭代，焊接數據與車身號沒辦法一一匹配，無法追溯
如何實現焊接數據的有效采集、存儲、分析及管理，一度給該企業帶來巨大困擾！
2、破局
針對上述問題，樹根科技與該企業開展了專項合作，給其提供了“焊接AI質量在線智能檢測”解決方案：
針對上述問題，樹根科技與該企業開展了專項合作，給其提供了“焊接AI質量在線智能檢測”解決方案：
針對焊接車間中已有的現場焊機，采集焊接數據以及PLC數據，將數據通過工廠5G網絡傳輸并存儲至該企業IoT平臺，通過IoT平臺布置的人工智能算法實現對焊接工藝參數和運行數據的監測，對焊接的焊接質量進行在線檢測，全面提升檢測效率和質檢準確性，明確以下4大建設目標：
1、焊接數據可集中管理：將所有焊接數據從分散的控制器中采集、并集中管理起來，實現遠程集中監控
2 、焊接質量可實時監控：實時顯示焊接結果狀態，以及對應的過程數據（電阻、電流、焊接時間、熱量等），出現問題及時提醒。
3、焊接過程異常可精準定位：根據焊接過程數據，基于統計分析和AI算法，分析判斷引起工藝質量問題的深層次原因，比如某一把焊槍、某一個程序號頻繁出現焊接問題。
4、焊接質量可長期溯源：建立每臺車輛的焊接檔案，長期保存帶車輛ID標簽的焊接數據，一旦出現質量問題，有據可查。
3、方法
3、方法
通過采集現場實時焊接過程數據以及車輛屬性數據，實現數據集中存儲，并結合焊接質量檢測模型，實現焊接正常/異常情況自動判斷。實現對全數焊點100%檢查，并建立每臺車輛的可追溯焊接質量檔案。
1、數據采集
現場共計35臺獨立的焊接設備控制器，相互之間未聯網，綜合數據采集成本，需首先構建4組小型局域網將焊接控制器數據和匯總至4臺交換機。再分別從4臺交換機加裝邊緣智能網關，通過5G將數據匯總至該企業IoT平臺統一存儲。
2、焊接質量模型構建
本項目除焊接數據采集集中存儲、可視化展示外，還加入基于機器學習的算法模型，實現部分焊接質量問題自動判斷。WE部門業務人員已收集約百余組焊接過程數據，并逐一做標簽分類，用于AI算法模型構建。模型構建步驟如下：
焊接質量檢測模型探索性驗證-數據可視化分析
將正常與異常焊接數據形成可視化對比，可以發現正常與異常數據大部分有明顯邊界區分，因此可以通過電阻、電流等工作參數來做焊接異常檢測。但部分正常與異常與相互交織，很難通過傳統的參數閾值設置來進行區分，而機器學習算法能夠在相互交織的時間序列數據中剝離出差異，進而對正常和異常進行區分，因此需采用基于機器學習算法建模。
焊接質量檢測模型探索性驗證-機器學習算法建模
機器學習是通過樹模型、線性模型或其他模型精確分離數值。本次焊接質量檢測模型算法驗證過程中，針對電阻、電流、熱量數據共選取百余個特征數據，用于算法模型構建。
4、成效
通過AI技術對焊接過程中的電阻、電流、熱量進行實時監控，提高了焊接質量的判斷準確率，達到了83%-85%，大大提高了工作效率。實現全數焊點100%檢查，并建立每臺車輛的可追溯焊接質量檔案。
結語
通過AI技術對焊接過程中的電阻、電流、熱量進行實時監控，提高了焊接質量的判斷準確率，達到了83%-85%，大大提高了工作效率。實現全數焊點100%檢查，并建立每臺車輛的可追溯焊接質量檔案。
結語
“焊接”是精密的工藝過程，而“AI”則是智能的科技引擎。結合二者，該企業正利用技術力量挖掘效能潛力，用數據驅動焊接的精準與穩定。AI的助力，幫助優化焊接工藝，大大減輕工作負擔，提升工作效率，員工的健康、安全也能得到更有力的保障，開啟了汽車智能焊接新篇章！
掃碼了解更多樹根案例！
