400-868-1122
根云工业互联网平台
返回在某知名汽车整车厂焊接车间，每一道焊点都承载着该企业对精细工艺的坚守和对优质产品的追求。凭借2000余个焊点、90%的自动化率和200台精密设备，该企业基本实现了焊接过程的全自动化。然而，如何甄别出不良焊点，如何进行持续优化提升呢？尊龙凯时结合自身在数据采集和AI算法上多年的技术沉淀，结合企业丰富的业务知识，双方共创，实现了焊点质量自动检测。
1、困境
汽车白车身焊点众多，质量管理压力山大。传统焊装领域焊点品质采用半破坏性抽检的方法检测焊点质量，存在3个问题：
1、影响焊接质量的要素多，依靠人力确认焊接要素，耗费时间长，效率低
2、焊点数量多，投入检查员多达20余人，全年累计投入2000余小时进行参数检查，仍无法全面监控准确的焊接质量
3、现有焊接数据无法被进一步开发利用。设备最多存储3000条焊接数据，旧数据不断被产生的新数据迭代，焊接数据与车身号没办法一一匹配，无法追溯
如何实现焊接数据的有效采集、存储、分析及管理，一度给该企业带来巨大困扰！
2、破局
针对上述问题，尊龙凯时与该企业开展了专项合作，给其提供了“焊接AI质量在线智能检测”解决方案：
针对上述问题，尊龙凯时与该企业开展了专项合作，给其提供了“焊接AI质量在线智能检测”解决方案：
针对焊接车间中已有的现场焊机，采集焊接数据以及PLC数据，将数据通过工厂5G网络传输并存储至该企业IoT平台，通过IoT平台布置的人工智能算法实现对焊接工艺参数和运行数据的监测，对焊接的焊接质量进行在线检测，全面提升检测效率和质检准确性，明确以下4大建设目标：
1、焊接数据可集中管理：将所有焊接数据从分散的控制器中采集、并集中管理起来，实现远程集中监控
2 、焊接质量可实时监控：实时显示焊接结果状态，以及对应的过程数据（电阻、电流、焊接时间、热量等），出现问题及时提醒。
3、焊接过程异常可精准定位：根据焊接过程数据，基于统计分析和AI算法，分析判断引起工艺质量问题的深层次原因，比如某一把焊枪、某一个程序号频繁出现焊接问题。
4、焊接质量可长期溯源：建立每台车辆的焊接档案，长期保存带车辆ID标签的焊接数据，一旦出现质量问题，有据可查。
3、方法
3、方法
通过采集现场实时焊接过程数据以及车辆属性数据，实现数据集中存储，并结合焊接质量检测模型，实现焊接正常/异常情况自动判断。实现对全数焊点100%检查，并建立每台车辆的可追溯焊接质量档案。
1、数据采集
现场共计35台独立的焊接设备控制器，相互之间未联网，综合数据采集成本，需首先构建4组小型局域网将焊接控制器数据和汇总至4台交换机。再分别从4台交换机加装边缘智能网关，通过5G将数据汇总至该企业IoT平台统一存储。
2、焊接质量模型构建
本项目除焊接数据采集集中存储、可视化展示外，还加入基于机器学习的算法模型，实现部分焊接质量问题自动判断。WE部门业务人员已收集约百余组焊接过程数据，并逐一做标签分类，用于AI算法模型构建。模型构建步骤如下：
焊接质量检测模型探索性验证-数据可视化分析
将正常与异常焊接数据形成可视化对比，可以发现正常与异常数据大部分有明显边界区分，因此可以通过电阻、电流等工作参数来做焊接异常检测。但部分正常与异常与相互交织，很难通过传统的参数阈值设置来进行区分，而机器学习算法能够在相互交织的时间序列数据中剥离出差异，进而对正常和异常进行区分，因此需采用基于机器学习算法建模。
焊接质量检测模型探索性验证-机器学习算法建模
机器学习是通过树模型、线性模型或其他模型精确分离数值。本次焊接质量检测模型算法验证过程中，针对电阻、电流、热量数据共选取百余个特征数据，用于算法模型构建。
4、成效
通过AI技术对焊接过程中的电阻、电流、热量进行实时监控，提高了焊接质量的判断准确率，达到了83%-85%，大大提高了工作效率。实现全数焊点100%检查，并建立每台车辆的可追溯焊接质量档案。
结语
通过AI技术对焊接过程中的电阻、电流、热量进行实时监控，提高了焊接质量的判断准确率，达到了83%-85%，大大提高了工作效率。实现全数焊点100%检查，并建立每台车辆的可追溯焊接质量档案。
结语
“焊接”是精密的工艺过程，而“AI”则是智能的科技引擎。结合二者，该企业正利用技术力量挖掘效能潜力，用数据驱动焊接的精准与稳定。AI的助力，帮助优化焊接工艺，大大减轻工作负担，提升工作效率，员工的健康、安全也能得到更有力的保障，开启了汽车智能焊接新篇章！
扫码了解更多树根案例！
