7 月 2 日,2025 全球数字经济大会期间,“人工智能+应用场景”典型案例(以下简称“典型案例”)在产业互联网创新发展论坛发布。典型案例聚焦工业智能、政务管理、金融服务等重点行业和领域应用场景,展现了北京人工智能赋能产业发展现状,为人工智能创新应用提供参考和实践路径。
基于北京软件和信息服务业协会(以下简称“协会”)2024年所发布的《北京人工智能+应用场景图谱》,为充分发挥图谱的行业指导作用,全面呈现人工智能在不同领域的应用场景与实践,协会开展了“人工智能+应用场景”典型案例征集活动,并从创新性、成效性等维度,专家委员会遴选推介12项《“人工智能+应用场景”典型案例》。
理想汽车本次入选的“基于AI融合的拧紧实时质量监控系统”,在工业制造工艺质量优化场景,智能拧紧系统突破人工抽检限制,100%实时监测加工曲线,缺陷识别准确率98.9%,支持零样本启动与2周快速产线/工艺横展。
一、案例背景
在复杂的现代制造业中,产品质量的可靠性与一致性是核心竞争力的关键。以整车制造中至关重要的螺栓拧紧工艺为例,其质量监控的挑战与解决方案,揭示了整个制造领域内一个普遍存在的痛点与突破路径。
整车制造中,每辆车包含近3000个螺栓连接点,其中大量涉及安全与核心功能。螺栓拧紧质量一旦失控,后果极其严重:轻则引发功能失效(如异响、部件松动),重则酿成灾难性安全事故(如高压线路虚接导致起火、车轮螺栓松脱引发车辆失控)。
目前行业对于拧紧质量的监控可分为两个主要的部分:动态扭矩质量监控和静态扭矩质量监控。被整车制造广泛采用的电动拧紧工具(如马头/Desoutter EC工具)就是实现了动态扭矩的基础监控——确保螺栓“不漏拧”且最终扭矩达到目标值。
然而,现有方案存在一个显著且危险的盲区:它无法有效监控拧紧过程本身的质量。以转向管柱与方向盘的螺栓连接为例,若螺栓因拧偏、螺纹磕碰或异物在未完全旋入到位时就已“达到”目标扭矩,系统会错误判定为合格。这类过程异常导致的隐蔽缺陷(如夹紧力不足、螺纹损伤、虚假扭矩)蕴含巨大风险,却难以被传统监控手段识别,最终可能成为车辆功能失效或安全事故的根源。
本项目以拧紧工艺为切入点,但其核心技术创新——基于实时加工过程曲线的工艺质量智能检测方案——具有极强的普适性,可快速横展至整个制造领域中所有会产生加工曲线的关键工艺环节。此解决方案的核心是基于实时采集的高精度加工过程曲线(如扭矩-角度-时间、电流-时间、压力-时间、温度-时间、图像特征-时间等),深入挖掘曲线的动态特征,突破现有质量检测的局限,通过融合领域专家的工艺经验知识与先进的机器学习、人工智能算法模型,实现对加工过程中各类异常模式与潜在缺陷的准确、及时、自动化识别。
二、实施步骤
1. 采集设备实时及历史加工曲线数据
2. 基于工程师经验,获取真实正样本及真实质量问题负样本数据
a. 针对不同工艺点的工艺要求设置规则模型
. 基于真实的正负样本数据对COT思维链模型进行预训练
c. 基于海量数据(维权)对GPT-TCN深度学习模型进行训练
3. 对模型进行封装,并基于连山自研智能终端部署至线边,进行调试及最终检验
三、主要技术
本解决方案创新融合工艺经验规则、深度学习算法及COT(cognition-Oriented Thinking)思维链架构,基于对工艺过程曲线的深度解析,针对不同失效模式特性开发三重防护体系:
规则模型监控:在工艺过程曲线关键区段设定多维监控窗口(扭矩梯度/角度容差),通过故障树映射实现异常特征与质量缺陷的智能关联判定。
深度学习模型监控: 采用GPT-TCN混合架构——通过类GPT生成式数据增广扩充负样本,驱动时域卷积网络(TCN)实现未知异常模式的端到端识别。
COT思维链监控:构建五级仿生决策链,将人类工程师“观察→联想→验证→处置”的解决问题过程转化为可计算的算法链,实现经验决策的数字化复现。
四、实施效果
突破传统抽检范式,构建工艺过程智能质量监控能力,实现制造领域质量检测革命性升级:
1. 全域监控覆盖:在无预设标准曲线的开放场景下,实时输出缺陷识别结果,可实现关键工艺点100%全时覆盖,缺陷漏检率降至0.2%以下
2. 边缘智能革命:通过Ai-Brain边缘终端实现毫秒级数据采集-计算-决策闭环,准确率达98.9%(整车制造拧紧场景实测)
3. 零样本快速横展:核心算法支持零样本启动+增量学习,新工艺适配周期压缩至2周,可快速横展至所有工艺过程曲线可实时采集的工艺场景(如焊接、喷漆等)
盛达优配app-股票配资平台官网平台网址-可靠股票配资公司-实盘交易杠杆提示:文章来自网络,不代表本站观点。