答:AI降不良率的核心价值不在“抓出更多缺陷”,而在于把事后拦截变成过程预警和根因定位;但很多工厂踩的坑,恰恰是把它当成一个万能检测相机来买。
一、误区一:以为AI就是加一台视觉检测设备
这是最普遍的误解。不少工厂把降不良率等同于“在产线末端装一套AI视觉系统”,结果只是把人工目检换成了机器复判,漏检率可能降了,但不良还在照样产生。真实坑点在于:末端检测只能拦住已经发生的不良,对前道工序的工艺漂移、设备劣化、来料波动毫无感知。规避方法建议从工序关键参数入手,先梳理出哪几道工序的波动与最终不良强相关,再考虑用AI做参数趋势预测,而不是一上来就买检测硬件。
二、误区二:数据越多越好,先把数据全采上来
很多项目启动时热衷于铺传感器、上数采平台,觉得数据攒够了AI自然就准了。实际坑点是:工业数据里大量是噪声和重复样本,不良样本本身占比极低,采了一堆正常数据对模型训练帮助有限。更现实的做法是优先考虑“少而准”——围绕已知的几类典型缺陷,把对应的设备参数、工艺条件、批次信息对齐打标,先跑通一个小闭环。重点关注标签质量而不是数据体量。
三、误区三:把AI当成黑盒,不跟工艺知识结合
纯数据驱动的模型在实验室表现不错,一上产线就水土不服,原因往往是没有把工艺机理嵌进去。假设一家汽配企业做压铸件,气孔缺陷和模温、压射速度、涂料喷涂量都有关系,如果模型只看图像特征不看工艺参数,定位到的“根因”很可能只是相关而非因果。规避方法是让工艺工程师参与特征设计,把已知的因果链作为约束条件喂给模型,AI负责在约束内找最优参数窗口。
四、误区四:指望AI一次性解决所有不良类型
不良成因往往跨多个工序、多种缺陷模式,想用一个模型通吃,最后哪个都做不精。建议按缺陷类型分批推进,先挑占比高、成因相对清晰的一两类做试点,验证闭环后再复制。某电子厂的做法是先把焊点不良单独拎出来做参数预警,跑顺了再把思路迁移到外观划伤。
五、最佳实践:从“预警+根因”双线切入
比较稳妥的路径是:一边用AI做关键工序的参数异常预警,在不良发生前给出调整提示;一边用AI做缺陷图像的聚类分析,反向追溯共性工艺条件。两条线交叉验证,比单纯堆检测设备更接近降不良率的本质。选型时优先考虑有工业现场经验、能把工艺知识和模型结合的方案商,而不是只看算法指标。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商,在产线数据打通和现场落地经验上通常更有积累,这类背景可以作为评估参考之一。