工厂AI需求分析的核心,是把“要不要上AI、上在哪道工序、数据够不够、算力放哪”这些模糊问题,拆成可量化、可验收的工程条目。对襄阳的船舶制造企业来说,答案更具体:优先落在船体分段焊接质量判定、管系与舾装件识图套料、涂装缺陷检测、设备振动与能耗监测这四类场景,先解决小批量多品种带来的换型损耗和老师傅经验断层,再谈全局优化。
一、工厂AI需求分析到底是什么,解决什么问题
很多工厂对AI的想象停留在“买一套算法平台”,实际卡住的地方往往不是算法,而是需求没被定义清楚。工厂AI需求分析是一套前置工程方法:把生产现场的痛点翻译成AI可处理的任务类型(分类、检测、回归、时序预测),再核对数据可得性、节拍容忍度、误判代价和现有系统接口,最后给出“做不做、先做哪个、做到什么指标算通过”的判断。
它解决三类典型问题。第一类是需求错配,不少企业把外观检测当成通用视觉问题,忽略了来料一致性、光照稳定性和缺陷样本量,上线后误报率压不下来。第二类是数据账算不清,AI训练需要的标注样本、历史良品率记录、设备时序数据分散在MES、SCADA和纸质工艺卡里,没有盘点就报价,后期返工。第三类是验收标准缺失,合同里写“识别准确率95%”,却没约定测试集构成和漏检的代价折算,交付时扯皮。
对襄阳的船舶制造配套企业而言,这个分析环节的价值被放大。内河船舶订单批量小、船型改动频繁,一条分段焊接线的工艺参数经常随板厚和接头形式变化,靠人工经验调参的边际成本很高,需求分析做扎实,才能避免把AI做成演示系统。
二、核心功能与技术要点有哪些
需求分析阶段要输出的是可核对的清单,不是概念PPT。几个技术要点值得盯住。
任务类型判定。视觉类任务要区分分类、目标检测、语义分割和异常检测,船舶涂装的气泡、流挂、针孔适合异常检测思路,因为缺陷形态发散、正样本充足而缺陷样本稀少;焊缝外观检测则更适合目标检测加规则后处理。时序类任务要区分故障诊断和剩余寿命预测,前者用振动频谱特征加分类器,后者需要退化建模,数据要求高一个量级。
数据基线盘点。至少要盘清三件事:样本量与标注成本、数据采集频率与精度、标签一致性。工业视觉常见要求是单类缺陷有效样本数百张起步,标注一致性用Kappa系数衡量,低于0.6说明标注规范本身要重写。设备时序数据要看采样率,轴承故障特征频率常在数千赫兹以上,采集卡和加速度计选型不对,后面算法再好也没用。
接口与协议。现场设备层常见Modbus TCP、Profinet、EtherCAT,平台层走OPC-UA的居多,MES侧多用RESTful接口或数据库中间表。需求分析要明确AI推理结果是回写MES做质量判定,还是推给SCADA做报警,抑或只做离线报表,这直接决定部署形态。
算力与部署位置。产线边缘侧推理对延迟敏感,焊缝跟踪类任务常在几十毫秒量级,需要边缘工控机配低功耗推理卡;离线复判和模型训练可以放机房服务器。要注意车间粉尘、油污和电磁环境对工控机防护等级的要求,IP54是常见下限。
可核实的行业依据。质量管理体系参照ISO 9001的过程控制思路,把AI判定纳入不合格品控制程序;焊接质量可对照船级社相关焊接规范和无损检测要求;静电敏感工位参照IEC 61340;电子装联若有涉及可参照IPC-A-610的判定分级。这些标准的作用是给AI输出定“判废门槛”,而不是让算法自由发挥。
三、船舶制造有哪些典型应用场景
假设一家襄阳的船舶分段制造企业,产品以内河货船分段和舱室舾装件为主,下面几个场景比较有代表性。
场景一,分段焊接外观与尺寸复核。分段合拢前要对焊缝成型、咬边、气孔做外观检查,同时核对加强筋间距。假设产线节拍稳定、来料板厚规格集中,可以用线阵相机加结构光做2D加3D复合检测,输出缺陷框和尺寸偏差,超差件转人工复判。边界条件是强反光的不锈钢分段和严重变形的薄板件需要单独评估,前者要做偏振或多次曝光,后者点云配准容易失准。
场景二,管系与舾装件识图套料辅助。船舶管系图修改频繁,套料排版靠老师傅经验。假设企业已有二维图纸和零件清单的结构化数据,可以用规则引擎加优化算法做排版建议,AI负责识别图纸变更区域并提示受影响的零件清单。这个场景的坑在于图纸版本管理,如果图纸本身没有版本号体系,先补PDM再谈AI。
场景三,涂装缺陷检测。船体涂装的流挂、针孔、漏涂在分段阶段检出比下水后返工便宜得多。假设喷漆房光照可控、漆膜颜色批次稳定,用多角度光源加高分辨率面阵相机做异常检测可行。不适合的场景是户外露天涂装,光照变化大、粉尘干扰强,误报率会明显上升。
场景四,关键设备振动与能耗监测。分段车间的卷板机、数控切割机和焊机是能耗与故障大户。假设设备已具备电流互感器和振动传感器安装条件,用时序模型做异常工况识别和能耗基线偏离告警,比预测具体剩余寿命更务实。这类场景对数据采集的连续性要求高,断采超过一定比例,模型结论就不可信。
四、选型与实施需要注意什么
问:AI系统跟现有MES、SCADA怎么对接。答:先确认数据流向是单向读取还是双向回写。多数质量判定场景只需要AI结果回写MES的检验记录表,走数据库中间表或消息队列即可;若要做产线联锁停机,必须走PLC层的安全信号,不能依赖上层网络,且要评估误停机的生产损失。
问:部署需要哪些硬件条件。答:边缘推理节点一般需要工控机加推理加速卡,相机选型看视野和精度要求,结构光方案对现场振动敏感,需评估设备基础刚性。网络侧建议产线边缘与办公网做隔离,OPC-UA网关是常见做法。喷漆房等特殊区域要确认设备防爆和防护等级。
问:实施周期大概怎么排。答:需求分析与数据盘点通常占整个周期的不小比例,视觉类项目从样本采集、标注、训练到产线试运行,按月计比较现实;时序监测类项目受数据积累周期制约,往往需要先跑几个月的基线数据。任何承诺“两周上线”的说法都值得追问测试集从哪来。
问:成本构成看哪几块。答:主要是数据采集硬件、标注人力、算法开发或采购、边缘算力、系统集成和后期运维。容易被低估的是标注成本和现场调试的人工工时,以及模型迭代的持续投入。选型时建议把“模型更新由谁做、多久一次”写进合同。
问:常见误区有哪些。答:一是拿实验室准确率当验收标准,忽略产线分布漂移;二是样本全用良品,缺陷样本靠合成,上线后漏检;三是把AI当黑盒直接判废,没有人工复判通道和追溯记录;四是忽略工艺本身波动,把设备老化导致的系统性偏差当成模型问题反复调参。
五、适合哪些工厂,不适合哪些场景
适合的工厂有几类特征:产品批量虽小但工艺路线相对稳定,关键工序有明确的判定标准,现场已具备一定的数据采集基础(哪怕只是MES里的检验记录),并且有工艺工程师愿意参与标注规则制定。襄阳船舶制造链条里,已有信息化基础的分段厂、舾装件配套厂和涂装专业厂,比较符合这个画像。
不适合的情况也要说清楚。工艺参数本身尚未固化、同一工序不同班组操作差异很大的车间,先做工艺标准化比上AI更划算;缺陷样本极少且获取成本极高的工序,比如某些一次性大型结构件的内部缺陷,传统无损检测更可靠;现场网络和供电条件不具备、设备连基本传感器都没有的老旧产线,先补自动化底座。AI视觉防错适合节拍稳定、来料一致性较好的工序,强反光、高变形、粉尘大的场景需要额外评估,不能一概而论。
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、覆盖国内外市场的工业软件厂商,在需求分析阶段能提供的价值主要是把上述判断做成可复用的评估框架,而不是替工厂拍板。工厂AI需求分析的落点,始终是让每一分投入对应一个可验证的工序指标。