一根根針插在塑料板上，工人戴著指套的手指靈活地翻轉(zhuǎn)這小小的一塊，檢查插針的排布是否符合要求。這個小塊就是連接器，未來要負責(zé)信號和電流的傳輸，在交通、醫(yī)療、汽車等領(lǐng)域都有應(yīng)用。檢驗電鍍好的多個插針與盒座接插后插針是否有缺漏、定位是否正確是TE Connectivity（泰科電子，下稱“TE”）工廠流水線上組裝的環(huán)節(jié)之一，只有被認定為良品，它們才會被放在流水帶上奔赴下一道工序。

(資料圖片)

AI“進廠打工”能夠部分解決產(chǎn)品缺陷全靠人工檢驗帶來標準不統(tǒng)一的問題，不過也會帶來新煩惱：由于材料供應(yīng)商批次或者電鍍等不同，良品也會因反光率等問題被誤認為是次品而被自動剔除。

解決了這個問題的團隊在TE主辦的2023 年TE AI Cup第四屆全球競賽上獲得了一等獎。今年，全球25所高校的200余名工程學(xué)子從AI機器視覺、AI工藝優(yōu)化和綜合AI應(yīng)用三個方面參與“調(diào)教”AI打工人。

在數(shù)字化轉(zhuǎn)型浪潮中，AI“進廠打工”已是定局，但要想成為工廠最中意的打工人，也需要AI卷起來，離不開人類工程師的指導(dǎo)。

產(chǎn)學(xué)合作

今年是TE工業(yè)事業(yè)部蘇州工廠第四年參與TE AI Cup。上海大學(xué)團隊與TE工業(yè)事業(yè)部蘇州工廠工程師共同設(shè)計出一款圖像分析及參數(shù)自動調(diào)整系統(tǒng)，摘得了一等獎。此前，行業(yè)在利用AI視覺檢測來把控產(chǎn)品質(zhì)量時，普遍需要頻繁地手動調(diào)整檢測參數(shù)。而這套系統(tǒng)可根據(jù)輸入的圖像自動調(diào)整檢測參數(shù)，并在預(yù)輸入?yún)?shù)設(shè)置錯誤時，及時給出正確的調(diào)整建議。經(jīng)驗證，方案預(yù)計能夠減少81%的檢測時間，可實現(xiàn)產(chǎn)品報廢率降低90%。

TE AI Cup在2018年由TE全球運營技術(shù)副總裁魯異博士發(fā)起，TE自動化制造技術(shù)團隊組織，如今已升級成為包含亞洲賽區(qū)，歐洲、中東與非洲賽區(qū)和美洲賽區(qū)的全球性科技賽事。在TE全球8大事業(yè)部的30家工廠的支持下，學(xué)生團隊實地前往工廠，了解工業(yè)制造場景中真實的挑戰(zhàn)，設(shè)計的AI解決方案也會在TE工廠進行實地驗證和調(diào)整。這既加速了AI技術(shù)在工業(yè)場景中的應(yīng)用，也為高校學(xué)子提供了探索AI技術(shù)及實際應(yīng)用場景的平臺。

“工廠這邊很給力，為我們搭建了硬件平臺的實驗室，給我們配備了廠方的工程師，是完全沉浸式的比賽。”上海大學(xué)計算機學(xué)院教授，本屆TE AI Cup冠軍項目導(dǎo)師辛立明說。他告訴第一財經(jīng)，通過比賽建立起校企合作的關(guān)系，能夠為更多學(xué)生提供實踐的機會。“在這個過程當中，我們學(xué)生跟工廠深度融合，學(xué)會去發(fā)現(xiàn)問題，以及發(fā)現(xiàn)問題怎么去解決。”

蘇州工廠總經(jīng)理徐穎卿表示，歷年的成果都會在工廠中逐步應(yīng)用起來，“AI可以自主學(xué)習(xí)并統(tǒng)一進行標準判斷，這對于保證質(zhì)量的穩(wěn)定性起到了作用。” 以這款獲一等獎的圖像分析及參數(shù)自動調(diào)整系統(tǒng)為例，在一家工廠內(nèi)，就有超過70個部署該項目的機會。

AI打工人

從競賽中可以看到有趣的一點是，AI作為打工人也面臨著競爭壓力。

第一財經(jīng)了解到，在蘇州工廠里，有一條產(chǎn)線曾與 TE AI Cup連續(xù)兩屆合作。2022年，蘇州大學(xué)團隊與TE工程師共同開發(fā)了一套基于人工智能的自反饋調(diào)速系統(tǒng)，命名為AI 插針速度自動調(diào)整與防撞擊項目，該系統(tǒng)兼顧自動調(diào)速算法、算法普適性、避免設(shè)備撞擊的算法改進等，可幫助工廠在保證設(shè)備運行質(zhì)量的前提下提升設(shè)備的速度值。在比賽測試環(huán)節(jié)，該系統(tǒng)在TE工業(yè)事業(yè)部蘇州工廠試運行三個月時間，成功將工廠的組裝設(shè)備生產(chǎn)力提高了約10%。

2023年，逢甲大學(xué)團隊在同一產(chǎn)線上，以避免設(shè)備撞擊為目的，與TE工程師開發(fā)了通過對插針過程的監(jiān)控避免設(shè)備撞機系統(tǒng)。通過AI數(shù)據(jù)分析，實現(xiàn)了對機器實時監(jiān)控達到預(yù)測性維護的狀態(tài)，進一步避免生產(chǎn)過程中的撞機。

但這條產(chǎn)線還有優(yōu)化的空間，TE工程師表示，“明年預(yù)計將生產(chǎn)力提升到25%”。

除了創(chuàng)新，吸引工廠進行嘗試和改進的解決方案要經(jīng)過充分的驗證，滿足穩(wěn)定性，不能影響生產(chǎn)環(huán)節(jié)速度和良率，以及使用時要容易操作等等要求。畢竟，數(shù)字化轉(zhuǎn)型的生產(chǎn)線很有可能不只覆蓋一種產(chǎn)品，有可能會生產(chǎn)不同批次且有一定差異的產(chǎn)品。

那么今年火熱的大模型是否有望“進廠務(wù)工”呢？

“我們一直關(guān)注著大模型的發(fā)展。”TE Connectivity 全球運營自動化制造技術(shù)團隊高級專家工程師兼中國礦業(yè)大學(xué)碩士生導(dǎo)師周磊告訴第一財經(jīng)，應(yīng)用的難點在于走向工業(yè)領(lǐng)域的垂類時，工業(yè)界定制化比較多，會牽涉不同的料耗，在進行數(shù)據(jù)調(diào)優(yōu)時并不容易，“今天這個設(shè)備有可能兼容十個料耗，明天我就可能要切換兩次，數(shù)據(jù)其實也比較難搜集。”此外，由于還會涉及信息安全等問題，對于準確率要求較高的工廠而言，目前看到在實際生產(chǎn)中能發(fā)揮的作用并不明顯。

但他充分認可AIGC的能力，“我們關(guān)于良品的訓(xùn)練及和照片已經(jīng)很多了，因此現(xiàn)在利用AIGC生成一些不良品的照片，幫助系統(tǒng)進行識別和判定。”去年來自墨西哥索諾拉大學(xué)的冠軍團隊就是通過算法開發(fā)出‘缺陷品圖片合成器’獲得了一等獎，在這個領(lǐng)域，大模型顯然大有可為。第一財經(jīng)了解到，今年參賽的方案，除了涉及視覺檢測、增產(chǎn)提效、生產(chǎn)與產(chǎn)能規(guī)劃，還擴展至銷售預(yù)測、供應(yīng)鏈管理等領(lǐng)域。而這些領(lǐng)域的擴展也將是未來大模型的機會所在。“未來生產(chǎn)的排班，接收到一個指令就能排好，這是非常讓人期待的。” 周磊說。

標簽：