2、工业AI基础：机器学习、深度学习、计算机视觉、预测性维护等核心概念在工业场景中的落地方式
工业AI并非简单地将通用AI算法移植到工厂，而是需要深刻理解工业场景中的物理约束、数据特性与可靠性要求。本章将围绕机器学习、深度学习、计算机视觉与预测性维护四大技术支柱，剖析其在工业现场的真实落地路径，帮助学员建立从算法到产线价值的完整认知框架。
2.1 机器学习在工业场景中的落地方式
核心原理：从数据中学习规律
机器学习（Machine Learning）是工业AI的基础，其核心思想是通过算法从历史数据中自动学习规律，而非依赖人工显式编程。在工业场景中，机器学习主要处理三类问题：回归（预测连续值，如温度、压力）、分类（判断类别，如合格/不合格）、聚类（发现数据内在结构，如设备工况划分）。工业数据的典型特征包括高噪声、强耦合、时变性和多模态，这要求算法选择必须考虑数据质量与业务目标的匹配度。
判断方法或操作流程
在工业现场落地机器学习项目，建议遵循以下六步流程：
- 业务理解与问题定义：明确是预测性维护、质量优化还是能耗管控，定义目标变量（如设备故障标签、产品合格率）。
- 数据采集与治理：从DCS、PLC、SCADA、MES等系统获取数据，处理缺失值、异常值、时间戳对齐问题。
- 特征工程：提取时域特征（均值、方差、峰值）、频域特征（FFT频谱）、统计特征（偏度、峭度），并筛选与目标强相关的特征。
- 模型选择与训练：根据数据量选择线性回归、随机森林、XGBoost或LightGBM，使用交叉验证评估泛化能力。
- 模型评估与验证：使用精确率、召回率、F1-score、AUC等指标，结合业务场景确定阈值（如故障检测宁可误报不可漏报）。
- 部署与监控：将模型封装为API或嵌入边缘网关，持续监控数据漂移和模型性能衰减。
案例拆解：注塑机工艺参数优化
某汽车零部件工厂的注塑车间面临产品缩痕缺陷率高达8%的问题。工程师采集了2000组生产数据，包含料筒温度、注射压力、保压时间、模具温度等32个工艺参数。初始使用线性回归模型，R²仅为0.62，预测精度不足。随后引入随机森林模型，并增加特征交互项（如温度×压力），R²提升至0.87。进一步通过SHAP值分析发现，保压时间与模具温度的交互作用对缩痕影响最大。据此调整工艺窗口，缺陷率降至2.3%，年节约成本约120万元。
常见误区或总结复盘
- 误区一：盲目追求复杂模型。工业场景中，可解释性往往比精度更重要，线性模型或决策树可能比深度学习更受运维人员信任。
- 误区二：忽略时间序列特性。工业数据通常具有自相关性，需使用时间窗口特征或时序模型，而非简单随机抽样。
- 误区三：训练/测试集划分不当。应按时间顺序划分，避免未来数据泄露到训练集中。
2.2 深度学习在工业场景中的落地方式
核心原理：端到端学习复杂模式
深度学习（Deep Learning）通过多层神经网络自动学习数据的层次化表征，特别适合处理高维非结构化数据（图像、声音、振动波形）。在工业领域，卷积神经网络（CNN）用于图像识别，循环神经网络（RNN）及LSTM用于时序预测，Transformer架构则开始应用于多传感器融合分析。深度学习的优势在于无需手工设计特征，但需要大量标注数据和计算资源。
判断方法或操作流程
判断工业问题是否适合深度学习，可参考以下标准：
| 判断维度 | 适合深度学习 | 适合传统机器学习 |
|---|---|---|
| 数据类型 | 图像、音频、高维时序 | 表格数据、低维特征 |
| 数据量 | ≥10万样本 | 数千至数万样本 |
| 特征复杂度 | 特征难以手工提取 | 特征明确且可解释 |
| 实时性要求 | 允许毫秒级延迟 | 需微秒级响应 |
| 硬件资源 | GPU/TPU集群 | CPU即可 |
落地流程包括：数据采集与标注（使用LabelImg、CVAT等工具）、模型架构设计（ResNet、YOLO、U-Net等）、训练调参（学习率、批大小、正则化）、模型压缩（剪枝、量化）以及边缘端部署（TensorRT、OpenVINO）。
案例拆解：半导体晶圆表面缺陷检测
某晶圆制造厂需要检测晶圆表面的划痕、颗粒污染和图案偏移。传统机器视觉方案使用阈值分割和形态学处理，检测率仅85%，且误报率高。项目团队采集了12万张晶圆图像，使用改进的YOLOv5s模型进行训练，通过数据增强（旋转、翻转、亮度调整）扩充数据集。模型在NVIDIA Jetson Xavier边缘设备上部署，经过TensorRT量化后推理速度达35FPS，检测率提升至97.3%，误报率降低60%。
常见误区或总结复盘
- 误区一：标注数据不足时强行使用深度学习。可考虑迁移学习（使用ImageNet预训练模型）或数据合成技术。
- 误区二：忽视模型可解释性。工业场景需要向安全部门解释决策依据，可使用Grad-CAM可视化或SHAP分析。
- 误区三：只关注离线精度，忽略推理延迟。需在项目初期就设定实时性指标（如<50ms），并据此选择模型复杂度。
2.3 计算机视觉在工业场景中的落地方式
核心原理：让机器“看懂”工业现场
计算机视觉（Computer Vision）是深度学习在工业中应用最广泛的方向，涵盖目标检测（定位物体位置）、图像分割（像素级分类）、实例分割（区分个体）、异常检测（发现非正常模式）等任务。工业视觉的特殊性在于：光照条件可控、背景相对固定、检测目标明确，这为算法提供了相对稳定的输入环境，但也对检测精度和速度提出了更高要求。
判断方法或操作流程
工业视觉项目通常遵循以下技术选型路径：
- 明确检测任务：是表面缺陷（划痕、凹坑）、尺寸测量（公差范围）、还是装配完整性（螺丝是否拧紧）。
- 选择成像方案：根据缺陷类型选择光源（环形光、同轴光、结构光）、相机（面阵/线阵、黑白/彩色）和镜头（远心镜头、微距镜头）。
- 算法选型：传统方法（边缘检测、模板匹配）适合规则缺陷；深度学习方法（YOLO、Mask R-CNN）适合复杂纹理和微小缺陷。
- 系统集成：将视觉系统与PLC通信，实现缺陷触发剔除机构动作，并记录缺陷图像用于追溯。
案例拆解：汽车零部件装配防错系统
某汽车发动机装配线需要检测每个工位是否安装了正确的垫片和螺栓。原方案采用人工目检，漏检率约1.5%。新系统在关键工位安装2个500万像素工业相机，使用同轴光源消除反光。算法采用Faster R-CNN检测垫片位置和螺栓数量，同时通过OCR识别螺栓上的批次号。系统在工位节拍3秒内完成检测，漏检率降至0.02%，误报率0.5%。项目投入45万元，因避免召回事件年节省约200万元。
常见误区或总结复盘
- 误区一：忽视光学方案的重要性。很多视觉项目失败源于光照不均或反光，而非算法问题。
- 误区二：过度依赖深度学习。对于规则几何测量，传统亚像素边缘检测精度可达0.01mm，优于深度学习方法。
- 误区三：未考虑产线振动和温度漂移。相机固定支架需设计减震结构，并定期进行标定校准。
2.4 预测性维护在工业场景中的落地方式
核心原理：从“坏了再修”到“提前预知”
预测性维护（Predictive Maintenance）利用设备运行数据（振动、温度、电流、油液分析）评估健康状态，预测剩余使用寿命（RUL），从而在故障发生前安排维护。其核心逻辑是：设备退化过程具有可观测的信号特征，通过建立健康指标（Health Index）与退化阶段的映射关系，实现故障预警。相比预防性维护（定期更换），预测性维护可减少30%-50%的维护成本，延长设备寿命10%-20%。
判断方法或操作流程
实施预测性维护需遵循以下步骤：
| 阶段 | 关键活动 | 输出物 |
|---|---|---|
| 1. 关键设备筛选 | 根据停机损失、维修成本、安全影响评估 | 关键设备清单（A类设备） |
| 2. 传感器部署 | 安装振动、温度、电流传感器，确定采样频率 | 数据采集方案 |
| 3. 基线建模 | 采集正常运行数据，建立健康基线 | 健康阈值/统计模型 |
| 4. 退化监测 | 实时计算健康指标，与基线对比 | 异常报警信号 |
| 5. 寿命预测 | 使用回归模型或生存分析预测RUL | 剩余寿命估计值 |
| 6. 维护决策 | 结合生产计划优化维护时间 | 维护工单/备件计划 |
案例拆解：风电机组齿轮箱轴承故障预警
某风电场20台2MW风机频繁出现齿轮箱轴承损坏，单次维修成本约80万元。项目团队在齿轮箱高速轴和中间轴安装加速度传感器，采样频率25.6kHz，采集振动数据。通过计算包络谱特征，提取轴承故障特征频率（BPFO、BPFI）的幅值作为健康指标。使用LSTM模型预测轴承剩余寿命，模型输入为过去7天的振动特征序列，输出为剩余天数。系统提前23天预警了3号风机轴承故障，运维团队利用小风窗口完成更换，避免了大部件损坏。项目投资120万元，年节省维修成本约400万元。
常见误区或总结复盘
- 误区一：传感器越多越好。应聚焦关键测点，过多传感器增加成本和数据噪声。
- 误区二：忽视工况变化。设备在不同负载下振动特征差异大，需建立多工况模型或进行工况归一化。
- 误区三：只做报警不做寿命预测。报警只能告诉“现在有问题”，寿命预测才能回答“还能用多久”，后者对维护计划更有价值。
工业AI的落地不是单一技术的应用，而是机器学习、深度学习、计算机视觉和预测性维护的协同组合。实际项目中，往往需要将多种技术融合：例如使用计算机视觉识别设备外观异常，同时用振动分析判断内部机械故障。理解每种技术的适用边界、数据需求和部署约束，是成功实施工业AI项目的关键前提。