1. 课程导入与稳定性验证目标定义
SICK视觉系统在工业现场承担定位、测量、识别与检测等任务，其输出往往直接参与PLC逻辑判断、机器人抓取或质量放行。因此，系统"能不能用"与"能不能长期稳定地用"是两个不同层次的问题。本课程讨论的是后者：如何用工程化方法证明一套SICK视觉系统在真实工况下持续满足精度、节拍与可用率要求。开篇先厘清系统组成、验证意义、范围边界与验收指标，后续所有测试设计都建立在这四个基础之上。
一、SICK视觉系统的典型组成
一套完整的SICK视觉系统通常由以下部分构成，理解它们的耦合关系是稳定性验证的前提：
- 成像单元：2D智能相机（如Inspector系列）、3D视觉相机（如Ruler、Visionary-T）或读码器（如Lector系列），负责采集图像或点云。
- 照明与光学：环形光、条形光、背光、滤光片与镜头，决定成像对比度与稳定性。
- 触发与同步：光电开关、编码器、PLC触发信号，决定采集时刻与工件位置的一致性。
- 计算与算法：相机内置算法或上位机软件（如SICK AppSpace、Vision Suite），完成定位、测量、OCR/OCV等处理。
- 通信与集成：EtherNet/IP、PROFINET、TCP/IP、数字I/O，将结果传递给PLC或机器人。
- 机械与供电：支架、防护罩、线缆、24V供电与接地，影响长期运行的物理稳定性。
稳定性问题很少只来自单一部件。例如定位漂移可能源于照明衰减、镜头污染、触发抖动或算法阈值过紧的叠加。验证时必须把系统当作整体来考察。
二、稳定性验证的工程意义
视觉系统在实验室调试通过，并不代表产线可长期运行。现场存在温度变化、振动、粉尘、油污、环境光干扰、工件批次差异、来料姿态波动等因素。稳定性验证的工程意义在于：
- 降低误判与漏判风险：提前暴露边界工况下的失效模式，避免批量质量事故。
- 量化能力边界：明确系统在何种光照、姿态、污染程度下仍能保持精度，为维护周期提供依据。
- 支撑验收与追溯：用可复现的数据证明系统满足合同KPI，而非依赖主观判断。
- 缩短故障定位时间：验证过程中建立的基线数据，可在后期异常时快速对比定位。
三、验证范围界定
范围界定决定验证的工作量与可信度。范围过窄，无法覆盖真实风险；范围过宽，则成本失控。建议从以下维度界定：
| 维度 | 需明确的内容 | 示例 |
|---|---|---|
| 被测对象 | 工件型号、批次、表面状态 | 3种金属件，含反光与油污样本 |
| 功能范围 | 哪些检测项纳入验证 | 定位精度、孔径测量、字符识别 |
| 工况范围 | 环境与运行条件 | 15~40℃、环境光0~2000lx、连续8h |
| 接口范围 | 通信与I/O是否纳入 | PROFINET结果上报、触发时序 |
| 排除项 | 明确不验证的内容 | 机械手抓取精度、MES数据存储 |
范围界定需与客户、工艺、电气、机械多方确认并书面记录。任何后续变更都应重新评估是否影响已验证结论。
四、验收标准与KPI设定
KPI必须可测量、可复现、有明确判定阈值。视觉系统常用指标包括：
- 精度（Accuracy）：测量值与真值的偏差，如定位误差≤±0.05mm。
- 重复性（Repeatability）：同一工件多次测量的标准差，如σ≤0.02mm。
- 节拍（Cycle Time）：单次采集到结果输出的时间，如≤80ms。
- 可用率（Availability）：连续运行中有效输出占比，如≥99.5%。
- 误判率/漏判率：错误放行或错误剔除的比例，如≤0.1%。
- 稳定性裕度：在边界条件下指标仍满足要求的余量。
设定KPI时需区分"验收值"与"设计目标值"。验收值应基于工艺实际需求，而非设备理论极限。例如工艺要求定位误差≤0.1mm，则验收值可设为≤0.08mm，留出20%裕度。同时应定义测试样本量、测试次数与统计方法，避免用单次结果下结论。
五、从目标到验证的映射关系
下图展示本节核心逻辑：系统组成如何对应验证维度，验证维度又如何映射到KPI与判定依据。该图用于建立后续章节的测试设计框架。
该映射框架说明：验证不是孤立地测某一项，而是从系统组成出发，识别每个部件可能引入的不稳定因素，转化为可观测的验证维度，再落到可判定的KPI。例如照明衰减对应"光照鲁棒性"维度，最终由"重复性σ"和"误判率"共同判定。后续章节将围绕这些维度逐一展开测试方法、数据采集与结果判读。
六、本节小结与执行要点
本节完成了稳定性验证的顶层定义。执行时需把握三点：第一，系统组成清单必须完整，遗漏任一环节都可能导致验证盲区；第二，验证范围需书面确认，明确纳入项与排除项；第三，KPI必须附带测试条件与统计方法，否则数据无法支撑验收结论。建议在项目启动阶段即形成《稳定性验证目标定义表》，作为后续测试计划、用例设计与报告输出的统一依据。