文/Christian Petersohn，Michael Ungers；Scansonic MI公司

一切都始于一家美國汽車制造商在德國工廠的設計要求。在之前的中產(chǎn)階級車型中，車身側(cè)壁和車頂通過一些焊接點連接，然后由裝飾條覆蓋。但是在新車型的設計中，將不再使用裝飾條。此外，生產(chǎn)團隊計劃將重點放在流程數(shù)字化上。如果省去裝飾條，側(cè)壁和車頂之間的焊縫將是可見的，因此它必須滿足可見焊縫的高質(zhì)量標準。

對焊縫質(zhì)量的高要求，使得該團隊采用了激光焊接方式，更準確地說是激光釬焊。他們尋求在技術上最先進的解決方案，最終找到了德國Scansonic公司，該公司提供其ALO4觸覺引導的激光光學系統(tǒng)以及用于焊縫過程監(jiān)測的相機系統(tǒng)。它允許對焊縫過程進行評估，并且可以使用人工智能（AI）進行評估（見圖1）。

圖1：自適應激光光學系統(tǒng)遵循3D輪廓進行加工。系統(tǒng)中的相機將實時圖像發(fā)送到神經(jīng)網(wǎng)絡，該神經(jīng)網(wǎng)絡實時檢測激光釬焊過程中的缺陷。

集成AI的激光加工頭

在過去的二十年間，Scansonic作為面向汽車應用市場的激光光學器件供應商，享譽業(yè)界。該公司目前在激光焊接、切割和涂層工藝領域擁有7000多個激光光學器件。它通過使用填充線進行觸覺焊縫跟蹤，這為焊接過程設定了新標準。如今，憑借ALO4，Scansonic的第四代此類激光光學器件再次受到各大汽車制造商的歡迎。

自2017年以來，Scansonic在其激光加工頭中引入了機器視覺系統(tǒng)SCeye。SCeye系統(tǒng)包括一個完全集成的照明模塊和相機，以及一個控制模塊（見圖2）。這套集成了過程控制系統(tǒng)的高性能光學方案，吸引了制造商對Scansonic的廣泛青睞；利用邊緣計算，Scansonic系統(tǒng)能做的不僅僅只是實現(xiàn)過程的可視化。

圖2：ALO4激光頭集成了SCeye機器視覺過程監(jiān)測系統(tǒng)。

與機器人在生產(chǎn)中接管體力勞動類似，邊緣計算機中的AI在過程控制中接管了人類的任務。事實上，Scansonic團隊開發(fā)了一套AI系統(tǒng)，可以識別SCeye系統(tǒng)捕獲的激光釬焊過程視頻中的飛濺物或孔隙等缺陷。一旦在視頻中識別出缺陷，操作員就要找到缺陷。因此，它能夠提供問題照片，以便操作員決定修復缺陷。

項目中的學習曲線

過程控制技術在汽車制造商現(xiàn)場的整個適應過程，花了18個月。為了立即進行質(zhì)量控制，Scansonic團隊建議使用他們新的AI系統(tǒng)。這產(chǎn)生了大量數(shù)據(jù)，并且需要對這些數(shù)據(jù)進行高效管理。首先，他們需要就數(shù)據(jù)處理標準做出決定，以確保在工廠和Scansonic進行高效的數(shù)據(jù)處理。然后，他們開發(fā)了一個儀表盤，將數(shù)據(jù)可視化給操作員。有了數(shù)據(jù)管理，該項目團隊呈現(xiàn)出了一個陡峭的學習曲線。

主要任務是將新技術引入生產(chǎn)系統(tǒng)；今天，來自激光傳感器的數(shù)據(jù)被集成在一起。通過這種方式，缺陷數(shù)據(jù)被分配給一輛特定的汽車。如果檢測到缺陷，操作員會從AI系統(tǒng)中得到一個提示，然后可以檢查儀表盤或工件上的相關圖像。這使得企業(yè)能夠快速決定下一步該如何處理這輛特定的汽車——維修或研磨，或者將其留在生產(chǎn)線中執(zhí)行下一步計劃。

除了缺陷的自動檢測，該團隊還收獲了另一個直接好處。在第一個階段成功之后，客戶希望檢測更小的特征；缺陷尺寸從0.5mm到0.2mm，這樣微小的缺陷肉眼幾乎看不到。顯然，如此小的缺陷在生產(chǎn)過程中很難被人發(fā)現(xiàn)。在這一點上，機器視覺比人眼具有更好的分辨率，并提供了更高的可靠性。

通過機器視覺實現(xiàn)的早期警告，節(jié)省了生產(chǎn)中的時間和金錢：如果故障是由于過程中的偏差造成的，則可以糾正設置，以免浪費更多材料。

生產(chǎn)中的AI

在這家現(xiàn)代化的工廠里，每天有600輛汽車從生產(chǎn)線上下線。在生產(chǎn)過程中，一臺機器人將車頂放置在車身上，然后另一臺機器人沿著焊縫移動ALO4激光釬焊頭，以將車頂和車身焊接在一起。由于ALO4的光學設計及其通過進給的釬焊焊絲“感知”過程的能力，激光束和焊絲總能處于焊縫中的正確位置，從而實現(xiàn)了具有光滑表面的高質(zhì)量釬焊焊縫。

通過觀察激光單元內(nèi)的監(jiān)控相機，操作員只能看到監(jiān)視器上的閃光；但是可以在激光釬焊過程結(jié)束后，將相機的視野切換到可以看到焊縫的地方。AI跟蹤所有這些微小的細節(jié)，并識別每一個偏差。通過自動故障檢測，可以實時將任何點或模糊分類為孔隙、孔洞或良好的焊縫。當零件焊接完成后，激光單元移開，車身移動到下一個工位（見圖3）。

圖3：激光釬焊過程完全自動化；激光單元內(nèi)裝有監(jiān)控相機，操作員可以在監(jiān)視器上跟蹤釬焊過程。同時，激光光學系統(tǒng)內(nèi)的相機會跟蹤焊縫，所有數(shù)據(jù)都會關聯(lián)到這輛特定的汽車上。

為了進行長期質(zhì)量控制，所有具有缺陷的SCeye視頻都與每輛車的數(shù)據(jù)、材料和工具設置一起存儲。這樣，可以跟蹤流程和當前問題，甚至與幾周前出現(xiàn)類似問題的汽車相比較。對于用戶來說，新技術也非常適合他們實現(xiàn)完全數(shù)字化的工作流程。所有數(shù)據(jù)都是可追蹤的，并且可以優(yōu)化流程。它還有助于理解后續(xù)過程中的問題，如研磨。

SCeye系統(tǒng)的另一個好處是過程穩(wěn)定：過程數(shù)字化的不斷發(fā)展縮短了設置時間。團隊需要較少的破壞性測試，并且能夠更好地了解整個過程。建立這一過程花了大約18個月的時間；考慮到學習曲線，預計未來這一階段所需的時間會減少。同時，安裝了使用相同數(shù)據(jù)進行訓練的四套系統(tǒng)。

這些系統(tǒng)的工作原理相似，但每個操作員都會對過程進行一些微調(diào)，這可能會影響對缺陷的感知。單個設置，如照明、角度或激光設置，通常因地制宜，因此圖像中存在微小差異。盡管如此，也并不需要太多的適應工作，而且每次遷移都比以前更快。

激光過程控制中的AI細節(jié)

從本質(zhì)上講，新的過程控制系統(tǒng)遵循人類的經(jīng)驗。就像人類從好零件和壞零件的樣本中學習一樣，開發(fā)人員將現(xiàn)有缺陷的數(shù)據(jù)及其分類輸入到神經(jīng)網(wǎng)絡中。這種神經(jīng)網(wǎng)絡的訓練被稱為機器學習。對于過程控制，神經(jīng)網(wǎng)絡從焊接或釬焊焊縫中獲取圖像，并找出圖像中的圖案是否包含飛濺物或孔隙。這種對輸入圖像的分析過程稱為推理。如果發(fā)現(xiàn)了某種類型的飛濺物或孔隙，神經(jīng)網(wǎng)絡會為操作員做好標記。

這樣的卷積神經(jīng)網(wǎng)絡（CNN）是如何工作的？在一幅簡化圖中，CNN由幾個層組成，其中輸入數(shù)據(jù)（這里指的是從焊接或釬焊過程中捕獲的圖像）與某些數(shù)字（權重）相乘。數(shù)據(jù)發(fā)送給幾個這樣的層，并將結(jié)果與訓練數(shù)據(jù)的分類進行比較（見圖4）。如果結(jié)果與分類匹配，則權重是好的；如果不匹配，權重會發(fā)生變化，直到結(jié)果與給定的分類匹配。通過這種方式，機器學會將缺陷與特定圖案（與某種故障類別相匹配，如孔隙或飛濺）聯(lián)系起來。

圖4：神經(jīng)網(wǎng)絡的學習數(shù)據(jù)包括孔隙（頂部）、飛濺物（中心）和良好的焊縫（底部）。

經(jīng)過這樣的學習過程，CNN可以獲得前所未有的數(shù)據(jù)。在一定的概率下，它將提供正確的分類；同樣，可以優(yōu)化權重。這是一個驗證階段，開發(fā)人員在該階段檢查經(jīng)過訓練的參數(shù)在驗證數(shù)據(jù)上的工作情況。當驗證錯誤最小化時，訓練結(jié)束。

下一步，可以用全新的數(shù)據(jù)對CNN的性能進行測試，即所謂的測試階段。圖5顯示了一組檢測到的缺陷。需要注意的是，CNN已經(jīng)針對“氣孔”和“飛濺物”這兩類缺陷進行了訓練。它也可以被訓練識別任何其他類別的缺陷。在未來的版本中，Scansonic可能會考慮對每類缺陷使用單獨的神經(jīng)網(wǎng)絡，這有望進一步提高檢測率。目前，“氣孔”和“飛濺物”這兩類缺陷類別是由一個CNN實時識別的。

圖5：AI向操作員提供的檢測到的缺陷示例（左：氣孔，右：飛濺）。

學習過程的更多細節(jié)

對于高概率的正確缺陷識別，訓練過程非常關鍵的�？蛻魹橄到y(tǒng)的第一次訓練提供了大約5500張良好焊縫的圖像和2000張氣孔的圖像。Scansonic可以在其激光實驗室證明，只需要幾張新圖像就可以將良好的模型遷移到其他過程。只需要幾百張圖像，釬焊過程中缺陷的識別率就可以達到95%以上，而且不同車型生產(chǎn)過程中的釬焊過程是略有不同的。具體的不同之處在于使用的材料和使用的工藝參數(shù)。然而，即使在將AI識別方法遷移到其他激光加工過程（如鋁的激光焊接）時，也僅需要使用少量圖像進行重新訓練，現(xiàn)有的CNN就可以針對新過程獲得非常好的缺陷識別效果。

減少為新的檢測任務訓練系統(tǒng)所需的訓練數(shù)據(jù)量，是該方法未來改進的一大主題。

未來展望

對于這個客戶，Scansonic的專家首先在一條生產(chǎn)線上使用了神經(jīng)網(wǎng)絡，然后又將神經(jīng)網(wǎng)絡部署到了第二條生產(chǎn)線上。將神經(jīng)網(wǎng)絡從一臺機器遷移到另一臺機器時，存在一個學習曲線。

事實上，Scansonic有五個以上不同的客戶在測試AI系統(tǒng)（見圖6）。如今，每一個應用程序都經(jīng)過了自己的訓練。未來使AI更加強大的一種方法，可能是將不同應用程序的訓練數(shù)據(jù)結(jié)合起來。由于每個應用程序?qū)⑻峁┎煌�的訓練�?shù)據(jù)作為輸入并添加新的問題案例，AI將使用不同的應用程序進行訓練，以生成在所有應用程序上表現(xiàn)最好的高度復雜的模型。在這種未來的方法中，每個愿意提交訓練數(shù)據(jù)的客戶，都將受益于經(jīng)過最佳訓練的AI系統(tǒng)。從長遠來看，可以生成一個不再需要訓練的數(shù)據(jù)庫。當然，數(shù)據(jù)隱私應該受到嚴格保護；如果客戶需要，所有數(shù)據(jù)都可以保存在實際生產(chǎn)現(xiàn)場。

圖6：新的焊縫跟蹤和識別技術，非常適合制造商建立數(shù)字化工作流程（工業(yè)4.0）。

另一個改進將是擴大AI方法；到目前為止，只是使用了圖像。未來，可以添加來自其他傳感器的數(shù)據(jù)，例如各種過程參數(shù)。這也將有助于更好地了解缺陷的起源。操作員將更容易獲得流程優(yōu)化，這為另一個戰(zhàn)略目標打開了大門：一旦流程數(shù)據(jù)和缺陷發(fā)生的情況更加完整，另一個AI可以向操作員建議完美的流程設置，或者簡單地控制整個流程。