一汽大众佛山：总装车间低成本数智化转型的技术内化之路

一、企业简介

       一汽-大众汽车有限公司佛山分公司（以下简称“一汽大众佛山”）在2019年成为一汽-大众首个电动车工厂，并将在2016年成为一汽-大众首个CEA架构车型落地的工厂，目前生产的车型有ID系列及Q4-etron。佛山分公司立足分公司经营，整合地域优势，构建数智化转型54321行动纲要，支撑分公司“打造全过程数智化的高质量新能源样板基地”战略目标。
二、企业在智能制造方面的现状

       ①全过程信息化建设情况

       设备控制层面：拥有高安全、高可信的嵌入式实时工业操作系统比如Simatic Step7、Intouch、WinCC等，智能测控装置及核心智能制造装备嵌入式组态软件（如Win PISA、VMT视觉系统、ISRA视觉系统）

       采集监控层面：制造执行系统（E-MES、Legato、BDE、Ecoemos）、工艺管理系统（AP系统）。

       MES层面：以Fis生产系统、Fis-eqs、Fis-Optimo定制开发的冲压设备状态监控和预测性维修，焊装MISP节拍可视化系统、焊接质量监控大数据和可视化系统，涂装车间的能源系统及云涂驾驶舱，总装的质量大数据系统及拧紧大数据平台，另外还有数据挖掘分析平台（中心库房系统、DWMS）、基于大数据的物流管理系统（卡车调度系统）。

       ERP层面：设计、工艺仿真软件。计算机辅助类软件、基于数据驱动的三维设计与建模软件（如CATIA）、数值分析与可视化仿真软件(如Ansys、VRED、RTT)、模块化设计工具以及专用知识、模型、零件、工艺和标准数据库等。比如在冲焊涂总电五大专业实现产品开发和工艺产线的三维设计与仿真建模，在焊装专业在设备安装调试阶段采用虚拟调试。

       业务管理软件：企业资源管理软件（SAP、EBM、固定资产验收系统、PMM系统等）、供应链管理软件（SCM）、产品全生命周期管理软件（PLM）、商业智能软件（物流BI系统）等。另外还有Excel服务器低代码编程系统，工程师根据业务需要实现定制化，快速迭代，实现敏捷开发，目前诗经实现了维修过程数字化、备件全生命周期管理等11套业务管理模块。

       数据管理软件：定制开发的冲压设备状态监控和预测性维修，焊装MISP节拍可视化系统、焊接质量监控大数据和可视化系统，能源系统，总装的质量大数据系统及拧紧大数据平台，中心库房系统、DWMS、基于大数据的物流管理系统（卡车调度系统）。

       ②智能制造、黑灯工厂建设：全面建设黑灯工厂，工厂内已经实现大面积黑灯。工业机器人数量达2855台，人机协助机器人逐步采用，并仍在持续增加中。

       冲压：1.舒勒工业机器人27台，多达八个可控制轴，采用伺服驱动，能走停运动也能连续运动，高效灵活，刚性高，模块化设计，是目前最佳的连线系统，在保证上下序零件精确定位及冲压件尺寸精度的同时，实现高速自动化，提高生产效率。2.KUKA机器人18台将板料由料垛小车拾取并放置在节拍皮带机上，对中矫正及线尾零件放到出料皮带上，全过程、全自动机器人拆垛及抓取。

       焊装：焊接机器人、搬运机器人、涂胶机器人、自动打磨机器人、自动测量机器人等几十种应用场景，总计2341台库卡机器人，实现全过程自动化率90%。

       涂装：机器人290台，从底板粗密封、车身细密封、座舱细密封、四门两盖细密封、到车身内表吹净、外表面清擦、预喷涂、内外表喷涂、膜厚检测全过程、全自动机器人喷涂。

       总装：59台机器人分别用于实现天窗、风挡、DVD板自动涂胶、天窗自动安装、底盘号自动打刻、车门密封条自动粘接、各类螺钉的自动拧紧。

       电池车间：120台机器人，分别用于装配、涂胶、焊接、铆接、拧紧等关键工序上，是目前最先进的电池车间。

       ③ 数据采集和应用情况

       通过制造执行系统（E-MES、Legato、BDE、Ecoemos）实现设备采集100%联网，基于数据采集定制开发的冲压设备状态监控和预测性维修，焊装MISP节拍可视化系统、焊接质量监控大数据和可视化系统，涂装车间的能源系统及云涂驾驶舱，总装的质量大数据系统及拧紧大数据平台，另外还有数据挖掘分析平台（中心库房系统、DWMS）、基于大数据的物流管理系统（卡车调度系统）。实现制造装备的自感知、自学习、自适应、自控制的嵌入计算机视听觉（比如机器人搭载VMT的3D、BK、DK视觉深度学习系统进行自校正、Smartray焊缝自检测学习系统、颜色自动编组系统、拧紧深度学习系统）、生物特征识别（人脸识别系统）、智能决策控制（冲压的预测性维修洗系统）等人工智能软件。

三、参评智能制造项目详细情况介绍

1. 项目背景介绍

       国务院及工信部在《“十四五”数字经济发展规划》、《“十四五”智能制造发展规划》等多项重磅政策中，均明确要求加快企业数字化、智能化转型，并将其提升至国家战略高度。在此背景下，制造业数智化已成为国家战略与市场生存的必然要求，转型迫在眉睫然而，传统依赖外部厂商的转型模式正将众多企业，尤其是中小企业，拖入一个难以挣脱的恶性循环。主要有以下几个痛点：

       （1）技术黑箱，主权缺失。具体地，核心系统外包，代码加密，企业丧失技术掌控权。例如：某零部件厂80万外包系统，故障响应慢（停产损失达12万/天），简单逻辑修改收费3万。据《中国智能制造发展报告》：73%中小制造企业因外包系统维护成本过高而放弃功能迭代，50%企业因厂商协议被迫绑定特定硬件。

       （2）成本失控，投入无底。高昂的硬件采购、厂商实施、软件许可与年度维护费，使转型投入ROI极低，企业不堪重负。

       （3）敏捷性丧失,响应迟缓。外包开发流程冗长，系统迭代速度远跟不上市场变化与产线需求变化，错失发展机遇。

       （4）数据孤岛，价值沉睡。90%的工业数据因系统封闭、标准不一而无法流动与融合，其潜在业务价值被白白浪费。

       （5）人才断层，融合困难。“懂OT的不懂IT，懂IT的不懂产线”，复合型人才极度匮乏，自主转型能力无从谈起。

       技术主权缺失是核心根源，外部依赖导致无法沉淀自身的技术与数据能力，转型成本高、效果差，最终陷入不可持续的困境。我们觉得可行破局关键点：用开源技术与自主培养，以微项目驱动替代理论培训，撬动数字化转型。

       我们的改进思路是数智化转型由依赖外包转向“技术内化”，打造自主核心能力。具体地。是摒弃旧模式，通过“技术内化”，结合工业工程中的系统优化、消除浪费、持续改善的精益核心思想、实现低成本、高敏捷、可持续的数智化转型。我们的目标不是简单地应用开源技术，而是用技术作为“放大器”和“赋能器”，让工业工程技术在数字时代得以更高效、更精准、更深入地践行。通过3个革新开展：

       （1）方法论革新：采用开源技术体系替代封闭商业软件，打破技术壁垒与绑定。

       （2）人才培育革新：以微项目实战驱动替代传统理论培训，在干中学，快速培养既懂产线（OT）又懂数据（IT）的复合型团队。

       （3）路径革新：通过自主实施小型敏捷的数智化项目，积累技术能力，打通数据孤岛，将数据危机转化为实实在在的生产力革命。

       基于图2所示的开源技术，从“零”开始，培养组建由设备工程师+设备技工兼职的数智化转型开发团队，按“十步走”的路径实施项目。
2. 项目实施与应用情况详细介绍

       如图3所示，本项目根据开源技术从难到易的程度，分为“十步走”的路径（三个大阶段、10个小阶段）来完成技术内化及现场应用，每一个阶段都是在前一阶段基础上进行的改善和升华。
       2.1起点-阶段1：基于Python+Snap7+树莓派，实现分布式PLC设备数据集中化数采，打破数据孤岛

       这一阶段的典型案例是设备PLC数据采集自主突破。如图4所示，本案例成功实现了对分布式PLC设备数据的自主、集中化采集，旨在打破信息孤岛，为设备数据的深度利用和智能化管理奠定基础。该方案具有低成本、开源、免费、自主、可控的显著特点。
       方案采用分层架构，核心是基于Python+Snap7+树莓派的技术组合。

       一、采集层。硬件平台：使用树莓派作为分布式数据采集端，部署在设备现场，极大地降低了硬件成本。通信协议：基于Snap7协议进行开发。Snap7是一个开源、跨平台的西门子S7系列PLC通信库，确保了与PLC稳定高效的通信。开发语言利用Python语言进行自主数据采集程序开发，代码灵活、易于维护和更新。

       二、数据流与集成层。树莓派上的Python程序通过Snap7协议从各个PLC设备中采集实时数据。在此过程中，我们应用了IE中的数据采集与分析方法，确保采集的数据完整性和准确性。采集到的数据通过物联网模块进行传输。数据最终持久化存储到MySQL数据库中。

       三、应用层。处理后的数据可支撑多个Web服务器上的上层应用，如数据可视化大屏、监控系统等。在应用层的设计中，我们引入了IE中的人因工程和目视化管理理念，确保用户界面友好且直观，帮助操作人员快速掌握关键信息，提升决策效率。

       该方案成功实现了以下关键数据的监控与分析。1.设备关键数据监控能及时、准确地获取设备最新运行状态并记录分析，为设备的预测性维护与保养提供数据驱动的决策支持。2.吊具电机温度监控：在线测量车身吊具电机温度并写入PLC，再通过本方案实时获取数据，并在网页端进行可视化，。此过程结合了IE中的 故障模式与影响分析（FMEA） 方法，有效预防设备过热故障，降低停机风险。3.设备节拍数据监控：实时展示如“前束检测”等工艺环节的生产节拍、车数及合格率，并通过现场PIB大屏幕进行目视化管理。我们运用了IE中的 时间研究 和 动作分析 方法，优化了生产节拍，提升了整体生产效率。

       通过创新的低成本技术路径和IE理念的深度融合，本方案成功攻克了分布式PLC数据采集的难题，打破了数据孤岛，实现了数据集中化管理，带来了显著的量化效益提升。1.设备可动率提升：从方案实施前的97.3%提升至98.6%，设备可用性显著增强。2.日常巡线点检时间大幅减少：从每月2283小时减少至每月839小时，极大地解放了人力。3.提前规避停台时间，通过数据预警，每年可提前规避的停台时间从2214分钟优化至2579分钟，提升了生产连续性。

       2.2起点-阶段2：Snap7+Selenium爬虫+SQL，实现多类设备数采及状态监控初级阶段

       上一阶段实现的是PLC类设备的数采，这一阶段的典型案例是多类设备数据自主采集赋能业务。本项目旨在通过自主开发的数据采集技术，实现对多种工业设备（如PLC、机器人、HMI屏等）数据的全自动、实时、准确采集，并以此为基础构建数据驱动的新型维修模式和业务监控流程。通过引入IE理念中的系统化思维和流程优化方法，我们重新设计了设备数据采集、分析和应用的全生命周期管理流程，确保数据能够高效服务于业务需求。

       如图5所示核心技术方案与架构：项目采用分层解耦的技术架构，核心是Snap7协议、Selenium爬虫、SQL数据库与Python技术栈的结合。总体架构如下：

       1.采集层：覆盖传感器、PLC、机器人、HMI屏等多种设备端。通过Snap7协议（用于PLC）、爬虫技术（用于抓取HMI屏数据、网页等）和FTP文件流等多种方式适配不同设备。

       2.边缘层：使用树莓派作为低成本、分布式的数据采集网关。

       3.数据层：采集的数据统一存入MySQL数据库，形成“设备数据湖”。

       4.应用层：基于数据开发Web服务，实现数据可视化、反向驱动业务，并通过网页客服端、邮件、手机钉钉进行多端预警推送。
       如图6所示，我们还进行了标准化低代码软件设计开发（关键创新）。

       技术基础：基于Python的PTQT库（或类似GUI库）开发了标准化的设备数采软件。

       核心特点：软件采用100%面向对象设计，实现了高度的标准化和模块化。

       显著效益：使得零编程基础的设备人员经过简单培训即可“无障碍”地自行配置和接入新设备，极大降低了技术门槛和推广成本。配置流程包括：程序启动→读取配置→选择采集类型→设置PLC/设备参数→配置数据库连接。
       本项目推动了维修模式从事后维修向基于状态的维修的演进，并建立了数字化监控业务流程。基于状态的维修：监控关键参数（如电流、温度）的变化趋势，基于规则逻辑触发维修。数字化监控业务流程分为2类。

       A.运行状态监控（与设备故障相关）：

       数据采集：按周期采集设备运行状态（电流、扭矩、温度、压力、振动等）。对于输送类设备，周期T≥10min；对于单机类设备，每过一台车采集一次。采集时使用50ms高频采样，并提取周期内的最大值。

       预警判断：单点状态参数值超阈值。单个状态参数连续n个点（n≥5）呈上升趋势。

       数据绑定：设备运行状态与车辆号绑定后存入数据库，实现全生命周期追溯。

       B.工艺参数监控（与整车质量相关）：

       数据流：设备工艺参数与车辆号绑定后存入数据库。

       质量分析：自动进行稳定性计算（CPK、CMK、SPC控制图等）。

       自动比对：与线上电子会签的标准参数进行自动、实时比对（频率从“每周”提升至“每车”）。

       结果处置：不合格结果立即触发预警（WEB端、钉钉端），并进入任务池进行闭环处理。

       项目成功接入了17类设备，建立了1207个数据采集点、系统累计发出1000+条预警推送消息。同时，建立了四级可视化监控体系：一级车间设备总览→二级生产线概览→三级数据采集对象列表→四级单一设备详细参数界面，并配备丰富的预警推送和监控图表（如车门密封条偏差监控等）。项目通过低成本、自主可控、标准化的技术路径，不仅成功突破了设备数据采集的瓶颈，更关键的是将数据与核心业务流程（维修、质量监控）深度结合，实现了从“人盯防”到“数据驱动”的运营模式变革。

       量化效益如下。可靠性大幅提升成功实现2024全年“零”30分钟以上设备停台的重大目标。

       效率显著优化：每年减少巡线工时达4018小时，将人力从重复性巡检中解放出来，投入到更高价值的工作。质量管控强化：实现了设备参数的线上电子会签；参数核对频率从“每周”变为“每车”，实现了100%实时自动比对;参数稳定性监控从“人工”变为“自动化、高频”;参数类质量问题从每年5次降为0次，产品质量得到根本性保障。

       3.3起点-阶段3：设备PLCs数采+订单数据库数据同步+WEB技术=生产实时车流看板

       本项目旨在构建一个总装生产实时车身流监控系统。通过集成设备层数据与信息系统数据，将无形的生产流程转化为可视化的实时数据看板，为生产管理、问题排查和流程优化提供强大的数据支撑。该仪表板服务于多个角色，解决了生产现场信息不透明、车辆位置难追踪的核心痛点。解决的核心问题包括员工无法快速获知特定车辆在庞大车间中的实时位置，及管理层缺乏对整体车流、缓存情况的直观感知，难以进行有效的问题分析和决策。
       如图7所示。方案采用三层架构，实现从数据采集到可视化展示的全流程覆盖。其核心分为：

       1.数据采集层。设备数据：通过线头线末RFID传感器结合线速度及工位长度在PLC中形成车序号堆栈，追踪车辆位置，并从车间各区域的PLC设备中实时采集车辆的最终位置信号。车辆信息数据：采用Sqlsever同步订单数据库中的数据，获取生产工单、车辆型号等信息。

       2.数据整合与处理层：将来自PLC的物理位置数据与数据库中的工单信息进行关联与融合，形成完整的车辆流水数据。

       3.应用展示层：利用WEB技术开发可视化看板，将处理后的实时数据以图表形式呈现。

       该系统实现了对总装生产车身流全流程的透明化管理，具体效果体现在：

       1.车间车辆位置可视化：实时显示每一辆车在总装车间的具体工位、缓存区位置，以及整个生产线的车流密度。效果：为问题分析、特定车辆跟踪、生产线产量平衡提供了最直观的参考依据。

       2.奠定数据应用基础：实时、准确的车流数据是后续为后续多个阶段的应用开发（阶段4/5/6）的核心数据基础，具有极高的扩展价值。


       3.4探索-阶段4：基于实时车流数据及树莓派的低成本灯光拣选防错装装置

       本阶段旨在开发并实施一种基于树莓派和阶段3的生产实时车流数据的低成本灯光拣选防错装IOT装置。该方案通过技术创新，以仅为成熟商业方案约15%的极低成本，有效解决了总装车间的零件错装问题，实现了精益生产中的关键质量防错。

       如图8所示，项目方案采用分层架构，充分利用了前期构建的“实时车身流”数据，核心是“实时数据+树莓派+IOT控制”的技术组合。点亮的具体灯光由预设参数决定，精准指示操作者应拿取的零件。

       1.数据层。系统根基在于生产实时车流数据。当车身到达指定工位后，树莓派通过无线网络通讯实时获取该车辆的车身号。

       2.控制层。硬件核心：树莓派作为低成本、高性能的控制器。数据处理：树莓派根据车身号，从后台系统（如WEB服务）检索该车辆的完整配置信息（PR号），并判断出在该工位需要安装的零件。

       3.执行层：树莓派的GPIO接口通过IO扩展板，控制安装于零件料架上的LED指示灯亮。工作流程如下：1.车辆到位车身到达指定工位。2.数据获取树莓派自动获取车身号。3.配置检索：系统根据车身号查询车辆配置（PR号）。4.逻辑判断：系统匹配出该工位需安装的零件。5.灯光指引：系统控制对应的LED灯点亮，明确提示操作者。6.操作执行：操作者根据灯光指引拿取并安装正确零件。

       该案例具有极致的成本优势，是“小装置解决大问题”的典范。1.硬件成本极低：核心硬件采用树莓派等通用件，总成本仅为商业方案的约15%。2.软件零成本：基于开源技术自主开发，无需支付昂贵的商业软件许可费用。它成功地将实时数据应用与低成本的IOT硬件相结合，创造性地打造出一套高效、可靠的防错系统。该方案不仅成本低廉、自主可控，而且实施灵活、效果立竿见影。
       3.5 探索-阶段5：ESP32+WEB+PCB实现进口充电口电阻检测枪低成本替代及工艺提升

       本阶段的项目成功实现了对进口充电口电阻检测枪的完全自主研产与功能升级。通过采用 ESP32 + WEB + PCB的创新型技术方案，不仅以极低的成本（不足140元）替代了单价高达3万元的进口工具，更在功能上实现了从简单的指示灯判断到实时数据采集、上传、监控与回溯的质的飞跃，显著提升了工艺执行的可监控性与质量追溯能力。

       原工位在使用进口检测工具时，存在以下显著痛点：1.功能单一，无法量化检测结果仅依靠“红绿指示灯”进行人工判断，无具体测量数值显示，无法进行精确的量化分析。2.无数据记录，难以追溯检测过程没有任何数据记录，一旦出现问题，无法进行有效的数据追溯和责任界定。

       3.工艺执行难监控由于缺乏客观数据，管理者难以有效监控操作人员是否规范执行了检测工艺。4.采购成本极高：进口工具单价昂贵，约3万元/把，采购周期长，后期维护成本高。

       如图9所示，本项目构建了一套完整的解决方案，其核心逻辑为：ESP32（控制与通讯）+自研PCB（检测电路）+WEB（数据展示）。首先，自主设计并制作了专用的电阻检测PCB电路板，替代了原有的进口电路板，精准实现了对充电口接地电阻和CAN总线终端电阻的测量。然后采用ESP32微控制器作为核心。它具备强大的处理能力和内置Wi-Fi功能，负责控制检测流程、计算电阻值并通过无线网络发送数据。
       工作原理如下：1.检测触发：操作人员将检测枪连接到车辆充电口。2.数据采集：ESP32控制自研PCB板进行电阻测量，并获得精确的电阻数值。3.数据传输：ESP32通过Wi-Fi将电阻值数据实时发送到本地服务器。3.数据存储与关联：服务器接收数据后，将其与对应的生产实时车流数据进行绑定，并存入数据库。通过WEB端应用程序，管理人员可以实时监控检测结果，并随时查询历史数据用于追溯与分析。项目成果与效益如下：

       1. 成本效益显著。采购成本急剧降低单套工具的自研成本控制在140元人民币以内，仅为进口工具成本的0.47%，成本降幅超过99%。维护自主可控实现了核心检测技术的完全自主，摆脱了对进口供应商的依赖，维护和升级灵活便捷。

       2. 工艺与管理水平全面提升。检测结果量化与可视化：从“定性”的指示灯判断升级为“定量”的数值测量，结果更精确、更客观。

       3.实现全流程数据追溯:每一次检测的电阻值、时间、对应车辆等信息均被完整记录，可实现精准的质量追溯。

       4.强化工艺执行监控：基于客观数据，可有效监督和确保检测工艺被100%执行，提升了质量管理水平。 

       本案例不仅是一个成功的“进口替代”项目，更是一次深刻的“工艺升级”。它通过低成本的通用技术（ESP32）和自主设计，在实现惊人降本的同时，将质量控制点从依赖人的主观判断，转变为依靠客观数据的自动化监控，是智能制造理念在基层工艺点的成功实践。

       3.6 探索-阶段6：Jeston NRIN NX+YOLOv8+民用摄像头+WEB打造总装多维度低成本视觉赋能场景

       本阶段成功构建了一套覆盖汽车总装车间的多维度、低成本机器视觉检测平台。该平台以 Jetson ORIN NX 作为边缘计算核心，结合普通民用摄像头与YOLOv8等开源深度学习模型，打造了从技术底座、应用场景到开发部署的完整体系。项目成果广泛应用于零件错漏装、过程质量监控、设备点检、安防及工艺行为规范等多个关键领域，实现了质量控制的自动化、智能化，并以极低的成本（约为商业方案的十分之一）实现了显著的业务效益。

       如图10所示，采用分层解耦的标准化技术架构，核心可概括为：民用摄像头 + YOLOv8深度学习模型 + Jetson ORIN边缘服务器 + WEB应用：
       1.硬件感知层。视觉采集：广泛使用普通网络摄像头，替代昂贵的工业相机，极大降低了硬件成本。计算核心：采用NVIDIA Jetson ORIN NX作为中央边缘计算服务器，具备强大的AI推理能力。采用分布式部署方案，全车间多个检测点仅需1台中央服务器，实现高效的“一机多检”。

       2. 算法与模型层。核心算法：基于YOLOv8开源深度学习模型进行目标检测和识别，兼顾高精度与高速度。工程化部署：模型通过ONNX Runtime、TensorRT、OpenVINO等工具进行优化和转换，提升在不同硬件上的推理效率和稳健性。

       3. 数据流与集成层。系统触发：系统与生产线紧密集成。当车身到达工位时，通过RFID获取车辆信息，并从FIS数据库中调取该车辆的配置清单。如图11所示业务流程：车辆到位 → 触发分布式摄像头拍照 → 图片上传至Jetson服务器进行AI识别 → 将识别结果（如零件有无）与车辆配置单进行自动比对 → 输出判定结果（OK/NOK）并存入数据库。

       4. 低代码开发平台。为降低应用实施门槛，项目打造了“一站式视觉开发全流程整合平台”。特点：基于PyQt开发，实现从图像采集、标注、模型训练到推理部署的低代码/零代码化操作。用户通过拖拽和下拉选择即可完成项目配置，内置多种算法，极大降低了视觉应用的开发难度和周期。
       该方案已部署10个视觉检测站点，识别对象包括图片与视频，覆盖 98类零件的识别与检测、设备包胶轮脱胶检测、人员安全帽佩戴检测、外饰板安装滚压标准化操作识别等。 成功效益如下：  

       成本极低：硬件主要采用民用摄像头，自研算法，整体成本约为商业方案的十分之一，投资回报率极高。

       质量提升：有效杜绝了人为疏忽导致的质量问题，如零件错装、工艺遗漏等。

       效率优化：实现了设备点检的自动化，每年节省大量人工巡检工时。安全强化:通过实时安防监控，显著提升了生产现场的安全管理水平。

       以上案例均基于固定式摄像头，团队还基于车间现有海康AGV移动平台，集成可见光、测温摄像头及多种IoT传感器，结合本阶段方案，探索在汽车总装车间内7x24小时不间断的自动化、多功能巡检的可行性，目标是解决了固定式监控的盲区问题，同时兼顾了生产过程质量检测、设备安全监控、能源管理与安防防盗等多重目标。

       在项目改进前，车间管理存在以下主要痛点，尤其在夜间及停产期间问题尤为突出：

       1.安全监控存在盲区与滞后：作为新能源汽车核心部件的电池包以及车间 充电器，属于高危险性能量载体。原有监控仅在入口处有固定测温摄像头，生产区域内部大量电池包在夜间处于无人监控状态，存在巨大的火灾安全隐患。

       2.能源浪费无法监控：夜间及停产期间，照明长明、压缩空气泄漏等“跑冒滴漏”现象无法被及时发现，造成能源浪费。

       3.资产防盗存在隐患：夜间对高价值的A类零件缺乏有效的防盗监控手段。

       该方案构建了一个移动的、多传感器融合的智能巡检平台，其技术核心可概括为：基于二维码定位的移动AGV + 多模态感知（YOLOv8/测温/IoT） + 无线网络集成 + 云端协同。

       1.多传感器集成与功能分配。

       白天模式（侧重质量）：4个普通民用摄像头：搭载YOLOv8模型，在AGV巡检至BA4工段时，自动对底盘零件进行错漏装识别，实现数字化的QRK（质量门槛）检查。

       夜间及停产期模式（侧重安全、能源、安防）：测温摄像头 对生产线上的电池包及BA7工段的充电器进行温度检测，及时发现过热异常。光度感应器检测区域光照强度，判断照明是否在无人时应及时关闭。声控感应器： 监听环境声音，识别压缩空气管道泄漏的特定噪音。人体感应器： 在夜间无人时段，检测是否有人员非法闯入，对A类零件进行防盗监控。
       2.系统打通与数据流。

       网络集成： 将负责设备控制的安东网、负责AGV调度的物流网与办公网进行无线集成，确保数据流畅传输。数据处理： 各类传感器数据通过AGV上传至中控服务器，利用深度学习模型进行推理分析，结果存入数据库。

       3.自动化巡检规划。

       AGV按照预设路径在地面贴定位二维码，在BA3综合工段至BA7下线工段间的5条生产线上进行定时、定路的自动化往复巡检，覆盖关键区域。

       4.报警交互机制。 

       一旦发现任何异常（质量、温度、能源、安防），系统立即通过办公网与钉钉的集成，将报警信息实时推送到相关负责人的手机端，并可同时在网页端展示，实现快速响应。

       本阶段案例成功打造了一个标准化、模块化、低成本的工业视觉赋能平台。它突破了传统机器视觉方案成本高、场景固化的限制，通过创新的技术整合和低代码工具，将视觉能力像“水电煤”一样便捷地赋能到总装生产的各个环节，实现了质量检测、设备维护和安全管理模式的数字化升级。

       3.7 深化-阶段7：ROS+Slam+多类iot传感探索狭窄空间区域自主导航多模态巡检

       本阶段旨在探索并开发一款适用于工业狭窄空间的智能巡检机器人。该机器人基于ROS（机器人操作系统）架构，集成SLAM（同步定位与地图构建）激光雷达与多类IoT传感器，以实现在地坑、狭窄通道等人工难以进入或检查成本高的区域进行自主导航与多模态智能巡检。阶段6巡检agv的自主运行路线是基于固定的二维，本阶段是基于SLAM技术。

       如图13所示，方案核心是：ROS架构 + SLAM导航 + 多模态感知。

       1. 移动平台：采用四轮差速驱动 + 麦克纳姆轮的设计，赋予机器人强大的机动性，能够在狭窄空间内实现灵活移动和精准定位。

       2. 智能导航与感知系统。核心架构 采用ROS作为软件框架，实现各模块间的松耦合通信，便于功能扩展和集成。自主导航：搭载SLAM激光雷达，使机器人能够在未知的狭窄环境中实时构建地图并实现自主定位与导航，同时具备避障功能。

       3. 多模态检测功能。听觉分析 - 噪音识别：通过噪音传感器采集设备运行声音，智能分析并识别轴承、轮子等旋转部件的异常噪音，实现预测性维护。视觉分析 - AI图像识别：搭载摄像头，并运用YOLO图像AI算法对设备状态进行视觉检测。同时，可将实时图像或视频回传至控制室，供人工进行二次确认，实现“机器为主，人工为辅”的协同判断。

       4. 成本优势：整套机器人解决方案的硬件成本控制在1万元人民币以内，具备了极高的性价比和推广价值。
       项目已取得实质性进展，完成了原型机的初步验证：机器人已在BA6出口段的地坑中完成调试，成功实现了自主导航及避障功能，及噪音传感器，实时视频话题的构建，证明了方案在真实场景下的可行性。

       3.8 深化-阶段8：基于大数据+机器学习辅助质量分析，代替专业人员

       本阶段实施的案例为拧紧曲线异常类型自动判别。总装车间拧紧质量分析长期依赖专业人员经验，效率瓶颈突出。原流程中"缺陷感知"（判断是否存在异常）耗时占比达60%，"问题分析"（定位异常原因）占比30%，而真正产生价值的"措施执行"仅占10%。为提升分析效率与合格率，需通过技术手段压缩前段耗时，实现质量分析的智能化转型。

       依托阶段二已建立的分布式拧紧PC数据采集体系，团队打通拧紧曲线数据库接入通道，积累覆盖多场景的高质量拧紧曲线数据。并如图3-13进行机器学习模型闭环建设：

       1.异常检测：采用边缘检测算法分场景构建拧紧曲线正常分布区域模型，实现异常数据自动筛查。

       2.模式聚类：通过无监督学习对历史异常数据聚类，识别出30类典型异常拧紧曲线模式。3.智能诊断：应用误差反向传播算法训练神经网络模型，对异常曲线进行特征提取与类型判定（准确率≥99%）。

       4.自进化机制：建立基于人工反馈数据的模型定期优化机制，实现诊断能力的持续提升。
       项目效果包含效率提升及质量突破：1.搭建合格率仪表板实现缺陷感知时间减少50%（60%→30%）。2.机器学习自动判别使问题分析时间减少50%（30%→15%）；2.释放的专业人员精力转向措施执行，该环节占比从10%提升至55%。4.MEB车型一次拧紧合格率从95.29%显著提升至98.41%。

       本阶段实践实现了"数据驱动决策"的工业智能化升级，通过机器学习算法将专业人员经验转化为可复用的数字资产，不仅构建了拧紧质量分析的自动化闭环，更形成了面向工业场景的"数据采集-算法建模-效果验证-持续优化"技术范式。 

       3.9 深化-阶段9：基于Java Springboot+NGINX+Gitlab开发全公司范围内物资需求订购系统，助力降库存及运营费用

       本阶段项目成功开发并实施了覆盖全公司范围的物资需求智能校验系统，标志着数字化管理达到了公司级战略协同的高度。该系统作为一个统一的物资订购与调度平台，深度融合了现代软件开发与运维流程，旨在通过技术手段优化库存结构、严控需求合理性，显著降低运营成本，并盘活沉淀资产。

       项目方案采用成熟稳健的企业级技术栈与开发协作模式，确保了系统的高可用性和可维护性。核心架构如下：

       后端开发：基于 Java SpringBoot框架构建，提供了稳定、高效的后端服务。

       前端部署：使用 NGINX作为Web服务器和反向代理，保障了前端资源的快速、稳定访问。

       代码管理与协作：基于 极狐GitLab平台进行代码版本控制和多人协同开发。

       自动化部署：采用 DevOps流水线进行持续集成与持续部署，实现了快速迭代和自动化发布，提升了开发效率。

       项目在一汽-大众五地六厂打造了一全公司统一的物资需求订购入口，将所有备件、物资的需求提报、审核和流转流程标准化、线上化。该系统在成本控制、需求管理、库存优化等方面取得了极为显著的量化效益：成本节约与需求管控方面，直接降低运营费用达435万元。风险拦截：方面通过智能校验规则，成功拦截了391项不合理或异常的物资需求，从源头避免了不必要的采购。库存优化与资产盘活方面。库存盘活：有效盘活呆滞库存，金额高达 1124万元，使沉淀资产重新产生价值。

       备件中心库建设方面，建立了规模达 7.88亿元的备件中心库，占备件总库存的 81%，实现了资源的集中管理。通过中心库在不同基地间进行高效调拨，全年调拨备件数量达 3.28万个，极大地减少了重复采购和资金占用。
       本案例不仅是技术平台的胜利，更是管理模式的革新。该系统通过数字化手段实现了对公司级物资需求的统一管控、智能校验和高效调度，形成了“需求准入严、库存共享快、资产盘活深”的良性循环，为企业的精益化运营和成本战略提供了强大的平台支撑。

       3.10深化- 阶段10：基于deepseek+LM Studio尝试搭建虚拟设备维修专家

       如图16所示，本阶段项目案例基于Deepseek模型与LM Studio工具，尝试构建了面向设备维修领域的AI知识库系统。该系统利用检索增强生成技术，将本地知识文档与大语言模型能力结合，形成可自主回答专业问题的虚拟维修专家，显著提升故障排查与维修指导的效率。

       系统底层框架采用Ollama部署大模型（选用Deepseek-R1-Distill-Qwen-32B），搭配RagFlow实现RAG流程。技术原理如下：知识库构建本地维修文档经文本切片后生成向量库。智能检索：用户问题实时与向量库匹配，检索最相关的知识片段。生成答案：大模型结合检索结果和上下文生成准确答案，并标注引用来源。
       本方案通过融合RAG技术与轻量化大模型，将分散的设备维修知识转化为可实时交互的AI助手，既降低了专业知识的查询门槛，又通过标准化响应减少了人为误判风险，为设备维护的数字化升级提供了低成本、高效率的实践路径。

3. 效益分析

       本项目通过十个阶段的持续创新和实践，项目团队成功构建了一套覆盖设备数据采集、智能检测、视觉识别、自动巡检等多维度的数字化解决方案体系，实现了显著的技术效益和经济效益。

       阶段1：基础数据采集突破。技术方案：Python+Snap7+树莓派，改进成果：实现分布式PLC设备数据集中采集，建立数字化基础。

       阶段2：多设备数据扩展。技术方案：Snap7+Selenium爬虫+SQL，改进成果：实现多类设备数据采集及状态监控，跟项目车工时减少60h/年。

       阶段3：生产流程可视化。技术方案：设备PLC+订单数据库+WEB，改进成果：建成生产实时车流看板，实现生产过程透明化管理。

       阶段4：智能防错装置。技术方案：实时车流数据+树莓派，改进成果：开发灯光拣选防错装IOT装置，成本仅为商业方案的15%，申请专利1项

       阶段5：检测工具创新。技术方案：ESP32+WEB+PCB，改进成果：实现3款进口工具自研替代，单款降本超98%，有效规避漏检问题

       阶段6：机器视觉应用。技术方案：Jetson ORINNX+YOLOv8+民用摄像头+WEB，改进成果：打造总装多维度视觉赋能平台，开发标准化低代码软件1款，减少发包费用超200万元，申请专利4项。

       阶段7：狭窄空间巡检。技术方案：ROS+SLAM+多类IoT传感器，改进成果：探索狭窄空间自主导航巡检，预计减少拉空损失及巡查工时超2000h/年。

       阶段8：拧紧曲线异常类型自动判别。技术方案：基于大数据+机器学习辅助分析，改进成果：EC拧紧一次合格率提高3.2%，分析工时节约45%。

       阶段9：管理系统升级。技术方案：Java Springboot+NGINX+Gitlab，改进成果：开发全公司级物资需求系统，降低费用435万元，盘活呆滞库存1124万元

       阶段10：AI知识库建设探索。技术方案：Deepseek+LM Studio，改进成果：搭建虚拟设备维修专家系统，预计可显著提升故障处理效率。

       通过十个阶段的持续改进，项目取得了以下显著成效。1.经济效益：累计降低费用超千万元，盘活库存资产显著;2.技术成果：申请多项专利，开发标准化软件工具;3效率提升：大幅减少各类工时消耗，提升运维效率;4.质量改善：有效规避质量问题，消除安全隐患

       项目通过"技术内化"的实施路径，成功培养了一支具备自主研发能力的数字化团队，探索出了一条低成本、可复制、能落地的数智化转型新思路。各阶段改进效果充分证明了自下而上、循序渐进的技术创新模式在制造业数字化转型中的可行性和有效性。