5G技術+智能檢測框架設計及應用

李斌 謝義東 張昆 黃鴻發 王志德

（珠海格力電器股份有限公司 廣東省珠海市 519070）

1 引言

傳統的制造行業零部件生產、過程制造板塊智能檢測應用仍處于起步階段，數據采集方式落后，系統分散，數據相互孤立，缺乏質量數據全面分析的平臺[1]，無法實現對質量數據的充分利用和挖掘。傳統的制造過程中主要存在以下問題[2]：

（1）制造生產過程中各工序、過程的產品質量數據依靠人工方式記錄與判定，工作量大且工作效率低，即容易出現遺漏或錯誤。

（2）質量數據采用紙質記錄，數據信息采集不規范，無法對質量數據進行實時監控、分析、改進。

（3） 質量數據的分析提煉還依賴人工匯總整理，工作量大，易質量異常響應滯后。

由此可見，傳統的制造過程中的質量檢測急需要引進先進的檢測技術與方法，提高質量檢測的效率，使過程檢測精度更準，檢測自動化率更高，檢驗內容更全，檢驗范圍更廣，系統化地提升質控系統過程質量預防控制能力。本文引入大數據技術與5G 技術[3‐4]，建立智能檢測平臺，實現制造過程的質量數據自動采集，預警分析，以及可視化監控管理。

2 機器學習及5G技術

2.1 機器學習與深度學習技術

機器學習(ML, Machine Learning)是一門多領域交叉學科，涉及概率論、統計學、逼近論、凸分析、算法復雜度理論等。專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善自身的性能。它是人工智能的核心，是使計算機具有智能的根本途徑。它的應用已遍及人工智能的各個分支，如專家系統、自動推理、自然語言理解、模式識別、計算機視覺、智能機器人等領域。

深度學習(DL, Deep Learning)是機器學習領域中一個新的研究方向，深度學習能夠自動通過大量的數據樣本學習其內在規律和表示層次，無需人為去手動定義特征。深度學習是一個復雜的機器學習算法，在語音、圖像識別以及自然語言處理方面取得的效果，遠遠超過先前相關技術。在深度學習中一般需要經歷以下流程：

（1）數據的采集，對于深度學習而言一般需要大量的數據進行學習。

（2）數據的標注，比如在目標檢測任務中，需要將檢測的目標事先標注出來(監督學習)，并將數據劃分為訓練集和驗證集

（3）模型的搭建，根據實際的應用場景以及關注的性能指標選擇合適的模型

（4）模型的訓練，利用事先標注好的訓練集輸入模型進行訓練，驗證集對模型的性能進行評估

（5）模型的優化，在模型部署前通常需要進一步優化，比如模型量化，能夠在準確率基本沒有損失的前提下，提升模型推理速度2 到3 倍

（6）模型的部署，根據實際應用場景對模型進行部署

本次主要使用Python 做開發語音，使用TensorFlow、PyTorch、PaddlePaddle 深度學習框架進行研究實踐。

2.2 5G網絡設計

5G 即第五代移動通信技術，不僅是無線技術的一次升級換代，更將帶來網絡服務架構的變革，具有易部署、低時延、高可靠、大帶寬、廣連接的特點，與公眾業務不同，企業需要的是一張能夠提供時延、抖動、丟包率等關鍵指標確定性業務保障能力的5G 網絡，需要“差異化+確定性、說到做到、網絡適配應用”網絡能力，即網絡切片，就是將一個物理網絡切割成多個端到端的邏輯網絡，為不同業務提供相互隔離、功能可定制的網絡服務，是一個提供特定網絡能力和特性的邏輯網絡，可以滿足智能檢測網絡的可用性、可靠性、可信性要求。

本研究項目根據生產制造環節對5G 網絡的訴求和智能制造業務場景的規劃，制定了5G+MEC 邊緣云+切片的專網方案，采用無線資源預留、承載網FlexE、專屬UPF 等技術實現了無線、傳輸、核心網端到端硬隔離，實現了帶寬資源獨占和即用即有，按業務場景匹配端到端硬隔離、專屬高速通路，確保了企業數據不出園區，保障生產數據安全，有效保障質量檢測關鍵崗位行為監督、無紙化首檢系統、AI 機器視覺檢測等不同業務不同專屬通道承載，如圖1所示。

圖1：5G 硬切片部署方案

3 智能檢測框架設計

3.1 智能檢測基本特征

3.1.1 智能檢測的自感知性

在5G 網絡技術的支持下，各種生產、檢測數據的傳輸與處理速度將進一步提升。同時傳感器、無線傳感網絡等技術的發展，幫助“智能+質量檢測”系統實現自感應、自采集制造過程中的流程參數、檢測數據等，為智能檢測系統的自學習、自調整、自決策奠定基礎[7]。

3.1.2 智能檢測的自適應性

智能檢測系統平臺可運用在不同的場景，可實時調整檢測設備的檢測參數，實現檢測設備在不同場景與不同產品類型中自主切換相對應的測試參數與測試程序，降低生產線因切換產品類型，導致檢測設備需花費時間重新設置參數與重新調試，提高產線生產效率。目前智能檢測平臺的自適應性主要運用在智能視覺檢測上，智能視覺檢測過程用時已經可以做到比人工檢測時間縮短80%，有效節約了檢測人工成本[10]。

3.1.3 智能檢測的自學習性

目前使用智能檢測結合5G 物聯網和大數據分析技術能夠實現把產品質量的自動監控擴展到整個生產流程。不僅能提高質量檢測效率，同時結合云端大數據平臺處理器，通過不斷地訓練識別合格和異常產品的特征差異，進行快速學習、訓練，不斷地完善標準庫，并完成智能算法的建模，反饋、調整和指導工藝、流程等改善，提高整體良品率[9‐10]。

3.1.4 智能檢測的自分析預測性

智能檢測的自分析預測性主要是針對產品的故障分析與預測模塊，同時基于海量的質量檢測數據，包括空調正常運行數據與故障數據、空調維護與修理數據、計算機或運行人員控制數據等，實現在線的空調系統故障檢測、診斷與預測。建立空調故障檢測與診斷模型，根據空調的運行數據，實時更新模型，使檢測與診斷效率更高。根據以往系統發生故障時前一段時間的數據來判斷系統是否即將發生故障，來建立的故障預測模型，判斷故障發生的位置，這樣可以省去系統的全面維護工作，只需要工作人員針對性地檢修，節省了大量的人力資源，通過對大量數據的挖掘分析，建立起空調系統故障預測模型，可以實現空調的在線故障智能預測功能[11‐12]。

3.2 智能檢測平臺框架設計

智能檢測平臺運用大數據技術建立了質量檢測數據處理平臺，智能檢測平臺的層次框架如圖2所示，分為數據采集層、數據存儲層、數據處理層、數據計算層、數據封裝層、數據服務層、應用層。

圖2：智能檢測平臺框架圖

4 機器學習技術在智能檢測方面的實例運用

4.1 智能檢測平臺的應用場景

本次基于某大型企業已建成的國內首個基于MEC 邊緣云+智能制造領域5G SA 切片專網，進行智能檢測技術研究，開發了基于機器學習、大數據與5G 技術的智能檢測平臺，目前已在生產制造過程中的多種場景進行推廣應用。

4.1.1 制造過程質量智控系統應用

傳統的制造過程中主要通過人工紙質記錄作為信息載體，指導產品過程質量控制，但該方式需要大量紙張，當出現質量故障時需人工干預處理，難以及時發現質量異常，易出現停線返工現象，同時紙質質量記錄卡無法進行質量大數據分析。制造過程質量智控系統應用RFID 無線射頻技術，實時采集空調制造的過程質量數據，每道檢驗工序數據互鎖，防止不合格品收卡入庫；通過空調制造過程質量大數據分析與智控系統，保證空調質量的一致性、穩定性、可靠性；同時實現質量大數據可量化分析與可視化管理，確保質量信息全流程可追溯管理。

4.1.2 5 G+AI 視頻監控系統應用

傳統制造業產線人、機、料等都依賴人員巡查管理，5G+AI 質量關鍵崗位行為分析項目通過使用圖3 網絡架構，實現數據及控制指令雙向交換，實現高清畫面的傳輸，同時搭建、訓練、優化模型，基于動作標定、標準視頻采集打標，提供在線動作分析檢測服務，提升生產過程的產品質量控制。如員工操作行為視頻檢測任務：

圖3：5G+AI 視頻監控網絡

任務描述：對生產線上員工的工位狀態進行檢測，對指定工序的操作動作進行檢測，檢查員工在操作過程中的流程是否正確以及是否有步驟遺漏。

技術特性：人體關鍵點識別模型(HRNet)，目標檢測模型(YOLOv3 SPP)，自研人體姿態匹配、人體偏離工位等后處理算法。

攻克難點：人體行為的分解，人體姿態模板數據庫的建立，人體關鍵點定位、行為理解與識別。

4.1.3 5 G+機器視覺技術應用

傳統產品的以人工測試為主，檢驗人員憑主觀來判斷測試結果，測試數據無法保存追溯，存在測試誤判或漏測的隱患。5G+機器視覺技術通過自動定位技術實現小多高不同產品的柔性精準定位，通過5G 低延時、高帶寬的技術優勢，實現產品全自動測試，同時采用5G+機器視覺技術可對整機性能、外觀自動檢測，并通過5G 網絡上傳到檢測系統進行比對分析檢查，實現自動識別檢查，提升質量檢測的一致性、穩定性、可靠性。如：壓縮機線序檢測任務。

任務描述：對每個壓縮機線序接頭進行檢測，對標識物進行識別，對線序邏輯進行后處理。

技術特性：基于目標檢測模型(YOLOv3 SPP, YOLOv4)，PaddlePaddle 的目標檢測網絡、文字方向檢測網絡以及文字識別網絡，自研壓縮機電源線序顏色界定與線序判斷等后處理算法。

攻克難點：不同型號機型線序的顏色和順序皆有不同，壓縮機電源接頭的定位與線序不易判斷。

4.2 智能檢測平臺數據分析與展示

智能檢測平臺將全流程制造數據進行集成，運用大數據技術對各環節的質量數據進行分析處理，監控質量數據狀態，對質量數據進行預警。如對廠家的來料抽檢結果進行分析預警，根據抽檢的數據結果判斷廠家來料質量的優劣，同時根據抽檢數據結果優先選擇哪家廠家供貨。

4.3 智能檢測的推廣性

基于大數據分析的平臺總體規劃、技術架構、業務模式、質量分析與改進等方面進行的有益探索和應用示范，為大數據在制造業開展類似應用提供了一個很好的范式，不僅有助于制造業通過大數據分析的手段和先進的物聯網技術來加速產品的升級迭代，而且促進制造業通過開展搭建產品大數據管理服務平臺的應用實踐來完成企業創新發展，為相關產業由工業3.0 快速向工業4.0 轉型升級方法和路徑提供經驗參考。

5 總結

通過應用大數據分析技術及5G 技術，建立智能檢測平臺，實現數據的實時采集與記錄，增加關鍵崗位數據互鎖功能，防止不合格品流入下一道到工序，提高空調質量的一致性、穩定性、可靠性。

通過梳理制造過程質量管理，搭建大數據平臺，利用大數據平臺，實現質量狀態監控、分析、診斷和改進優化，形成自主知識產權和行業標準，加速技術應用推廣。