文/Christian Petersohn，Michael Ungers；Scansonic MI公司

一切都始于一家美国汽车制造商在德国工厂的设计要求。在之前的中产阶级车型中，车身侧壁和车顶通过一些焊接点连接，然后由装饰条覆盖。但是在新车型的设计中，将不再使用装饰条。此外，生产团队计划将重点放在流程数字化上。如果省去装饰条，侧壁和车顶之间的焊缝将是可见的，因此它必须满足可见焊缝的高质量标准。

对焊缝质量的高要求，使得该团队采用了激光焊接方式，更准确地说是激光钎焊。他们寻求在技术上最先进的解决方案，最终找到了德国Scansonic公司，该公司提供其ALO4触觉引导的激光光学系统以及用于焊缝过程监测的相机系统。它允许对焊缝过程进行评估，并且可以使用人工智能（AI）进行评估（见图1）。

图1：自适应激光光学系统遵循3D轮廓进行加工。系统中的相机将实时图像发送到神经网络，该神经网络实时检测激光钎焊过程中的缺陷。

集成AI的激光加工头

在过去的二十年间，Scansonic作为面向汽车应用市场的激光光学器件供应商，享誉业界。该公司目前在激光焊接、切割和涂层工艺领域拥有7000多个激光光学器件。它通过使用填充线进行触觉焊缝跟踪，这为焊接过程设定了新标准。如今，凭借ALO4，Scansonic的第四代此类激光光学器件再次受到各大汽车制造商的欢迎。

自2017年以来，Scansonic在其激光加工头中引入了机器视觉系统SCeye。SCeye系统包括一个完全集成的照明模块和相机，以及一个控制模块（见图2）。这套集成了过程控制系统的高性能光学方案，吸引了制造商对Scansonic的广泛青睐；利用边缘计算，Scansonic系统能做的不仅仅只是实现过程的可视化。

图2：ALO4激光头集成了SCeye机器视觉过程监测系统。

与机器人在生产中接管体力劳动类似，边缘计算机中的AI在过程控制中接管了人类的任务。事实上，Scansonic团队开发了一套AI系统，可以识别SCeye系统捕获的激光钎焊过程视频中的飞溅物或孔隙等缺陷。一旦在视频中识别出缺陷，操作员就要找到缺陷。因此，它能够提供问题照片，以便操作员决定修复缺陷。

项目中的学习曲线

过程控制技术在汽车制造商现场的整个适应过程，花了18个月。为了立即进行质量控制，Scansonic团队建议使用他们新的AI系统。这产生了大量数据，并且需要对这些数据进行高效管理。首先，他们需要就数据处理标准做出决定，以确保在工厂和Scansonic进行高效的数据处理。然后，他们开发了一个仪表盘，将数据可视化给操作员。有了数据管理，该项目团队呈现出了一个陡峭的学习曲线。

主要任务是将新技术引入生产系统；今天，来自激光传感器的数据被集成在一起。通过这种方式，缺陷数据被分配给一辆特定的汽车。如果检测到缺陷，操作员会从AI系统中得到一个提示，然后可以检查仪表盘或工件上的相关图像。这使得企业能够快速决定下一步该如何处理这辆特定的汽车——维修或研磨，或者将其留在生产线中执行下一步计划。

除了缺陷的自动检测，该团队还收获了另一个直接好处。在第一个阶段成功之后，客户希望检测更小的特征；缺陷尺寸从0.5mm到0.2mm，这样微小的缺陷肉眼几乎看不到。显然，如此小的缺陷在生产过程中很难被人发现。在这一点上，机器视觉比人眼具有更好的分辨率，并提供了更高的可靠性。

通过机器视觉实现的早期警告，节省了生产中的时间和金钱：如果故障是由于过程中的偏差造成的，则可以纠正设置，以免浪费更多材料。

生产中的AI

在这家现代化的工厂里，每天有600辆汽车从生产线上下线。在生产过程中，一台机器人将车顶放置在车身上，然后另一台机器人沿着焊缝移动ALO4激光钎焊头，以将车顶和车身焊接在一起。由于ALO4的光学设计及其通过进给的钎焊焊丝“感知”过程的能力，激光束和焊丝总能处于焊缝中的正确位置，从而实现了具有光滑表面的高质量钎焊焊缝。

通过观察激光单元内的监控相机，操作员只能看到监视器上的闪光；但是可以在激光钎焊过程结束后，将相机的视野切换到可以看到焊缝的地方。AI跟踪所有这些微小的细节，并识别每一个偏差。通过自动故障检测，可以实时将任何点或模糊分类为孔隙、孔洞或良好的焊缝。当零件焊接完成后，激光单元移开，车身移动到下一个工位（见图3）。

图3：激光钎焊过程完全自动化；激光单元内装有监控相机，操作员可以在监视器上跟踪钎焊过程。同时，激光光学系统内的相机会跟踪焊缝，所有数据都会关联到这辆特定的汽车上。

为了进行长期质量控制，所有具有缺陷的SCeye视频都与每辆车的数据、材料和工具设置一起存储。这样，可以跟踪流程和当前问题，甚至与几周前出现类似问题的汽车相比较。对于用户来说，新技术也非常适合他们实现完全数字化的工作流程。所有数据都是可追踪的，并且可以优化流程。它还有助于理解后续过程中的问题，如研磨。

SCeye系统的另一个好处是过程稳定：过程数字化的不断发展缩短了设置时间。团队需要较少的破坏性测试，并且能够更好地了解整个过程。建立这一过程花了大约18个月的时间；考虑到学习曲线，预计未来这一阶段所需的时间会减少。同时，安装了使用相同数据进行训练的四套系统。

这些系统的工作原理相似，但每个操作员都会对过程进行一些微调，这可能会影响对缺陷的感知。单个设置，如照明、角度或激光设置，通常因地制宜，因此图像中存在微小差异。尽管如此，也并不需要太多的适应工作，而且每次迁移都比以前更快。

激光过程控制中的AI细节

从本质上讲，新的过程控制系统遵循人类的经验。就像人类从好零件和坏零件的样本中学习一样，开发人员将现有缺陷的数据及其分类输入到神经网络中。这种神经网络的训练被称为机器学习。对于过程控制，神经网络从焊接或钎焊焊缝中获取图像，并找出图像中的图案是否包含飞溅物或孔隙。这种对输入图像的分析过程称为推理。如果发现了某种类型的飞溅物或孔隙，神经网络会为操作员做好标记。

这样的卷积神经网络（CNN）是如何工作的？在一幅简化图中，CNN由几个层组成，其中输入数据（这里指的是从焊接或钎焊过程中捕获的图像）与某些数字（权重）相乘。数据发送给几个这样的层，并将结果与训练数据的分类进行比较（见图4）。如果结果与分类匹配，则权重是好的；如果不匹配，权重会发生变化，直到结果与给定的分类匹配。通过这种方式，机器学会将缺陷与特定图案（与某种故障类别相匹配，如孔隙或飞溅）联系起来。

图4：神经网络的学习数据包括孔隙（顶部）、飞溅物（中心）和良好的焊缝（底部）。

经过这样的学习过程，CNN可以获得前所未有的数据。在一定的概率下，它将提供正确的分类；同样，可以优化权重。这是一个验证阶段，开发人员在该阶段检查经过训练的参数在验证数据上的工作情况。当验证错误最小化时，训练结束。

下一步，可以用全新的数据对CNN的性能进行测试，即所谓的测试阶段。图5显示了一组检测到的缺陷。需要注意的是，CNN已经针对“气孔”和“飞溅物”这两类缺陷进行了训练。它也可以被训练识别任何其他类别的缺陷。在未来的版本中，Scansonic可能会考虑对每类缺陷使用单独的神经网络，这有望进一步提高检测率。目前，“气孔”和“飞溅物”这两类缺陷类别是由一个CNN实时识别的。

图5：AI向操作员提供的检测到的缺陷示例（左：气孔，右：飞溅）。

学习过程的更多细节

对于高概率的正确缺陷识别，训练过程非常关键的。客户为系统的第一次训练提供了大约5500张良好焊缝的图像和2000张气孔的图像。Scansonic可以在其激光实验室证明，只需要几张新图像就可以将良好的模型迁移到其他过程。只需要几百张图像，钎焊过程中缺陷的识别率就可以达到95%以上，而且不同车型生产过程中的钎焊过程是略有不同的。具体的不同之处在于使用的材料和使用的工艺参数。然而，即使在将AI识别方法迁移到其他激光加工过程（如铝的激光焊接）时，也仅需要使用少量图像进行重新训练，现有的CNN就可以针对新过程获得非常好的缺陷识别效果。

减少为新的检测任务训练系统所需的训练数据量，是该方法未来改进的一大主题。

未来展望

对于这个客户，Scansonic的专家首先在一条生产线上使用了神经网络，然后又将神经网络部署到了第二条生产线上。将神经网络从一台机器迁移到另一台机器时，存在一个学习曲线。

事实上，Scansonic有五个以上不同的客户在测试AI系统（见图6）。如今，每一个应用程序都经过了自己的训练。未来使AI更加强大的一种方法，可能是将不同应用程序的训练数据结合起来。由于每个应用程序将提供不同的训练数据作为输入并添加新的问题案例，AI将使用不同的应用程序进行训练，以生成在所有应用程序上表现最好的高度复杂的模型。在这种未来的方法中，每个愿意提交训练数据的客户，都将受益于经过最佳训练的AI系统。从长远来看，可以生成一个不再需要训练的数据库。当然，数据隐私应该受到严格保护；如果客户需要，所有数据都可以保存在实际生产现场。

图6：新的焊缝跟踪和识别技术，非常适合制造商建立数字化工作流程（工业4.0）。

另一个改进将是扩大AI方法；到目前为止，只是使用了图像。未来，可以添加来自其他传感器的数据，例如各种过程参数。这也将有助于更好地了解缺陷的起源。操作员将更容易获得流程优化，这为另一个战略目标打开了大门：一旦流程数据和缺陷发生的情况更加完整，另一个AI可以向操作员建议完美的流程设置，或者简单地控制整个流程。