创新工业智能检测技术，构筑安全生产新防线

在北京的一间电气设备生产车间中，工业生产管理技术研发专家廖松正在与合作企业的技术总监探讨“基于深度并行时序关系网络的工业生产异常数据诊断平台”的试运行效果。结果让该企业的技术团队兴奋不已：“这款最新研发的工业生产智能检测系统上线试运营的各项指标表现优异，可实现最高1000SPM下的生产过程异常监测，最小0.1ⅹ0.1ⅹ0.02mm体积的异物检出，漏检率≤0.01%，与全球知名的精密检测厂商方案相比，故障预测准确率提升120%，安装和维护成本降低50%以上。”

廖松出身工科，先后从事机械工程、工业工程、工业智能等相关领域工作多年，拥有丰富的工业智能、预测性维护等技术研究及应用实践经验。“基于深度并行时序关系网络的工业生产异常数据诊断平台”正是他基于对工业场景和设备检测痛点的深刻洞察，自主研发出的重要技术成果之一，目前已经广泛投入市场。

在工业生产中，工业检测是保障产品质量必不可少的环节。主流的工业界通常采用后道工业质检进行工件检测，但这种事后人工检测的方法，总是无法及时发现生产过程的异常，存在一定弊端。在现代工厂高频次多工序制造的当下，一旦故障发生，特别是批量异常，不仅会带来巨大成本损失，还会严重损坏机器设备。更为棘手的是，如果存在一定漏检，引起大的客诉问题，影响下游客户的生产质量，还会面临评级下调甚至丢单的风险。因此，及时发现早期生产异常，保证所交付的产品质量，对上游工业生产厂商来说尤为关键，这使得工业制造企业对生产过程的实时化、精细化监控要求越来越严格。

廖松表示，随着“单机高质量制造和集群精细化管理”成为工业生产与精密制造行业的普遍需求，在加工生产过程中及时发现早期的微弱异常，才能避免异常带来的产品质量、用料成本、设备故障等问题，从而有效提升生产制造智能化水平。为此，廖松历经数月的研发，开发了一款面向精密零部件制造场景检测需求的“基于深度并行时序关系网络的工业生产异常数据诊断平台”，融合了高精度传感器、多模态信号融合技术，借助开源时序建模算法库，实现了对精密制造过程异常的智能在线监测。

“基于深度并行时序关系网络的工业生产异常数据诊断平台”涵盖时序预测和时序异常检测两大核心场景，能够实现对设备更精准的识别与检测。无论是在时序建模功能的丰富度，还是在集成的时序算法数量、端到端执行效率上，都远远领先于国内外同类的工业生产检测技术。当现场有异常发生时，系统能快速识别检测并报警变红，显示到监测屏幕上，操作人员便可根据情况执行停机指令，避免产品的批次报废现象发生。同时，系统还将识别异常系统和现场维修系统集成到一起，可以对异常初步分析，将消息推送给对应的维护系统，完成智能维修处理。目前，该技术已在汽车、电气、电子工程等制造业头部企业完成商业交付落地，上面提到的电气设备制造企业就是其中之一，该技术在多家企业应用中都表现出了其算法的领先性和解决工程问题的实用性。

多位业界专家指出，“基于深度并行时序关系网络的工业生产异常数据诊断平台”本质上是解决精密制造如何在过程中提升生产能力、提高产品质量的现实性问题，而该问题也具备普适性。除了汽车制造、电气工程等机械制造领域之外，其他精密加工场景中均存在类似的精准控制与动态调优的诉求，该技术成果的异常检测能力也能应用到包括风电设备运行、母线负荷预测系统、风功率预测、设备状态检测和故障预警、水质监测等其他众多工业场景中。

当前，“基于深度并行时序关系网络的工业生产异常数据诊断平台”也正加速在这些典型的行业场景中深耕落地。谈到对该技术的未来规划，廖松表示，如何更好的提升数字工厂集群设备的整体智能化水平，是“基于深度并行时序关系网络的工业生产异常数据诊断平台”下一个版本的核心。“随着生产在线监控、设备预测性维护等单点智能的场景化落地，越发证明机器学习、深度学习等AI技术对智能制造能力提升具有巨大价值。这些单点智能在各个场景下的开花结果，会进一步驱动智慧工厂逐步从单机深度智能走向群集广度智能，实现智能运维、生产、质量等环节的深度结合。”（文/邢晓婧）