打破质量管理瓶颈！佛吉亚巧用AI异音检测！

佛吉亚中国总部位于上海，在华拥有近20,000员工（其中包括2,000名工程师与技术人员），已建立70家工厂与4家研发中心。2018年，佛吉亚在中国的销售额达30亿欧元。未来，佛吉亚将进一步深化“中国优先“战略，并深耕中国市场。

佛吉亚（无锡）座椅部件有限公司成立于2003年12月，作为佛吉亚座椅核心零部件的亚太区生产基地，其战略地位是佛吉亚集团在中国的标杆企业。无锡工厂还是佛吉亚全球唯一的电动调高器生产基地，主要服务于大众、日产、特斯拉等客户。

◎ 图1 佛吉亚（无锡）座椅部件有限公司

2019年3月，佛吉亚汽车座椅中国研发测试中心暨无锡座椅机电产品生产基地正式落成并投入使用。无锡座椅机电产品生产基地主要用于座椅机电品类产品的生产，包括电动调高器、电动靠背、靠背角度调节器等。无锡工厂员工近500人，研发中心人员达130余人，生产线20多条。

让佛吉亚无锡公司最引以为豪的莫过于“无锡碰撞实验室”，它是佛吉亚全球第三间碰撞实验室。这里配有目前最先进的台车碰撞设备，其载荷、推力、速度等性能均达到国际最高水准，能够完成绝大多数座椅动态实验，大幅缩短了研发时间，提高了效率。不仅硬件设备“强悍无敌”，碰撞实验室的软实力也同样出色。佛吉亚中国已培育出一批优秀的本土测试工程师，他们的研发测试实力与佛吉亚欧洲不分伯仲，为卓越的本土碰撞测试能力打下基础。

 下面有一段精彩视频 

展示了佛吉亚的数字化制造实践

大家看完视频数数

佛吉亚工厂都应用了哪些前沿技术

▼

佛吉亚（无锡）座椅部件有限公司持续致力于打造现代化智能车间，自2016年至今通过不断完成的自动化升级改造、数字化工厂建设、AGV/RFID等物流系统的投入。

公司产品定位于高端市场（客户包括大众、日产、特斯拉等大型跨国公司），客户及公司自身对产品质量的要求在不断提升，传统的生产方式已不能满足客户需求，加上公司拓展外部市场的战略目标，减少人为干预，提升生产能力，提高生产效率、保证质量水平，以满足不断增加的市场需求和客户的供货要求，智能化改造势在必行。

自2016年开始，佛吉亚通过不断地自动化升级改造、数字化工厂建设、AGV/RFID等物流系统的投入，TRS、Elevelling等数字系统的上线，实现了每个产品生产参数可追溯，确保生产条件一致性，出现异常时设备自动报警，确保生产过程稳定可靠。通过质量数据的反馈，精准找出有潜在风险的产品，为产品持续改进提供依据和方向。智能化发展必然成为铸造行业未来发展趋势，公司必将顺应潮流，通过该项目实施，进一步加快智能化改造进程。

公司通过投入智能生产线、智能设备，在所有生产线上推行在SAP平台上自主开发的设备管理系统，提高设备保养、维修的能力。同时在生产线上试运行MES系统，逐步达成生产线之间、车间与车间的系统联通，最终实现所有产品各个工序的智能化生产和整个制造体系的智能控制管理。

◎ 图2 工厂数字化转型规划

基于佛吉亚全球及中国区数字化转型战略，佛吉亚无锡工厂积极推动和实施了很多数字化转型项目，并且好几个项目均作为中国区的试点项目，在近几年里主要实施了如下智能工厂项目：

● 生产自动化：

佛吉亚无锡工厂调角器智能制造车间包括4条自动化产线：Epump2.0、E-Striker、RC70-1、RD77-1，分别生产Epump电动调角器、E-Striker后排电动调角器、RC70调角器和RD77手动非连续型调角器。另外工厂其他生产线也先后部署了多台自动化机器人，分别用于上下料，自动分拣和打包等，工厂的自动化水平已经达到了70%，其中4条生产线已经实现了完全自动化的U线全自动无人生产线。

◎ 图3 工厂其中一条全自动生产线示例图

● AGV自动牵引小车：

产线凡涉及质量工艺的站点均配置自动在线检测功能，能对7种失效模式（集团文件）进行自我识别，自动筛选不良品，并判断是否可以返工。物流发送电子看板至产线，产线用扫描枪扫描电子看板即可得到产品信息。成品将按规则刻字（或贴条形码）追溯，包装箱同样贴上产品信息的条形码，仓库扫描即可入库。采用电子看板 扫描系统完成任务下发和入库。AGV完成原材料配送。 

● RFID射频扫描技术项目：

并通过RFID来扫描成品包装的条形码或RFID码实现自动入库和发货跟踪，并完成了工厂内部产品转移通过RIFD管理。 

● 3D打印：

工厂是佛吉亚中国区第一家使用3D打印技术的工厂，通过3D打印机为工厂打印备品备件，样件以及保护装置。

● 智能物流（e-levelling，e-cycle counting，e_receiving，E-storage）： 

生产部门扫描主计划下发的成品电子看板，发送信息给仓库，SAP系统数据库将给出具体的物料投放。产品根据E-Levelling系统进行拉动，并通过RFID进行入库和发货信息的传送。每天工厂的循环盘点仓库人员可以直接通过Ipad对盘点结果做录入和查询；通过电子库存显示板，实时展示工厂的实时库存，并通过警报系统做库存预警。 

● 智能工厂早会系统：

通过部署集团标准的工厂早会系统，便捷的为工厂的早会提供沟通和管理平台，将工厂的各个控制点KPI和风险点控制，以此来避免工厂不必要的损失和有效的工厂管理。

◎ 图4 工厂早会区域

● 数字化管理控制系统（Digital Management Control）：

每条生产线都配有触摸屏，用来实时监控设备的运行状态、关键工艺参数，如产品的扭矩值、震动等，带有报警功能，系统可自我诊断。所有的产线均配有TRS系统，可实时显示产线的整体状态及报警广播，使产线异常时，相应部门快速响应。调试、验证、试运行、验收、投产，所有流程做详细数据记录。所有的设备均定期实行保养、标定计划。 

● 工厂巡检系统（e_plant Tour）：

（1）工厂巡检：不同级别的管理人员使用APP对工厂各个关键质量控制点进行巡检，并将巡检过程，巡检结果，问题反馈，问题处理，处理结果反馈等信息系统化。

（2）FACE-to-FACE：将工厂经理和部门经理日常的FACE-to-FACE问题反馈环节系统化.（3）Alert：将巡检过程中的报警信息按照级别在系统中进行管理，包括报警的触发，报警的，报警的升级，报警的关闭等。

◎ 图5 工厂智能巡检系统

● 车间安全作业智能管控系统：

车间严格执行公司安全13个MR规定，并设置安全核心小组每天的巡检和建议上升机制，并利用安全和人机工程评估工具识别潜在安全隐患，快速响应执行。公司另立安全生产责任制和事故快速上升处理机制，可以最快的速度联动处理现场安全情况。公司对有所特种作业均具有专业的审批、作业、监督流程管控。由于车间所有产线均经过专业第三方BIWEI安全认证，不具有重大安全隐患，车间主要的安全监控预警为火警烟雾报警，并配备完善的消防措施和定期的消防演习。

◎ 图6 工厂车间安全作业智能管控系统

● 安东系统：

每条产线均配置有国产研发定制的TRS系统，来实现产线状态跟踪，并将所有异常停机按规则分类，Link车间报警系统播报，致使相关部门第一时间相应现场（如：组织失误--物流；设备故障--EC；质量停机--质量部），该系统在工厂大办公室配有大屏显示，相关工作人员电脑亦安装相关软件，可以实时查看产线状态。

在过去10年中，随着汽车消费升级，NVH越来越受到各大汽车企业的重视，但传统的检测依然依赖于人工主观评判，而由此带来的人工成本和质量成本极大影响了企业效率。在2018年，无锡工厂有多达38名操作人员在专业静音房中全职负责噪声评判，每年都会由于人工辨别而产生的质量问题及客户反馈，每年人工及质量成本约为500万人民币。

在整个项目实施前，工厂项目团队对工厂的业务现状及存在的问题做分析，现状及问题如下：

（1）过去多年里工厂接到关于震动异响正式投诉为0，客户端反馈部分数量有质量问题，但是这些客户端投诉的异响没有证据证明是员工漏检还是客户端装配问题，无法提供一个有效的数据支持给到客户。

（2）每个零件都需要在静音房有操作人员先要安装和连接线到座椅骨架，然后再做静音检测，通过耳机认为辨别是否有异音，然后再将调角器从座椅骨架上拆下来，并排放到产品收料盒，整个检测过程需要90面的时间，是整个工厂的一个瓶颈工位。另外有个别零件由于按照或听取的问题，需要重复听，时间更加长；由于是人工听声音来辨别，操作人员会有听音疲劳，为此而导致产品异音检测错判或误判。

（3）另外随着企业业务的不断增加，工厂接到很多新的项目，对不同项目客户对产品的要求也是不同，为此产品的异音检测标准也有所不同，并且由于产量的增加，需要增设很多静音房来满足工厂的检测需求，需要一笔很大的设备及人员投入。

第一阶段通过在线检测来代替静音房检测，也就是通过自动化产线及RFID来标记和收集产品声音信息，然后再通过人工在生产线边对获取的声音做辨别和判断，以此来减少静音房的投资和人员的节省；第二阶段，通过收集到的数据，基于AI技术的噪声检测系统提供了一种全新的思路来解决这一顽疾，并且符合智能化、数字化转型的方向。这套系统实现了从信号采集、数据存储、数据分析到自我学习全过程的自动化。

为了解决上述问题，实现噪声自动检测和判断功能，本项目具体技术框架：

◎ 图7 人工智能异音检测系统技术框架

本项目在是实施过程中共分为两个阶段：全自动噪音采集和人工辨别、AI人工智能自动异音检测，下面就针对两个阶段分别介绍项目的实施过程及效果：

◎ 图8 IT系统框架图

（1）全自动噪音采集和人工辨别阶段

将原有的产品静音房检测转移到自动噪音收集和检测，通过产线自动声音采集设备和RFID功能结合，对每个产品通过在线收集声音数据，然后再由线边人员逐个听取声音数据，并做出判断是否产品合格，这样不仅减少了静音房的投资，而且减低了产品检测的CT时间。

◎ 图9 全自动噪音采集和人工辨别阶段

（2）全自动噪声采集设备

采集设备包含两大部分：工况模拟和信号采集。工况模拟部分主要用于模拟产品在车内的实际工作状态，使得产品测试符合最终客户的需求；信号采集部分则包括高精度加速度传感器、数字信号采集卡等硬件，用于实现噪声信号的高质量采集；

◎ 图10 声音收集设备现场图片 

（3）数据传输和存储系统：将自动噪声采集设备采集到的信号以及产品标签等追溯信息进行预处理，使其成为标准化数据，然后上传至中央服务器中的数据库进行存储。 

（4）人工手动辨别：工人正在通过“人工评价客户端”软件，对零件声质量进行在线评判，给出主观判定结果。主观判定结果将作为零件是否合格的重要依据，也是用于AI学习的依据。

◎ 图11 人工评价现场图例

（5）数据分析和AI评断系统

数据分析和评判系统是这一系统的核心组成部分，其主要功能是对上述原始数据进行自动分析和评判。数据分析和评判是由基于人工智能技术开发的定制化算法来实现的，这套算法能够针对不同客户、不同产品的历史数据进行分析实现自我学习，最终对现有数据进行评判。算法能够在模仿人类做出判断的同时，避免人类主观因素的干扰，大幅提高质量表现。

（5）数据分析和AI评断系统

数据分析和评判系统是这一系统的核心组成部分，其主要功能是对上述原始数据进行自动分析和评判。数据分析和评判是由基于人工智能技术开发的定制化算法来实现的，这套算法能够针对不同客户、不同产品的历史数据进行分析实现自我学习，最终对现有数据进行评判。算法能够在模仿人类做出判断的同时，避免人类主观因素的干扰，大幅提高质量表现。

◎ 图12 数据分析和AI评断

1、系统设计前提及准备

(1)前提

●人工智能判定零件故障，需要一定的数据作为学习依据。

●学习数据可以来自于人工判定，也可以来自于现有EOL的初步分类。无论那种方法，均要求数据有较高的准确率，避免准确率较低的数据对AI训练造成污染。这两种方法也可以同时使用，以提供大量数据（如EOL提供海量数据标签）、保证针对特殊故障的高准确率（人工判定EOL无法判定的故障类型）。

（2）实现

●利用离线“学习”获得的AI判定模型，AI引擎进行在线判定。

●AI判定引擎是根据提供的数据经过“学习”而获得的，学习数据库可以不断更新，紧跟客户的要求。

(3)项目开发阶段

●需求分析：引导用户制定尽可能详细的需求说明书。

●数据采集软件开发：根据未来要进行AI判定的计划，采集足够详细的数据。

●数据收集：收集尽可能多的数据；尽可能提高数据质量，降低噪声（采集噪声、人工标签噪声）。

(4)数据预处理

●为AI判定做预研，选择合适的声学参数。

●使用已有数据，做准确率检验。

(5)创建AI判定模型

(6)在线调试

2、信息系统组成

（1）数据库：零件的追溯码、零件的判定结果、零件的判定规则、操作员管理。

（2）服务器端软件：数据文件分发、数据库更新、客户端管理。

（3）人工评价客户端：获取数据文件、数据文件的回放、判定用户界面、判定结果写入数据库。

（4）AI评价客户端：获取数据文件、获取判定规则、AI判定、判定结果写入数据库。

◎ 图13 系统框架图

◎ 图14 整体系统框架及说明

3、信息系统整体框架及说明

（1）EOL：此部分主要指将EOL中的测量数据传输到AI判定引擎的软件。需要有文件服务器软件提供支持。

（2）AI学习引擎：用于生成AI判定模型，供AI判定引擎使用。数据来源有：1)EOL可以识别的零件，作为主要的学习数据；2)人工判定的零件，作为补充的学习数据。这一部分可以离线进行，不影响生产。待新模型生成后，可以用过往数据进行离线评价，准确率符合要求后，再上线。工人只需将不同类别故障（及合格）的零件放置到对应的不同文件夹下，启动“AI学习”计算，即可生成AI判定模型。启动后无需人工干预、生成结果不需要声学/人工智能的专业知识，简单易上手。全程只需要对产品的主观评价有了解即可。

◎ 图15 AI学习引擎

（3）人工判定：针对现有EOL判定的补充，主要针对EOL无法识别的故障。通过人工进行判定，再输入到AI学习引擎。大部分数据可以由现有EOL提供（测试数据和判定结果）。针对现有EOL无法判定的零件故障，可采用人工判定的补充方式。通过人工对特定文件进行判定，挑出特殊故障的零件数据，再和EOL能够判定的数据一同输入到AI学习引擎。

◎ 图16 人工判定图例

（4）AI判定引擎：对EOL发来的零件测量数据进行判定，是整个系统的核心部分。由AI学习引擎提供“AI判定模型”，利用AI判定模型在线自动对零件做出判定结果、传到数据库中，供PLC读取。判定过程完全无需人工干预。

◎ 图17 AI判定引擎

（5）服务器：服务器软件包含测量数据文件的分发、判定结果的管理，设置工作模式等等管理功能。是整个系统的控制中心。服务器端软件是整个系统的控制中心。服务器软件包含测量数据文件的分发、判定结果的管理，设置工作模式等等管理功能。无锡项目中，根据用户要求，还增加了判定策略设置、判定流程调整等高级功能.

◎ 图18 服务器

（6）产线PLC：此部分主要指从数据库中获取特定零件序列号的判定结果。需要有数据库软件的支持。

4、系统运行模型（学习模型&运行模型）

◎ 图19 系统学习模型

◎ 图20 系统运行模型

对于系统学习模型，通过对数据的收集以及数据科学家模型的不断测试和调整，给出了多套AI模型，每个数据模型通过对切入点的不同，对自动辨别后的产品合格率以及错判率都有所不同，如下为几个AI模型：

数据选择了15174个样品声音数据，每个声音数据有156000个时间点，其中有14725个）（97%）是人工辨别为合格的样品声音数据，另外的449个（3%）为不合格品声音数据。

◎ 图21 AI模型1

◎ 图22 AI模型2

◎ 图23 AI模型N

经过对多个模型的不断测试和验证，最终选择了其中模型N作为了最佳模型。2019年6月，基于AI（人工智能）技术的噪声检测系统首次被应用在佛吉亚（无锡）工厂，用于检测车用电动调高器的NVH性能评判。经过2个月测试及验证，该系统的检测效率及准确性远超传统人工检测。

人工智能技术是当今计算机科学领域的研究热点，能够高效完成过去必须由人工完成的复杂任务，在汽车行业向智能制造转变的过程中扮演着举足轻重的作用。从2018年年末开始，佛吉亚（无锡）工厂就与集团大数据科学家团队展开全面合作，致力于将AI技术应用于NVH性能评判。

随着基于AI（人工智能）技术的噪声检测系统在无锡工厂投入应用，目前人员数量已经从38人下降至3人，同时，质量控制能力显著提高，客户端PPM从25下降至3，年经济效益高达450万人民币。

◎ 图24 人工智能自动检测系统平台及软件屏幕显示 

右：服务器端软件，用于发送数据到各客户端、管理各客户端返回的结果数据。 

左：AI评价客户端软件，用于从服务器下载数据并上传AI判定结果。

（1）人工成本的节省人工判定方法，需要不断投入人力费用。总共通过这个人工智能项目的实施，节约38个操作人员。AI判定方法，只需初期进行投资，后续维护费用远远低于人工判定费用。

（2）提高判定节拍人工判定方法，需要人工完整检测整个零件运行过程，时间可能高达115秒/件，是一个瓶颈工位AI判定方法，针对的是EOL数据进行运算，速度由计算机/网络系统性能决定，当前可达约6秒/件，节拍提高近20倍且无需人工，彻底解决了瓶颈工位的问题。

（3）降低产品换型成本传统EOL判定方法，即使类似机械原理的产品，换型后也需要重新设置判定阈值/范围。需要大量数据，重新进行统计分析，由专家设置阈值。AI判定方法，只需工人重新提供带有标签的数据，由计算机可以全自动训练出新的模型，来适应新型号的产品。

（4）减少专家的介入传统EOL判定方法，需要建立主观评价与声学参数之间的关联，如选择哪些有效声学参数、如何设置阈值/范围，甚至更为复杂的判定树。要求深入理解产品的声学/自动化专家的介入、以及大量的经验、时间。AI判定方法，其输入仅为数据和对应的标签（OK/NOK，或OK/NG）。仅需要有责任心的工人介入即可实现。从时间、效率、人力费用上均远远优于传统方法。

（5）产品之间效率提高，质检误判率减低，客户满意度高