案例分析：实现工业工程智能制造目标

本文案例均来自于真实实验和应用场景，出于信息安全考虑，企业名称均使用化名。
3.1 增效案例：5G技术重构航空发动机试车和制造工作模式
航空发动机被称为工业界“皇冠上的明珠”。航空发动机试车是研发和生产的关键环节，传统的做法是将传感器放置于发动机上，试车期间由人员现场检测，由于传感器数据需要发动机停机后才能传出，极大影响了研发生产效率。上海飞天航空发动机公司在发动机试车过程中存在三大痛点：
一是试车期间的潜在危险源需要实时动态监控识别，但采集的海量数据传输速率不足；
二是协同检测异常识别无法进行智能化支撑；
三是生产现场问题异地专家无法有效指导。
为解决这些痛点，IE工程师利用5G重构了试车工作模式：建设5G专网，搭建基于5G的机械臂+工业相机协作平台，远程操控机械臂和相机实时录像，通过5G网络传到后台数据中心，对实验关注的数据信息实时监测，并对异常数据及时告警；在依托5G实现智能网联的基础上，利用机器视觉等技术，实现对发动机试车过程的漏油、表面缺陷、振动的智能识别，解决试车过程的全方位视频动态监控与智能辅助识别问题；利用5G网络实现关键零部件装配的AR远程专家指导。经过反复实验，方案获得了成功。重构后的试车工作模式下，生产率和效率大幅度提高。
生产航空发动机叶片需要稳定精密的铣削。铣削过程中强大的冲击力带来叶片振动，容易造成铣削轨道偏离规定路线并致使产品缺陷，缺陷产品再次返工影响生产效率。为解决这个难题，IE工程师设计在铣床部件及工具上安装5G传感器，实时采集铣削状态的数据并传到后台。后台通过AI判断比对铣削是否处于稳定状态，通过数字孪生技术实时计算弥补偏离的路线，实现铣削过程的实时动态监控和仿真模拟控制，避免产品因发生共振而出现缺陷。在实验和实际运行状态下，采用该方案后返厂率从25%降低至15%，有效提升了生产效率。
3.2 降本案例：利用5G实时高速检测带钢缺陷
传统生产线对带钢缺陷的检测方法存在很大不足：
一是靠人眼识别带钢表面缺陷，人员存在视力疲劳、走神等情况，识别效率不高，准确率较低，人员成本高且有人身安全风险。
二是带钢在生产线上移动速度很快，人眼识别缺陷存在困难，如果放慢生产线运行速度，又会造成生产效率下降。
三是如果不做或少做过程检测，则不能及时剔出劣质产品，增加了劣质产品在后续工序的加工成本。四是如果中间停车抽检，将拉慢生产线运转速度，且仍存在事后才能全检的成本浪费问题。

辽宁东安钢铁公司是zhuming钢铁企业，面对以上难题，IE工程师利用5G技术实现智能网联，建设高速带钢缺陷实时精准检测系统，重构带钢生产线模式。系统拟在冷轧厂酸轧机组上下两侧各安装工业相机3台，利用工业相机对运行速度达10 m/s的带钢进行高清图像拍摄，每秒拍摄图片120张。系统把完整图片合成为高清图像，并通过5G网络上传到云平台，在云平台上采用图像处理软件和缺陷检出及识别分类算法，利用大数据分析、机器学习和共享缺陷识别库等技术，实现动态监控、快速缺陷识别和类别判定，并指令生产线对缺陷带钢特别处理。该系统还拟利用5G的低时延特性，解决图像同步自适应、光照强度自适应、带钢跟踪自适应等多项技术难题。
经过反复实验和改进，该系统实验成功并投入使用，实现了常规缺陷检出率在95%以上，常规缺陷识别率最高可达95%，设备稳定运行率超过99%，降低了生产成本和缺陷产品处理成本，每条生产线每年提高经济效益400万元，每年减少事故处理成本300万元。