那么就需要后续大量的产品外观质量检测 。 曾经使用的是人工目视检测或传统视觉检测（通过生产线上的工业照相机对每件产品进行外观拍摄 ， 将其与标准样品对比以判断其是否有外观缺陷） 。
“传统的工业制造当中 ， 我们会通过员工每天去看 ， 当这个产品如果一天生产15片的时候 ， 大家看起来可能会觉得比较轻松 。 如果这个产品一天生产15万片 ， 如果再去靠人看的话 ， 那么对稳定性和准确率产生很大挑战 ， ”李聪讲解道 。
而AI工业视觉检测平台可以实现0漏检 ， 0.5%误检率 。 “0漏检是件意义非凡的事情 ， 比如用在安全相关的急停按钮开关 ， 哪怕是0.1%的漏检率也存在巨大风险 ， ”冒飞飞表示 ， “为什么我们允许0.5%的误检率呢？模型要有非常大量的样本进行训练 ， 完全做到0其实非常难 。 允许0.5% ， 就是允许可以把好的判成不好的 ， 然后会再检查一遍 ， 保证检测精度 。 ”
他认为 ， 成功构建AI工业视觉检测平台的关键是检测模型的建模、训练和迭代 。 但如果采用传统的自建服务器方式这里面有两个问题 ， “其一是模型训练和迭代需要巨大的算力 ， 成本非常高；其二是在进行模型训练时需要工程师到全国各地工厂去采集数据 ， 需要投入大量的人力 。 ”
而后施耐德电气选择与亚马逊云科技合作 。

文章图片

施耐德电气全球供应链中国区IT总监 曹捷
“具体来看 ， AI工业视觉检测平台实际上是一个云边协同的融合架构 ， 实现云边端一体化数智闭环的系统 。 在云端我们可以实现海量的样本数据的存储、标注 ， 同时在云端通过Amazon Sagemaker机器学习框架和弹性算力的提供来训练工业模型 ， 模型训练好了以后再通过云边协同的方式 ， 把云端的模型下发到产线边缘侧 ， 执行边缘推理 ， 并通过产线端的数字化和智能化的改造完成和工业控制元件的集成 ， 从而实现一个整体的闭环回路 。 ”施耐德电气全球供应链中国区IT总监曹捷介绍 。
总结来看 ， 就是施耐德电气收集和提供工业缺陷检测数据 ， 采用亚马逊云科技的服务完成包括数据标注、底层机器学习的框架、算力的弹性提供 ， 降低施耐德电气的算力成本 ， 以及自建模型的框架选择、数据准备、环境搭建等人力成本 。
Amazon SageMaker在单个工具集中提供了用于机器学习的所有组件 ， 从而使用者能以更低成本、更轻松地在更短时间内将模型投入生产 。 据其介绍 ， 可使企业开发AI模型的三年总体成本降低54% 。
目前 ， 这套AI工业视觉检测平台实现了产能大幅提升 ， 施耐德电气已在中国区将其部署到上海、无锡、厦门等地5家工厂的9条产线中 ， 未来还将有8家工厂、44条产线将上线 。
从AI工业视觉检测这一具体的改造方案出发 ， 可以非常清晰地观察制造业数字化转型中工业逻辑与IT技术逻辑的互动 。
更深度的数字化转型目标：上下游的协同与需求指导生产
曹捷认为 ， IT支持的数字化项目的落地和实践 ， 主要是通过一个两维的集成框架来推进 ， “横向集成指供应链价值链的集成 ， 主要把核心业务流程数字化 ， 同时把各个业务系统之间的数据勾连打通 ， 从而形成数据驱动的分析、预测和智能决策的能力 ， 提升整个供应链的效率和客户满意度 。 纵向集成是以单个工厂的维度、从制造管控的垂直方向 ， 通过施耐德电气智慧工厂EcoStruxure IoT的解决方案 ， 实现工厂的设备互联、边缘控制和在云端的应用和分析 。 ”
李聪更进一步讲到了上下游的协同效应 ， “我们在部署数字化系统的时候 ， 会把上游的供应商也整合进来 ， 比如说它的计划、库存、订单拉动、质量管理等 。 同时 ， 对于下游的客户 ， 则是客户的所有需求、库存管理以及对客户满意度的持续跟踪 。 ”