工厂产线自动化，深度学习不是来抢 PLC 饭碗的

一家电子厂的产品检测工位上，视觉检测系统正对着产线上鱼贯而过的电路板拍照。每块板子经过，系统在 200 毫秒内判定 OK 还是 NG，NG 的直接被机械臂拨到回收箱。

这个系统以前跑的是传统视觉检测算法。质检工程师花了两周时间，手工调了四十几个参数——焊点直径的上下限、元器件偏移的像素阈值、颜色偏差的容差范围。上线之后效果还行，检出率大概 70%。

三个月后，工厂换了一批新产品。新产品的电路板布局变了，焊点大小变了，元器件颜色也变了。工程师又花了两周重新调参。

质检主管受不了了，找了一个做 AI 的团队，换了一套基于深度学习的视觉检测方案。训练数据就是过去半年的产品图片——几万张 OK 品和几千张各种缺陷的 NG 品。训练了不到两周，系统上线，检出率提到了 95%。最关键的是：换新产品的时候，不需要手工调参了，只要拿新产品的数据重新训练一轮就可以上线。

这不是科幻，是大量的工厂里正在发生的事。

先说清楚一个定位问题

聊"工厂 + 深度学习"之前，得先把一个最常见的误区讲清楚。

很多人一听到"AI 进入工厂"，脑子里想的是机器人全面替代工人、全自动化无人工厂。这个设想离现实还差着几十年。

在真实的工厂里，产线自动化的主力是 PLC（可编程逻辑控制器）——这个东西已经稳定可靠地跑了几十年。PLC 的逻辑非常确定：传感器输入 1，控制器执行动作 A，机械臂移动到坐标 B。每一步都精确、可预测、毫秒级响应。

深度学习的定位完全不一样。它不是在和 PLC 抢饭碗，而是在干 PLC 干不了的事情。什么东西 PLC 干不了？答案是：需要"判断"而不是"执行"的事情。

PLC 知道"电机温度超过 85 度就停机"，但 PLC 不知道"现在才 78 度，但这个升温速度不太对劲"。PLC 知道"这个螺丝孔偏了 0.5 毫米算 NG"，但 PLC 不知道"这条划痕虽然位置奇怪但看起来不像是正常磨损"。

这些"看起来不太对勁"的判断，恰恰是深度学习擅长的领域。下面按 4 个具体的产线场景拆开看。

场景一：视觉检测与缺陷识别

传统方法为什么不够用了？

传统机器视觉检测依赖"规则"。你告诉系统：焊点的面积在 XX 到 YY 之间算 OK，超出就是缺陷。这个方法在"产品品种少、产品量大、缺陷类型固定"的场景下很好用，很多工厂已经用了十几年。

但它有一个致命的弱点：换了产品，规则就要重新设定。而今天的制造业，越来越多是"多品种、小批量"的模式——一条产线可能上午生产 A 产品，下午就换 B 产品。每次换线，传统视觉检测的调参工作量就让质检工程师头皮发麻。

另一个问题是：有些缺陷是"你写不出规则"的。一块金属铸件表面的细微裂纹，有的深、有的浅、有的弯弯曲曲——你怎么用几个参数把"裂纹"描述清楚？写不出来。但一个有经验的质检员看一眼就知道"这块有裂纹"。

深度学习怎么解决？

深度学习的视觉检测，做法完全不同。不设定任何规则。把大量标注过的产品图片（"这张是 OK""这张是 NG，缺陷是划痕""这张是 NG，缺陷是缺料"）喂给模型，让它自己学习"什么样的图像特征是缺陷"。

训练好了之后，给它一张新的产品图，它在毫秒级内给出判断：OK，或者 NG + 缺陷类型。

优势在哪：

• 适应性强。换产品了？拿新产品的数据重新训练就行，不需要手工调几十个参数。

• 能识别规则写不出来的缺陷。划痕、色差、气泡、缩水、变形——这些在规则系统里难以精确描述的缺陷，深度学习可以识别。

• 准确率持续提升。用实际产线上的检测结果作为反馈，不断补充训练数据，模型的检出率会越来越好。

实际的落地方式是：在产线的关键检测工位上装工业相机 + 边缘计算盒子，推理在本地完成（不依赖云端的网络延迟），检测结果实时输出到分拣机构或者报警系统。

现实约束

说句实在的，深度学习视觉检测也有不好搞的地方：

• 冷启动需要大量标注数据。一个新产品上线，没有几千张标注过的图片，模型效果上不去。

• 对光照和环境敏感。产线上的灯光变化、相机角度微调，都可能影响检测效果。需要做环境标准化和定期校准。

• 误判的代价。工厂对误判的容忍度非常低——把 OK 判成 NG（误报），浪费一个产品；把 NG 判成 OK（漏检），流出去的可能是质量事故。两头的压力都在。

场景二：设备预测性维护 —— 从"定期修"到"按需修"

传统维护模式的问题

工厂里关键设备（注塑机、冲压机、空压机、电机）的维护模式，目前大多数还是两种：坏了再修，或者定期保养。

"坏了再修"的问题显而易见：你永远不知道设备什么时候会坏。如果是普通设备坏了，换一台备机就行。如果它是一台单点设备——整条产线就这一台，它一坏全线停——那一次非计划停机可能就意味着几十万甚至上百万的损失。

"定期保养"好一些，但也不够聪明。你按照固定的时间表去换轴承、换皮带、换润滑油，很多时候是在"过度维护"——设备状态还好好的你就换了，浪费。而且有些故障不是"到时间了才坏"的模式，而是突发的，定期保养防不住。

深度学习怎么介入？

核心原理不复杂：设备在出故障之前，运行状态其实会有微小的变化。振动频谱的某个频率开始升高、电流波形的某个模式开始偏移、温度曲线出现不正常的波动——这些"前兆"肉眼不一定能看出来，但深度学习模型可以。

在设备的关键部位（轴承座、电机外壳、管道接头）装振动传感器和温度传感器，数据持续采集，送到深度学习模型。模型学习的是"正常运行模式"和"故障前兆模式"的区别。

当模型检测到当前运行数据出现了"故障前兆"的特征时，不等设备真正坏了，提前发出预警，告诉你"这台设备的轴承大概还有 3-5 天就会超标，建议在下一次计划停机窗口更换"。

这就是把"被动维修"变成了"主动维护"。

落地的难点

最大的难点不是算法，是数据采集。很多工厂的老设备——尤其是运行了十年以上的——根本没有传感器接口，或者只有非常有限的几个参数能采。给老设备加装传感器需要投入和时间，而且不能影响正常生产。

另一个难点是：不同型号、不同工况的设备，故障模式不一样。你不能拿一台注塑机的模型去预测一台冲压机的故障。这意味着每个品类、每个型号的设备都需要积累自己的训练数据。

场景三：工艺参数优化 —— 把老师傅的经验变成数据

工艺参数调优的"隐性知识"

在很多传统制造业里，工艺参数的调整靠的是"老师傅"的经验。

一台注塑机，料筒温度设多少、注射压力多大、保压时间多长——这些参数直接影响产品的外观和强度。一个干了二十年的老师傅，走到机器旁边，听一听声音，摸一摸模具温度，看一眼产品表面的光泽度，就知道该调哪个参数、调多少。

问题是：人不能复制。这位老师傅退休了或者跳槽了，他的经验就带走了。下一个操作员可能需要几个月甚至更长时间才能积累出类似的判断能力。

深度学习怎么做？

做法不复杂——把老师傅的经验"数据化"。

把每一次生产的数据都记录下来：原材料批次、环境温湿度、设备工艺参数、产品质检结果。积累到足够多之后，用深度学习模型学习一个"映射关系"——什么样的原材料 + 什么样的环境条件 + 什么样的参数设置 → 什么样的产品质量。

模型训练好后，逆向使用：给定"今天的原材料批次和当前环境条件"，模型输出"最优工艺参数建议"——料筒温度多少、压力多少、保压时间多少。

这不是在替代老师傅。真正的用法是：把老师傅的经验数字化、可复用。老师傅调出来的最优参数，系统记录下来，成为模型的训练数据。新来的操作员按照模型的建议去设置参数，起步就是老师傅的水平。

更进一步，模型可以在生产过程中实时微调参数——原材料批次切换时自动调整温度设定、环境温度变化时自动调整冷却时间。这种"在线自优化"是人力做不到的。

场景四：AGV 调度与物流优化

工厂里几十台 AGV（自动导引小车）在产线间穿梭，给工作站送料、把成品运到仓库。传统调度算法多基于固定规则——"最近的那台 AGV 去接任务""优先级高的任务先分配"——在简单场景下可以工作，但在复杂产线（多任务、多路径、动态优先级）里，规则很容易陷入局部最优。

深度强化学习解决调度问题的思路是：在一个模拟的数字孪生环境中，让 AI 自己"玩"调度这个游戏。每完成一个任务给奖励，AGV 互撞扣分，任务超时扣分。经过几十万次甚至上百万次的自我博弈训练，模型学到的调度策略往往比人工设计的规则更优。

实际落地时，可以把强化学习模型部署在调度服务器上，根据实时产线状态动态分配任务和规划路径。

落脚：深度学习在工厂里的真实定位

实话实说，工厂场景里的深度学习，不是来革命的，是来填位的。

PLC 做"确定性的控制"——该什么时候启动、什么时候停止、移动多少距离，一分一毫都不能差。

深度学习做"不确定性的判断"——这个产品看起来有没有问题、这台设备运行状态正不正常、这组参数是不是最优的。

两个东西是互补关系，不是替代关系。很多工厂落地的时候纠结"要不要用 AI 替代现有系统"，这个问法本身就偏了。正确的问法是：现有系统里有哪些"靠规则搞不定、靠人来搞又太慢"的环节？这些环节，才是深度学习真正的用武之地。

当然，我也不灌迷魂汤。工厂场景对误判的容忍度极低——一个错误的质量判断可能意味着退货和索赔，一个错误的预测维护建议可能意味着无谓停机。这个现实意味着，深度学习在工厂里要大规模普及，还有很长的路要走。目前的定位是：先落地到"人辅助 AI 判断"的场景（AI 出建议、人确认），而不是"AI 替代人直接做决策"。

路要一步一步走，工位要一个一个攻。这是工业领域的基本节奏，急不来。

15 年数字孪生老兵，跑过大量智慧工厂项目。不吹 AI 万能、不编数据、不画饼。每周分享一线实战观察，欢迎关注。