摘要：事业部聚焦新能源电池&电驱制造过程质量管理创新自主开发“智问”系统。通过引入先进的技术和方法，实现质量管理智能化，提升质量管控能力。系统覆盖外协件入口检验、装配过程及整车后工程服务等全部环节，并集成数据采集、数据建模、数据分析等手段。通过系统应用提升质量管理的

事业部聚焦新能源电池&电驱制造过程质量管理创新自主开发“智问”系统。通过引入先进的技术和方法，实现质量管理智能化，提升质量管控能力。系统覆盖外协件入口检验、装配过程及整车后工程服务等全部环节，并集成数据采集、数据建模、数据分析等手段。通过系统应用提升质量管理的颗粒度和准确性，降低产品质量问题发生率，提高工作效率，缩短质量管理周期，加快问题解决速度，实现了质量管理水平的有效提高。

首创红旗动力“三体”数字孪生理论，作为“智问”系统最为重要的理论基础。三体分别为母体、实体、虚体。母体为依据产品设计标准、工艺标准，用于孕育实体的三维几何标准体，实体为具有使用价值的物理实体，虚体为实体全生命周期产生的数据智能集合体。母体、实体、虚体互相指导，互相优化，体现数字孪生的具体应用。

本次系统建设的总体思路是应用TOGAF数字化转型思维，针对智能作业品控首先将装配作业业务对象数据化，基于治理后的数据与业务机理将其数据模型化，实现装配作业过程智能化，最终达成装配质量“零”缺陷。

红旗新能源动力总成质量管理业务愿景为通过关键客户触点识别关键目标，以目标为导向，聚焦业务痛点，实施全面质量管理，追求极致质量，打造“零”缺陷产品。从入口质量管理、过程质量管理、出口质量管理三方面，全链条识别业务价值流、目标及价值主张，支撑实施全面质量管理，追求极致质量，打造“零”缺陷产品的业务愿景。

（二）创新成果的具体实施

为了系统性地提高新能源动力总成事业部的质量管理水平，我们全面梳理了全链条质量控制业务，精准识别出贯穿从原材料入库至成品出库的20项核心业务流程。这些流程的优化与强化，依托于AI辅助决策、数字孪生模拟、大数据分析等七大前沿核心技术的深度应用，共同驱动工厂向基于AI的主动预防型质量管理模式迈进。

具体而言，我们聚焦于入口质量管理、过程质量管理与出口质量管理三大关键环节，进行精细化拆解与重构。在过程质量管理中，我们创新性地将“人、机、料、法、环、测”六要素作为分析框架，逐一深入剖析，并据此构建了质量管理业务的演进蓝图。这一蓝图清晰地展示了从传统的基于结果反馈、事后补救的被动质量管理模式，向先进算法与AI技术实现主动预测、前置干预的智能化质量管理模式的华丽转身。

针对“人、机、料、法、环、测”六要素，我们深度融合数智技术，开发22类应用场景覆盖产线关键质控点。这些创新举措实现了全过程智能化、数字化管控，确保无死角、可追溯，为新能源动力总成事业部质量管理带来革命性提升。

业务全景：红旗动力总成的质量管理愿景，旨在通过精准捕捉关键客户需求，设定明确目标，直击业务核心痛点。我们致力于推行全方位的质量管理体系，从源头、过程到成品出口，全链条把控，精准识别并优化价值流，确保每一步都围绕提升质量这一核心展开。我们的目标是实现质量的极致追求，力求产品“零”缺陷，以此作为业务发展的不懈动力与最终追求。

图1 事业部质量业务全景图

1.系统架构

系统梳理全链条质量控制业务，识别出从入口到出口质量管理等20项业务流程，应用AI辅助、数字孪生技术等七项核心技术，助力新能源动力总成实现基于AI主动预防质量管理理念。智问系统分为三大管理模块，入口质量管理、过程质量管理、出口质量管理；共分为十大应用场景，88个业务组件，并实现多个数智化技术与业务场景的深度融合。

图2 “智问”系统架构

2.业务演进

梳理入口质量管理、过程质量管理及出口质量管理三个环节质量控制业务，并将过程利用“人、机、料、法、环、测”六要素进行拆解，构建质量管理业务演进图，由基于结果、事后改善的被动质量管理，向基于算法、AI管控的主动预测质量管理演进。

针对“人、机、料、法、环、测”六大过程要素，运用数智化技术深度融合业务场景，创新开发十大应用场景，覆盖产线所有关键质量工位，真正实现过程数智化防呆、无死角管控、100%可追溯。

(1)入口质量管理(法)

原有业务模式：入口管理过程为管理外协件相关质量信息，管理者通过邮件接收信息，电脑查询打印检查法，对外协件进行检查、判定，并将结果信息通过邮件反馈生产部相关人员，不合格信息通过质量信息群传递，各过程均使用邮件或纸张进行传递跟踪。

业务痛点：标准及信息纸质传递，低效工作“多”，信息传递“慢”，共享性差，尤其不良信息传递存在滞后性。

变革方案：开发入口质量管理功能，建立标准数据库，实现标准统一化，实现信息接收、检查实施、判定、结果输出全过程管理，提升不良信息传递的及时性和准确性，将质量问题传递、跟踪、解决线上管理。

达成目标：降低信息传递成本，实现无纸化办公，提升工作效率20%。

技术特点：使用宜搭低代码搭建入口管理平台，实现标准统一化、外协件入货信息实施共享化、数据分析采集可视化，具备自动推送、审核、批准、预警等功能。

实现功能：

①管理并更新品管类别、检验项目等基本信息，确保信息的准确性和完整性。

②录入、审核进货检验单，对不合格品进行记录和处理。

③通过追溯管理功能，确保问题可追踪、可解决。

④实现数据统计分析模型搭建，实时呈现质量状态。

⑤实现质量问题系统化，保证问题快速传递、推进解决。

(2)人员智能作业协同(人)

原有业务模式：新人培训模式为师带徒，培训周期为1个月，上岗评价为师傅按照评价项目进行人工观察打分，新人上岗后师傅会进行为期2周的作业观察。

业务痛点：新人上岗培训周期长，上岗评价为人工主观评价，缺少技术手段，易出现作业错误，人员能力缺少分析与决策。

变革方案：通过智能穿戴(手套)对手动生产管理的主要环节提供数字化工具，帮助工厂节约管理成本，提升产能和质量。

智能穿戴(手套)基于背部13个微机电传感器实时采集手部动作细微变化，节拍时间更加精准，并基于后台强大的算法模型，轻松进行数据分析。如：最佳节拍、平均节拍、节拍波动等一目了然，基于大量数据，更便于改善点的对比与解析；结合视频联动实现作业标准、作业培训、作业考核、工站分析等功能，大幅度提升培训效率；传统的培训考核模式大部分依靠于考官的判断，且数据记录和管理消耗大量人工工作时间，使用智能手套后，大部分考核和数据自动生成，且培训结果数字化，培训效率大幅度提升，新人上岗培训周期缩短3周。

图4 智能作业分析手套

达成目标：上岗培训周期缩短50%，员工多技能率达标，标准作业执行率100%，人员智能作业协同上线。

技术特点：智能穿戴，微机电传感器，数据统计分析。

实现功能：

①作业标准步骤录入：由岗位作业熟练人员穿戴手套进行标准动作录入，拆分每一步骤，并生成视频文件，可供操作人员参照查看。

②新人进行培训分析：新人戴上手套按照作业要点和视频进行操作，系统进行评价与打分，并给出建议，人员进行持续改善。

③新人进行上岗考核：穿戴手套进行上岗考核，系统会按照规则进行自动评分，达到上岗分数要求，通过上岗考核，颁发上岗证。

④手动工位节拍分析与优化：作业过程中人员穿戴手套进行作业，基于一段时间的统计，给出节拍瓶颈趋势分析，找到瓶颈点，进行优化。

(3)人员上岗人脸认证(人)

原有业务模式：操作者替岗时，人员是否具备岗位能力无法自动判定，存在岗位能力不足导致作业质量的风险。原有工位作业信息无法绑定人员信息，后工程追溯时全靠回忆，效率极低。

业务痛点：操作者替岗时出现标准作业不规范导致质量风险，追溯时人员信息缺失。

变革方案：操作者上线前进行人脸识别，设备自动判定人员上岗资质，让合适的人去合适的岗位，人岗匹配成功后，现场工位一体机显示当前操作者照片及信息，同时弹窗提示当日品质要点，对操作者进行提示。

通过人脸识别设备，上岗前识别人员信息，基于智能作业分析系统中的人员评价分数进行岗位能力上岗认证，如果具备则自动将人员信息绑定到岗位一体机上，如果不具备将报警提示，通知班长，原理图如图所示：

图5 人员上岗系统原理

达成目标：工位人岗匹配率100%。

技术特点：人脸识别技术。

实现功能：

①工位人员上岗计划接收：通过产线系统将人员上岗计划下发到上岗认证系统中。

②工位人员上岗识别：基于人脸识别设备，结合上岗计划进行人员上岗扫描，如果匹配显示上岗认证通过，并将信息绑定到一体机中，如果不匹配，将进行错误提示。

图6 人员上岗系统原理

③工位人员信息绑定：人员认证后，工位一体机绑定人员信息，并弹出工位作业注意事项，需要人员进行阅读，方可上岗。

(4)岗位作业三维导引(人)

原有业务模式：新人培训上岗后，需要由师傅在一旁进行一段时间的作业指导。

业务痛点：人员资源受限，导致产线节拍会受到一定的影响。

变革方案：手动工位安装工位一体机，对其作业内容进行三维动态开发，基于产品三维动态可视化对工位作业进行指导，通过与设备的实时信号互锁来实现动作联动，并及时给出预警，规避质量风险。

图7 作业三维导引原理图

达成目标：标准作业执行率100%。

技术特点：与设备信号协同的三维动态导引。

实现功能：

①三维动态指引：基于总成进站信号进行步骤播放，结合互锁信号，如拧紧合格信号等，进行步骤切换，总成出站后切换新的循环。

②当前产品信息可视：基于RFID将当前发动机产品信息与作业过程数据传输到工位一体机上，便于追溯。

图8 三维导引步骤对照

(5)工位AI视觉标准作业实时管控(人)

原有业务模式：总成装配线外包员工年离职率大于60%。产线工位标准作业审查，需要班组长通过录像回放，对产线工位标准作业动作进行评估、判定，指出操作中存在的问题。

业务痛点：标准作业监察无法实时管控，标准作业不按规范执行，标准作业执行难以评价。

变革方案：采用基于深度学习的视觉检测算法，分析摄像头实时采集的作业视频，评估操作者标准作业的符合性。取代了原有的人工观察模式，从原有的1次/每天变为了实时监控，工位标准作业执行符合率达到100%。

工位选取：选取的工位安装多个关键质量零件，存在多个质量关键点，易发生关键质量零件的错装、漏装，对操作人员的标准作业要求高。

达成目标：标准作业执行率100%、一次装调合格率99%以上、检测准确率98%以上。

技术特点：计算机视觉、深度学习。

开发过程：平台的开发过程与计算机视觉端到端开发流程类似，主要包括图像标注、训练、后端代码开发、部署等关键环节。

视频采集及标注：以PB111电池线P230工位为试点，按蘸油、螺栓拧紧、点漆等9个关键工序进行视频采集，并采用labelimg软件进行标注，共约标记3万张数据图片。

图9 图片标注

模型训练：采用GPU服务器，基于yolov5模型，对标注数据进行训练，并依据YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x四个版分别训练出不同大小和精度的权重模型，用以适应在不同的平台部署，训练时间在48小时左右。

后端控制代码开发：采用Python语言，对模型识别的每帧结果进行逻辑编排，实现每一标准动作的时长统计，动作OK、NG统计以及节拍统计，并将结果保存到数据库。

GUI界面设计：采用Python+PyQt开发GUI界面，包括主显示界面、ip端口配置、基础参数配置、检测显示模块等，并打通前后端代码。

图11 GUI界面设计

图12 硬件图谱

图13 软件架构图

实现功能：

①标准作业实时检测：通过对接产线相机以及实时读写产线PLC信号，平台可以对蘸油、点漆、安装高压模块等工序进行精准识别，并根据检测结果以及预设规则控制发动机的进出站是否放行。

②标准作业顺序定制化编排：对点漆、蘸油、密封圈、高压模块安装等各个标准动作进行定制化顺序编排，用于适应不同的工位场景作业检测。

图

③标准作业信息统计及推送：自动统计每一个基础站内各个标准动作的时间以及节拍情况，并实时存储到数据库。同时，对于出现NG操作的节拍，将通过钉钉接口实时推送到指定的接口人。

图15 数据查询界面

(6)过程参数AI周期巡检(机)

原有业务模式：过程参数异常检测，需要数据分析人员通过设备厂家的可视化工具对拧紧、压装，以及新能源新特性激光焊接与充磁等过程参数曲线逐个进行观测分析，依据数据分析人员的业务经验和主观判断来检测异常。

业务痛点：过程参数数据量巨大，需要数据分析人员逐个比对分析，耗费大量人工，同时过程参数趋势种类较多，人工分析难度较大，分析滞后性较突出，人工检测准确率难以有效保证。

变革方案：采用Python语言以及Qt、PyQtGraph等工具包，利用统计学、AI算法，迭代式开发基于集成检测规则的过程参数实时检测分析平台代替人工分析。

异常精准检测：基于统计学以及AI算法，如利用可变系数西格玛方法实现标准包络线绘制，并自动计算标准曲线K值信息。通过包络线以及K值范围，可以实现对各类形状、趋势的过程参数曲线进行定制化检测，准确率大幅提高。

异常曲线进行在线观测：利用Python、Qt实现软件的GUI界面，并利用PyQtGraph实现曲线包络线、K值散点图绘制，给出异常检测的实时可视化信息，便于直观理解。

异常预警快速闭环：在平台中嵌入钉钉开放接口，定制化配置推送人和推送群，对检测到的异常过程参数实时推送到指定的人或群组，提高异常预警的闭环效率。

达成目标：后工程不良率0.3‰以下，特性数据分析效率提升80%，并实现异常过程参数趋势实时检测、推送以及曲线动态实时可视化。

技术特点：异常检测、Python、动态可视化、实时推送。

开发过程：通过Python与PyQt开发曲线过程异常检测平台，基于集成检测算法实现曲线比对，通过与钉钉接口实现异常曲线消息实时推送。

GUI界面设计：采用Python以及PyQt，并利用Pycharm集成平台进行开发，分别设计曲线显示界面、K值散点图界面、基础参数配置模块、数据库配置模块、离线数据源模块、定时设置模块、推送设置模块、数据报表模块八大模块，并依次编写各模块功能函数。平台界面如下：

图16 过程曲线分析平台

检测算法设计：目前检测算法主要分段动态包络线检测和基于AI的异常检测两大类算法。

分段动态包络线异常检测：将曲线分为n1:n2:n3长度的三段，参考3西格玛方法（如图），计算每一段曲线的均值μ、标准差σ，并以(μ-w1*σ,μ+w2*σ)作为包络线边界，其中w1、w2为可动态调节的西格玛系数。采用此方法，可以基于曲线的不同走势分段生成不同包络线，曲线与标准包络线存在交集，则说明曲线存在异常。

图17 3西格玛示意图

基于AI的异常检测：利用二阶差分法，寻找过程参数曲线的明显变化点，筛除变化点之前的冗余数据，然后基于多次随机采样集成的思想，依照采样长度对单次检测结果进行加权，以提高检测准确率。

图18 差分示意图

实现功能：

①巡检配置：动态配置目标产线及工位，以及K值上下限，并选定数据厂家，包括博士、马头、DDK等，平台会根据不同的厂家调用不同的数据接口函数。产线-工位关联关系默认保存在./source_data/目录下。

图19 巡检规则配置

②定时功能：设置工位巡检开始日期以及切换周期，每周期内对一个指定工位进行检测，下一周期自动切换至下一工位。

图20 巡检周期配置

③数据采集：实时从产线、数据库提取过程参数数据，并进行解析转存，可采集的数据格式包括csv、excel、json、txt以及数据库数据。

图21 数据采集配置

④曲线检测：基于分段包络线以及尾部K值的曲线异常动态检测，并分别在平台上进行动态显示，便于直观分析观测。

⑤信息推送：调用钉钉接口，将异常曲线信息推送给责任人，可以同时推送给三个钉钉个人以及三个钉钉群。设置界面如下：

图23 异常信息推送配置

(7)产品数字化档案追溯(料)

原有业务模式：人工记录统计，存储方式为非结构化表单，历史追溯时间长、难度大，甚至出现数据丢失无法追溯的问题。

业务痛点：产品追溯难度大、追溯时间长，数据丢失。

变革方案：通过零件相关知识图谱的建立，解构需要的零件信息，基于实体的零件二维码和产线扫码系统进行数据采集，构建产品数字化档案，实现产品制造过程的全过程追溯。

图24 产品数据知识图谱

建立产品数据宽表：基于产品数据知识图谱，通过数智化技术将其转化为结构化的数据，并进行数据质量清洗，建立产品数据宽表，形成产品全生命周期的数据底座，实现全面追溯。

基于产品数据宽表，开发产品数字化可视系统，一键查询产品制造全过程信息。

图26 数字产品系统首页界面

达成目标：追溯效率提升100%，数据接口100%打通，自主开发孪生产品，建立产品数字化档案。

技术特点：数据采集技术，数字孪生技术。

实现功能：

①正反追溯：通过总成编码查询关键件生产信息；通过关键件生产条码查询总成生产信息。

图27 电驱产品数字化界面

②趋势分析：产品制造过程特性曲线趋势可追溯。

(8)变化点管理系统应用(法)

原有业务模式：依据变化点管理流程，确定6个方面17类变化点及其管理机制，现场车间班组手工记录变化点信息，按触发、记录、处置、监控4个步骤进行变化点日常管理，在班组目视板上展示。

业务痛点：工厂各生产班组以变化点管理目视板作为载体，对“人、机、料、法、环、测”变化点信息进行跟踪和处置，变化点信息分散、查询难度大、不易管理、传递不及时，不能保证全部变化点都得到及时有效的监控，由变化点带来的质量风险不能100%受控。

变革方案：利用低代码开发工具，搭建变化点管理系统，实现变化点信息实时共享，规范变化点的触发、监控、处置、关闭，实现变化点100%受控，保证生产制造过程质量稳定。

达成目标：生产过程变化点100%受控。

技术特点：宜搭低代码开发工具。

实现功能：

①便捷录入：变化点信息在手机端录入，通过单选、数据联动、数据管理减少信息录入工作量。

②实时共享：全员可在手机端钉钉上便捷查看变化点信息，实时抄送相关负责人。

③分类处置：按人、机、料、法、环、测、异常处置自动分类进入不同的处置方案。

④自动分析：变化点分布、变化点趋势、TOP工位排名。

图28 变化点推移图

(9)SPC检测趋势分析(测)

原有业务模式：传统的生产线质量管理主要进行质量超差项目管理，一小部分项目进行质量趋势管理，采用SPR趋势管理，按照检测频次人工进行描点，根据描点的状态进行趋势分析。

业务痛点：趋势分析基本没有，只管理超差项目。后续增加了部分数据趋势分析业务，但是由于数据采集困难，以线下为主，数据量庞大，包括产品制造过程特性参数数据管控，如质量曲线数据分析，往往数据量大，对实时性要求较高，分析难度较大，需要占用数据分析岗大量的时间精力。

变革方案：基于数据采集系统的成熟，通过数据接口获取生产线的质量数据，通过自建分析模型，对质量趋势进行预警和分析。

图29 SPC彩虹图

开发过程：基于数据接口开发实现生产线的数据采集，应用Python开发SPC趋势分析实现班组工作台和钉钉的任务触发和通知管理，在钉钉通知中链接宜搭完成业务处置的完成。业务规则数字化-采用软件算法将趋势分析的规则数字化，实现自动的趋势分析。

技术特点：实时在线监控，异常实时推送，业务规则数字化。

实现功能：

①异常信息统计。

图30 SPC彩虹图

②钉钉异常信息通报。

图31 钉钉推送信息

③业务问题闭环管理。

(10)AI视觉手持智能检测单元(测)

原有业务模式：对零件作业质量的确认常规的手段为采用自工位点漆确认，多工序联保等。

业务痛点：装配过程中部分零件安装完成后无法联保检查。例如曲轴皮带轮胶圈，金刚石垫片。此类零件出现漏装以后容易造成漏油，异常磨损等重大质量问题。装配过程中联保工作由人工确认，例如点漆确认。存在漏检、误检风险。人工点检数据非结构化，无法进行数据追溯。

变革方案：

替代人工检测。当现场安装人员安装完毕后，使用手持设备在检测安装位置采集图像，软件使用现场局域网将图像传输至现场工控机进行图像预测，将检测结果同时显示在工控机与手持设备界面。

数据展示。使用手持设备配合AI检测技术确定工件是否错装、漏装，收集现场安装人员每种采集图像方式，通过一定时间的标注数据及学习，达到实时安装实时检测的效果。

图32 AI视觉手持智能检测系统界面

开发过程：针对无法采用固定相机的场景，采用手持终端和AI算法技术，对作业结果图像采集,后台算法自动确认，确认结果通过PLC信号控制生产线是否放行，同时具备质量追溯功能，防止零件的错漏装。

基于Python软件开发，采用无线传输，系统架构为CS客户端架构。

开发图像采集系统，开发可视化操作界面，对接设备接口信号，并配备相应基础硬件。主要分为三大功能模块：检测界面模块、图像采集模块、AI检测模块。

通过“数据收集—数据标注—模型训练—模型测试—程序调试—使用交付”，在模型训练过程中，首先根据收集的图片提取出相应的特征（一般为边角等轮廓特征以及更深层次的纹理特征），随后根据提取的特征预测出一个结果（某一型号）。如果预测的结果跟人工分类的结果不同，此时模型会根据结果的差异更新自身内部的参数，从而生成一套新的模型，由此不断重复这个过程，直到模型预测的结果全部正确，或满足相应的指标要求，模型训练完毕。

技术特点：采用AI深度学习技术，创新应用非固定手持相机进行拍照，AI算法集成在边缘端的服务器中，通过AI算法消除手持相机拍照时由于抖动造成的图像不清晰，大幅度提升了检测速度与准确度。

实现功能：实现检测界面模块、图像采集模块、AI检测模块、手持设备管理、设备绑定管理、检测项目管理、历史数据等功能模块。

通过数智化技术与业务深度融合，针对电池&电驱装配线创新打造基于AI-radar“智慧雷达”式的质量风险控制，通过工艺、设备、生产、视觉、质量、人员等数据的采集与建模，使产线制造过程得以孪生，通过对产线孪生的实时监控，实现制造过程的实时可视、主动智慧巡检，保证产线稳定运行，最终打造卓越质量的动力总成产品。

图33 AI-radar“智慧雷达”

1.新能源装配线技术覆盖情况

（1）电池装配线智慧雷达式质量风险主动管控覆盖情况：针对65个工位的178项质量风险点，通过数智化创新开发应用实现智能雷达式主动质量预防，已覆盖80%，年底实现100%覆盖，最终达成无死角质量管控。

（2）电驱装配线智慧雷达式质量风险主动管控：针对88个工位的156项质量风险点，通过数智化创新开发应用实现主动质量预防，已覆盖70%，年底实现100%覆盖，最终达成无死角质量管控。

（二）行业技术水平

表1 行业技术应用对照表

（三）知识产权以及标准化

通过专利保护核心技术，通过论文进行知识共享，通过标准固化易于后续横展。

（1）共申报2项专利，发表2篇核心期刊论文。

（2）获得2020、2021年行业标杆数字化车间等行业奖项2项，并获得2021年度集团科技创新一等奖。

（3）获得2022年度国家工信部评选的“国家智能制造优秀场景”。

（4）建立企业标准1项，建立工厂通用技术标准1项。

图34 数智化获奖情况

（四）意识转变、信心倍增

通过“智问”系统的持续应用，事业部业务人员越来越依赖数智化技术。业务人员正从被动接受向主动创新转变，通过这些系统的成功应用，取得了多个奖项与集团领导的肯定。大家对于数智化转型之路充满了信心，这为一汽集团数智化转型打下了良好基础。

成果创造人：

帅睿、梁伟朋、陆鹏、郭华、杨庆海

来源：汽车弟兄