传统汽车业的生产制造如何拥抱“工业互联网”？

在新基建的浪潮带动下，工业互联网的崛起之路势在必得，作为工业皇冠的汽车制造匠如何充分利用IT与信息及大数据技术实现变革与转型呢？且看小编慢慢介绍。

行业痛点刨析

汽车生成工厂在生产过程中面临的问题：

• 第一，台车的精度偏差及其不一致性导致基于台车的在线检测工位的三坐标测量结果数据可用性差；

• 第二，台车的精度偏差大，对地板线和主拼线的加工精度影响显著；

• 第三，在台车偏差分析和矫正机制中，当前的检测方式主要是通过将台车下线并对其在三坐标测量室进行检测，得到偏差并矫正，这个过程费时费力；

• 第四，同一生产线上有几十辆台车轮转，导致对台车偏差进行测量并矫正的过程迟缓（一个月检测一轮），需要更高效和自动化的台车偏差计算方式；

• 第五，车身精度质量的不稳定性，导致总装质量异常，车身精度质量监测、及时感知车身精度质量问题的能力较弱。

所以需要更自动化、更智能的质量监测和异常识别机制。

数据联合分析模型可以实现对台车偏差的周期性分析计算，从而指导相关人员矫正台车偏差，降低由于台车本身偏差导致的在线检测设备测量数据的偏差值，同时提高台车偏差的周期性矫正并提高地板线和主拼线的加工精度。

通过采集和监控三坐标（测量室+在线）的数据，及时发现现存的车身精度质量问题和潜在的车身精度质量问题并通知质量检测人员，及时追溯和解决质量问题，提高产品的质量稳定性。

在分析项目数据之前，需要把数据接入工业大数据平台，一体化管理数据源，利用工业大数据平台内部的数据分析工具，一体化分析这些数据。量产阶段，按每周一次的频率，对基于前一周收集的在线检测设备历史测量数据、三坐标测量室历史测量数据、在线检测设备测点与三坐标测量室测点的对应关系数据、台车车身VIN与台车对应关系的历史数据进行分析。对前一个月的在线检测设备历史测量数据进行时间序列分析，挖掘测量数据中各个测点在各辆车上的偏差。

价值模型构建

利用分析模型推算出的台车偏差，指导设备相关人员对台车进行矫正。在这个基础上分别选择专家报警模式、专家预警模式、挖掘报警模式、挖掘预警模式测试，将得到的在线检测设备测量数据相关模式加入模式库监控在线检测设备的测量数据库中。

每次接入新的测量结果，对本次测量结果进行模式识别（“指标—阈值”规则计算，专家+挖掘），如果发现异常模式，则进行报警；将本次测量结果与前面N次结果联合进行模式识别（“指标—模式”规则计算，专家+挖掘），如果发现异常模式，则进行预警。

带来的价值效应

• 基于台车的在线检测工位的三坐标测量结果的准确率提升90%；

• 将原来的台车下线在三坐标测量室检测转为在线快速矫正模式，大大缩减了检测过程费时费力的验证操作流程，提升工作效率80%；解决了台车偏差矫正过程迟缓的问题，由原来的一个月检测一轮缩短为一周检测一次，周期缩短为原来的四分之一；

• 台车高效地进行在线调整，台车偏差矫正效率提升至95%以上；量产阶段总装质量异常率降低至18%；形成了设备自动化和智能化的质量监测和异常识别机制。