轮胎外观 AI 全检怎么做?鲁班智能体生产排程如何协同
硫化机下来的轮胎堆在检验工位上,一条胎的外观要在几十秒内被看完:胎侧有没有气泡和明疤、胎面花纹有没有错位、接头是否平整、胎圈有没有缺胶、胎侧的规格字体是否清晰。第一班的前两百条,检验员的眼睛是锐利的;到第八百条,标准会在疲惫中悄悄变宽。同一天,计划员的排产表刚下发,返修区就送来一批需要复检的胎,两天的产能被重新切走一块,交期又要往后挪。
这两个场景属于两个部门,却共用同一套约束:质量结果决定了产能的真实可用性,产能安排又决定了哪些批次需要重点盯。本文要讲清的就是这两件事——轮胎外观 AI 全检到底怎么做才站得住,以及鲁班智能体生产排程如何协同,让检验数据真正进入计划,而不是停在报表里。
一、轮胎外观 AI 全检,"全"字要落到三件事上
先定义清楚:全检不等于"每条胎都过一遍相机"。真正的全检,是每条胎的每一个判定点都有结论、有依据、有责任人可以追溯。做到这一点,需要三件事同时成立。
1. 拍得到:成像方案决定能力上限
- 工位与视角:胎侧是曲面,且表面反光不均,单一正面相机无法覆盖胎肩与胎圈过渡区。通常需要多工位、多角度布置,配合环形与条形光源分区打光。
- 检测维度:2D 图像擅长发现色差、杂质、字体缺失、明疤;3D 线激光或结构光更适合量测凹陷深度、接头台阶、花纹错位这类有高度差的缺陷。两者不是替代关系。
- 规格切换:轮胎规格多、换产频繁,成像参数、模板、判定区域都要随规格自动切换,否则换一次规格就要停机调半天,全检在生产节拍上就无法实现。
这一步是硬件与工程问题,AI 帮不上太多忙。但成像方案一旦定下来,后面所有判定的天花板也就定了。
2. 判得准:判定标准必须先被写成可执行的规则
很多项目卡在这里:模型训练得不错,但一上线就和检验员争执。根因往往不是算法,而是限度标准从来没有被明确写出来。
- 缺陷词典:气泡、杂质、缺胶、明疤、错花、花纹错位、接头不良、喷霜、字体模糊……每一类的名称、位置、形态描述要统一,否则同一处缺陷在不同班次有三个叫法,数据无法积累。
- 限度样本:什么程度可接受、什么要判修、什么直接判废。这些样本必须以图片形式固化下来,成为判定基准,而不是靠老师傅口头传授。
- 灰度带设计:明确区分"确定合格""确定不合格"和"需要人工复判"三档。把灰度带显性化,比强行追求一个二分类阈值更贴近生产现实。
在 Soiawork 中,缺陷词典与限度样本可以沉淀进知识库,判定时由智能体调取对应规格、对应部位的标准作为依据;分类与量测的处理方法则可以做成技能,换规格、换产线时被复用,而不是每次重新调一遍。
3. 留得住:每个结论都要能追回到具体那条胎
- 与胎号绑定:图像、判定结果、判定时间、判定模型版本、复判人,全部挂到条码或胎号上。
- 可回溯:当客户端出现外观类投诉时,能翻出这条胎当时的所有检测图像和判定记录。
- 可复盘:定期抽样复核,比对 AI 判定与人工复判的差异,差异本身是改进模型的输入。
二、最容易被忽略的一半:人机协同的复判机制
AI 全检项目失败,很少是因为"检不出",多数是因为没人处理灰度带里的那部分。
复判队列要像工单一样被管理
- 落入灰度带的胎进入复判队列,按风险等级排序:影响安全的部位优先、批量性异常优先。
- 复判结果必须回流,形成"AI 判 X、人工判 Y"的差异台账,这是模型迭代和标准澄清的事实依据。
- 复判工作量要可估算,因为它直接占用检验产能——这一点在后面排产协同时会成为关键输入。
责任边界要提前说清
AI 负责发现、分类、排序和留痕;判修、判废、放行仍由质量责任人签字决定。系统做的是把判断所需的信息集中呈现,而不是替人做判断。
在 Soiawork 中,这条链路可以用工作流固定下来:检出异常 → 按规则分级 → 推送复判任务给对应责任人 → 记录复判结论与依据 → 归档到该胎号的检测档案。整个过程有运行记录,异常和人工介入都留痕,后续复盘时可以直接调取。
三、排程真正难的不是算,而是约束说不清
转到计划侧。多数工厂不缺排产软件,缺的是当插单、到料延期、设备停机同时发生时,能快速说清"哪些订单会受影响、影响多少"的能力。
按订单优先级、工艺步骤、可用工时、物料与设备限制整理排产方案,标出排不下的工序和交期变化,保留调整前后的差异——这套约束梳理动作,本身就是排产的核心工作量。
鲁班智能体生产排程在解决的到底是什么
行业里讨论鲁班智能体生产排程这类提法时,指向的其实是一件事:把排程从"一个人对着表格算"变成"一个能理解约束、生成方案草稿、评估交期影响、留下调整依据的智能体"。
调整前的典型状态是:插单、到料延期或设备停机后,计划员需要重排工单,还要逐张查清哪些订单会受影响,调整过程难以留痕。调整后的路径大致是四步:
- 梳理排产约束:订单优先级、工艺顺序、可用工时、物料与设备限制,一次说清。
- 生成排产方案草稿:按约束排出工序安排,并主动标出排不下的环节。
- 评估交期影响:列出受影响订单和具体交期变化,而不是只给一句"排不下了"。
- 保留调整前后对比:记录改动依据,交计划员确认后执行。
在 Soiawork 的生产排产场景中,这条路径对应的是:连接器从 ERP、MES 取订单与库存数据,知识库承载工艺路线与优先级规则,工作流固定"约束梳理—方案生成—影响评估—差异留档"四步,自动任务在每日班前或插单事件触发时运行。方案交计划员确认,不做自动下发。
需要说明的是:排程方案的优劣仍取决于约束是否完整、数据是否及时,智能体输出的是可供判断的草稿与影响清单,不是可以直接执行的命令。
四、两者协同的四个接口
检验与排程如果只是各自跑通,价值是局部的。真正的协同发生在四个接口上。
接口一:缺陷谱 → 检验重点
某台硫化机、某个模具、某个批次在近期集中出现某一类缺陷时,这个信息应当反向进入检验环节,让该批次在对应部位加严关注。
- 在 Soiawork 中,可以配置自动任务:按班次汇总缺陷分布,识别出集中性异常后,生成加严检验提示并推送到对应工位。
- 这类提示由智能体生成草稿,是否调整检验策略仍由质量负责人决定。
接口二:返修与复检工时 → 真实产能
- 返修占用的是设备和人的时间,复判占用的是检验产能。这两块如果不计入可用工时,排产表就是虚的。
- 把返修工时与复判负荷作为约束项输入排产,得出的交期才接近实际。这一步往往需要连接器从质量系统与返修记录中取数,再由技能按规则折算成工时占用。
接口三:机台与模具风险 → 排产避让或加严
- 当某台设备近期缺陷率明显偏高、或某套模具已接近保养周期,排产时可以选择避让高要求订单,或安排低敏感度订单过渡。
- 智能体在这里做的是提示与建议:把历史缺陷与设备、模具、班次的关联整理出来,交给计划员权衡。
接口四:交期变化 → 检验排班
- 排产调整后,各规格的下线节奏随之改变,检验工位的负荷曲线也会改变。
- 让排产方案的变化同步生成检验侧的负荷提示,可以避免出现"某个班次集中下线、检验排队"的拥堵。这属于持续运行类任务:按事件触发,而非人工发起。
五、从哪一步开始,风险最小
不建议一上来就做全线全检和全自动排产。更稳妥的路径是选一个交叉点做小范围试跑。
- 第一步:选一个缺陷类型集中、人工判定争议最多的部位,先把限度样本和缺陷词典写清楚,这是所有后续工作的地基。
- 第二步:把复判队列和差异台账跑起来,用一两个班次验证"AI 判 + 人复判"的实际负荷,确认灰度带的规模是否可承受。
- 第三步:把返修工时与复检负荷折算成产能占用,接入排产约束,观察排产结果与实际的偏差。
- 第四步:核对结果与异常,特别是那些"AI 判合格但客户投诉"和"AI 判废但人工放行"的样本,看是标准问题、成像问题还是模型问题。
每一步都以"能否核对、能否复盘"为前提。运行记录、异常清单、人工介入痕迹,比一个漂亮的准确率数字更有决策价值。
结语
轮胎外观 AI 全检的价值在于把模糊的目检经验变成可追溯的判定记录;鲁班智能体生产排程的价值在于把散落在多人手里的排产依据集中成一份可对比、可回溯的方案草稿。两者的交汇点是同一件事:质量结果必须成为计划的输入。建议从一项重复工作开始试跑,比如某个部位的缺陷分类,或某条产线的插单影响评估,先核对结果与异常,再决定是否扩大范围。Soia 让智能生长,让工作进化。
常见问题解答
做轮胎外观 AI 全检,是不是必须改造现有产线和 MES?
不一定。检测工位的成像硬件通常需要按缺陷类型补充或调整,但系统层面多数可以通过连接器对接现有 MES、QMS 和质量台账,把判定结果回写而不是重建一套。改造范围取决于现有系统的接口开放程度,建议先做接口梳理再谈方案。
AI 判错了谁负责?漏检怎么处理?
判定责任仍由质量责任人承担,这一点不应因引入 AI 而改变。工程上的做法是:设置灰度带把不确定的样本交给人工复判,建立差异台账持续复盘,并对关键部位保留抽检。系统记录每一次判定与复判的依据,使责任可追溯、问题可定位。
排产智能体会不会打乱计划员现有的工作方式?
前提设定上不会。智能体输出的是方案草稿、冲突清单和交期影响评估,最终确认与下发仍由计划员完成,且调整前后的差异被保留下来,便于解释"为什么这么排"。它的作用是把查资料、算影响的时间压缩,而不是替代计划员的判断。
我们已经有视觉检测设备和 RPA,再上智能体是什么关系?
不冲突。视觉设备解决"拍和量",RPA 解决"固定规则的系统操作",智能体解决的是"在规则不清、路径需要现场判断时,组织上下文并推进到结论"。三者可以组合:设备产出图像,智能体做分类分级与复判派发,RPA 完成台账登记与系统回写。
从哪个场景切入最容易看到效果?
通常选"争议最多、标准最难统一"的那个部位,因为它的改进空间最直观;或选"插单最频繁"的那条产线做排产影响评估。两者都建议先在单一班组、单一规格上试跑,用两到四周的运行记录核对结果与异常,再决定是否推广到更多产线。



