升融配资 “人工智能+应用场景”典型案例| 理想汽车：基于AI融合的拧紧实时质量监控系统

7 月 2 日，2025 全球数字经济大会期间，“人工智能+应用场景”典型案例（以下简称“典型案例”）在产业互联网创新发展论坛发布。典型案例聚焦工业智能、政务管理、金融服务等重点行业和领域应用场景，展现了北京人工智能赋能产业发展现状，为人工智能创新应用提供参考和实践路径。

基于北京软件和信息服务业协会（以下简称“协会”）2024年所发布的《北京人工智能+应用场景图谱》，为充分发挥图谱的行业指导作用，全面呈现人工智能在不同领域的应用场景与实践，协会开展了“人工智能+应用场景”典型案例征集活动，并从创新性、成效性等维度，专家委员会遴选推介12项《“人工智能+应用场景”典型案例》。

理想汽车本次入选的“基于AI融合的拧紧实时质量监控系统”，在工业制造工艺质量优化场景，智能拧紧系统突破人工抽检限制，100%实时监测加工曲线，缺陷识别准确率98.9%，支持零样本启动与2周快速产线/工艺横展。

一、案例背景

在复杂的现代制造业中，产品质量的可靠性与一致性是核心竞争力的关键。以整车制造中至关重要的螺栓拧紧工艺为例，其质量监控的挑战与解决方案，揭示了整个制造领域内一个普遍存在的痛点与突破路径。

整车制造中，每辆车包含近3000个螺栓连接点，其中大量涉及安全与核心功能。螺栓拧紧质量一旦失控，后果极其严重：轻则引发功能失效（如异响、部件松动），重则酿成灾难性安全事故（如高压线路虚接导致起火、车轮螺栓松脱引发车辆失控）。

目前行业对于拧紧质量的监控可分为两个主要的部分:动态扭矩质量监控和静态扭矩质量监控。被整车制造广泛采用的电动拧紧工具（如马头/Desoutter EC工具）就是实现了动态扭矩的基础监控——确保螺栓“不漏拧”且最终扭矩达到目标值。

然而，现有方案存在一个显著且危险的盲区：它无法有效监控拧紧过程本身的质量。以转向管柱与方向盘的螺栓连接为例，若螺栓因拧偏、螺纹磕碰或异物在未完全旋入到位时就已“达到”目标扭矩，系统会错误判定为合格。这类过程异常导致的隐蔽缺陷（如夹紧力不足、螺纹损伤、虚假扭矩）蕴含巨大风险，却难以被传统监控手段识别，最终可能成为车辆功能失效或安全事故的根源。

本项目以拧紧工艺为切入点，但其核心技术创新——基于实时加工过程曲线的工艺质量智能检测方案——具有极强的普适性，可快速横展至整个制造领域中所有会产生加工曲线的关键工艺环节。此解决方案的核心是基于实时采集的高精度加工过程曲线（如扭矩-角度-时间、电流-时间、压力-时间、温度-时间、图像特征-时间等），深入挖掘曲线的动态特征，突破现有质量检测的局限，通过融合领域专家的工艺经验知识与先进的机器学习、人工智能算法模型，实现对加工过程中各类异常模式与潜在缺陷的准确、及时、自动化识别。

二、实施步骤

1. 采集设备实时及历史加工曲线数据

2. 基于工程师经验，获取真实正样本及真实质量问题负样本数据

a. 针对不同工艺点的工艺要求设置规则模型

. 基于真实的正负样本数据对COT思维链模型进行预训练

c. 基于海量数据（维权）对GPT-TCN深度学习模型进行训练

3. 对模型进行封装，并基于连山自研智能终端部署至线边，进行调试及最终检验

三、主要技术

本解决方案创新融合工艺经验规则、深度学习算法及COT（cognition-Oriented Thinking）思维链架构，基于对工艺过程曲线的深度解析，针对不同失效模式特性开发三重防护体系：

规则模型监控：在工艺过程曲线关键区段设定多维监控窗口（扭矩梯度/角度容差），通过故障树映射实现异常特征与质量缺陷的智能关联判定。

深度学习模型监控：采用GPT-TCN混合架构——通过类GPT生成式数据增广扩充负样本，驱动时域卷积网络（TCN）实现未知异常模式的端到端识别。

COT思维链监控：构建五级仿生决策链，将人类工程师“观察→联想→验证→处置”的解决问题过程转化为可计算的算法链，实现经验决策的数字化复现。