今年年初，广东佛山一家做外墙砖的陶瓷厂找到了我们。他们的1号窑炉是个68米的辊道窑，烧外墙砖地砖混烧，产品色差问题已经困扰了他们两年多。同一个产品编号的砖，不同批次送进窑炉，烧出来的颜色能差一两个色号。客户投诉率在15%左右，每年因为这个退货损失不小。

他们试过换釉料供应商、调过窑速、请过窑炉师傅来调温度曲线——每调一次管一阵子，过一阵颜色又飘了。老板说了一句话让我印象很深："这窑炉就像个黑箱，里面发生了什么都靠猜。"

这篇文章记录我们是怎么用边缘AI网关采集窑炉的真实运行数据，通过分析找到了温区之间的耦合关系，最终帮他们把色差率降下来的。不吹效果，只说做了什么、怎么做的、遇到了什么麻烦。

一、现场情况摸底

去工厂待了两天，看了窑炉车间和质检工位，发现了几个关键信息：

额外观察到的一个细节：窑炉车间环境温度很高（夏天50℃+），灰尘大，对任何电子设备都是个考验。

二、方案设计

我们的方案不是直接去改窑炉的PID控制——那太冒险了，烧坏一窑砖就损失几十万。策略是先用边缘AI网关做数据采集和关联分析，找到问题根因，然后给烧窑师傅提供辅助建议，不直接控制窑炉。

采集层：补全数据盲区

原有的热电偶数据分散在各个温控仪表里，没有统一采集。我们做了三件事：

总共采集的信号：22路热电偶温度 + 4路红外温度 + 22路燃气流量 + 2路窑压 + 1路辊道转速 = 51个通道，每5秒采集一次。

边缘层：现场AI网关

在窑炉控制柜旁边装了一台边缘AI网关，负责：

网关选型时重点考虑了耐温性——选了一台工作温度范围-20~65℃的工业级网关，放在一个带小风扇的防护箱里。

云端层：分析和看板

云端的分析功能分两阶段：

看板展示的内容：实时温度曲线（叠加基线区间）、各温区温度偏差表、燃气消耗趋势、色差统计。

三、实施过程

第一周：硬件安装和调试

安装花了3天，最花时间的是给温控仪表接RS485通讯线。22台仪表分布在68米的窑炉两侧，布线走了不少距离。有几个老仪表（用了8年的）出厂不带通讯口，需要外接变送器。

调试阶段碰到的问题：

踩了第一个坑才知道：很多工厂的设备不是"不支持数据采集"，而是"从没人想过要采它的数据"。硬件接口都在，只是缺人拉这根线。

第二周：数据采集和基线建立

两周的数据收集，大概攒了12万条记录。这期间不做任何调控，只记录窑炉自然运行的工况。目的是搞清楚：

分析结果出来，有几个发现：

发现一：温区之间存在明显的温度耦合

第8区（烧成区前段）温度拉高10℃，第9区在第10分钟左右会自然升温约2-3℃。这是因为燃气流量增加和热辐射传导。以前师傅调温度都是"调这个区就只调这个区"，没有考虑相邻区的连带反应。这也解释了为什么每次调完曲线总要反复微调——师傅调完第8区，第9区跟着变了，他又去调第9区，第7区又受了影响……调了两三小时才稳定下来。

发现二：换产品时的过渡期是最容易出问题的时段

这家厂混烧两种规格的外墙砖（薄砖和厚砖）。换产品时温度曲线需要调整，原来的做法是师傅凭经验手动同时调几个区的设定温度。从数据上看，每次换产品后的1-2小时内，温度波动幅度比正常生产大3-5倍。那段时间出的色差砖，从数据上看占了总色差量的四成。

发现三：燃气流量与温度的关系不是线性的

之前师傅们认为"调高10%燃气，温度就升10%"。从数据分析看，在烧成区这种关系接近线性（相关系数约0.87），但在预热区，燃气流量调整对温度的影响延迟了15-20分钟且强度衰减很大。这导致师傅经常过度调节预热区——调了等20分钟没反应，又调，结果15分钟后温度冲过头。

关键发现：色差与烧成区前段温度波动强相关（相关系数约0.78）
而不是跟最明显的烧成区中段温度相关。这是个反直觉的发现。原因可能是前段温度决定了釉料的熔融起点，起点不同，后面的反应也不同。

第三周：辅助调节策略上线

基于分析结果，我们做了两件事：

第一件事：建立产品-温度基线映射

把不同产品的历史"温度曲线快照"锁定——什么时候烧的、各温区设定温度是多少、实际温度曲线长什么样、色差检测结果怎样。形成了"薄砖标准曲线"和"厚砖标准曲线"两条基线。

每次换产品时，看板会显示：

第二件事：温度耦合补偿表

把温区之间的耦合系数做成了查表。比如：调整第8区+5℃，预计第9区在10分钟内会偏离基线+1.5℃。师傅调完第8区后，看板会提示"请关注第9区温度，可能需要补偿"。这样师傅心里有数，不会过度调节。

四、实际效果

方案上线后跑了3个月，几个核心指标的变化：

色差率：从约15%降到约3%
最直接的效果。客户投诉从每周十几起降到每周一两起。之前因为色差退货的瓷砖，基本不再出现了。
换产品过渡时间：从50分钟缩短到约20分钟
以前换产品从调曲线到温度稳定要将近一个小时。有了基线参考和耦合补偿表后，师傅能在更短时间内把温度拉到目标区间。
燃气消耗：约降低8%
副产品。温度平稳了，不需要反复提温降温来"追赶"设定值，燃气消耗自然降了。但这不是我们的目标，算意外收获。
误报率：第一周高，后来稳定了
刚开始基线设得太窄，一天告警十几次——其实大多在允许范围内。后来把正常波动窗口从±5℃放宽到±8℃，告警量降到每天2-3条。

五、遇到的几个麻烦

1. 热电偶老化引起的误判

安装一周后发现第14区的温度曲线异常——比其他区波动大很多。排查了一整天，最后发现是那根热电偶用了3年多，热电动势已经漂移了。换了一根新的后数据正常。这件事之后，我们把所有热电偶的更换计划从"坏了再换"改成了"每18个月统一更换"。

2. 烧窑师傅的抵触

上线头两周，老师傅不太愿意看看板。"我烧了二十年窑，用不着看屏幕"。我们没有强迫他，只是把看板放在他旁边，跟他说"你照常按你的经验调，我就看着学"。两周后他自己跑过来说："第9区跟第8区真的有关系？我调了二十年都没注意。"——数据比他经验更精细地描述了温区之间的耦合关系，他后面愿意用了。

3. 换季时的基线漂移

系统跑了两个月，4月份气温回升后，发现部分温区的温度偏高了2-3℃。排查后确认不是设备问题——是车间环境温度升高后，窑炉散热条件变了。同样的燃气量，升温效果不一样。后面加了一个"环境温度"输入参数，基线模型按环境温度分了三档（冬季、过渡季、夏季）。

4. 数据采集断点

发生了一次RS485总线故障——是因为接线端子氧化（车间酸性气体腐蚀），导致所有温区数据断了大概4小时。后来把普通接线端子换成了镀金防腐蚀端子，同时在网关里加了"设备在线检测"，通道数据中断超过15分钟自动发告警到手机上。

六、我的思考

做完这个项目，有几个感受：

工艺优化最难的往往不是AI模型，而是"搞清楚你究竟要优化什么"。这个项目一开始，工厂跟我说"色差问题就是窑炉控温不准"。但装上数据采集系统后我们发现，温控仪表本身精度是够的（±1℃），问题出在调节方式和耦合效应上。AI并没有发明什么新方法，只是把"温区相互影响"这个师傅也知道但无法量化的经验，用数据精确描述出来了。

不直接控制产线设备，只给建议——这个决策是对的。如果一开始我们设计成全自动闭环控制，一方面责任太大（烧坏一窑砖赔不起），另一方面师傅会完全抵触。辅助决策是个折中路子——师傅还是掌控者，数据是参谋。等师傅完全信任数据后，再考虑后续的自动调节。

陶瓷工艺的数据基础比想象中薄弱。一条68米的窑炉，22个温区，没有任何一个温区的温度数据被记录过。所有分析都靠师傅的记忆和手感。我们装数据采集系统这件事本身，已经是一种进步。

同样的方案可以复制到其他连续热处理工艺——玻璃退火炉、粉末冶金烧结炉、搪瓷烘干线，底层逻辑都类似：多温区、温度耦合、换产品过渡。

七、给你的建议

如果你也在考虑用数据优化类似的连续热处理工艺，几点建议：

  1. 先采数据，别急着建模。至少要收集1-2周的稳定运行数据和1-2次换产品的过渡期数据，才能看出规律。
  2. 热电偶状态比想象中更重要。老化的热电偶会产生系统性偏差，让人误判。建议安装前先做一次标定。
  3. 别只看温度数据。这个项目真正有价值的发现来自燃气流量和温度的相关性分析，而不是温度本身。
  4. 尊重操作工的经验，别想着"用AI取代人"。我们的系统没有取代任何人——它只是帮老师傅看到之前看不到的数据关联，让他的判断更精准。
  5. 环境变化要考虑。如果方案跨季节运行，环境温度、湿度变化会影响结果。做好季节补偿的预案。