靠老师傅手感还是看数据：一家糕点厂用边缘AI优化隧道烤炉的完整记录

今年年初，苏州一家苏式糕点厂找到我们。老板说了个挺实在的问题——他的三条连续式隧道烤炉线每天跑12个小时，但产品的烤色深浅总是不稳定。一批桃酥烤出来，同一个烤盘里，靠入口处的那几个颜色浅，靠出口处的颜色深。而且不同批次的色差更明显——有时候一批货烤出来能被质检退回两成。

烤炉操作间里有个老师傅，姓周，在这家厂干了18年。周师傅干活的节奏是这样的：打开烤炉门瞄一眼产品颜色，用手背感觉一下炉口的热度，然后去拧燃气阀门——调大或者调小。他说"差不多就是这个位置"，但不同班次的产品品质波动很大。周师傅休息或者请假的时候，换别的师傅来调，更乱。

这篇文章记录我们是怎么用边缘AI帮这家厂把烤炉温度工艺管起来的——不吹效果多好，只说做了什么、遇到了什么麻烦、最终效果怎样。

一、现场情况摸底

先花了两天时间深入了解现场条件：

• 设备情况：3条燃气式隧道烤炉线，每条长12米，分5个温区。炉膛是密闭的，只有入口和出口有开口。热源是天然气燃烧器，每个温区独立控温
• 当前控温方式：温控仪表是老式的数显PID控制器，但设定值基本没动过——常年设在一个固定值上。实际炉内温度受燃气压力、环境温度、产品负荷量影响很大，PID控制器响应跟不上
• 产品情况：主要做桃酥、蛋黄酥、绿豆饼三类产品，每种产品对烤炉温度的要求不同。桃酥要求面火200度底火190度，蛋黄酥要求前段高温后段降温
• 网络情况：车间温度高，常年35度以上，烤炉附近能到50度。没有部署工业以太网，WiFi覆盖也不好
• IT能力：没有IT人员，只有一个电工师傅兼职管设备

最有意思的一个发现是：烤炉上自带的测温热电偶安装在炉膛侧壁，但侧壁温度和产品实际经过的区域的温度差了将近40度。也就是说，温控表上显示200度的时候，产品实际经过的区域可能只有160度。老师傅说的"感觉"，其实就是在弥补这个温差——但他无法量化这种感觉。

教训：工厂设备自带的传感器位置和工艺需要的测量位置往往不一致。不要信任设备面板上的温度数值，要自己在工艺关键点加装测量。

二、方案设计

方案分三层：采集层负责把真实温度测准，分析层负责找出温度和品质的关系，控制层负责把温度管住。

采集层：多点热电偶 + 炉口色选相机

在每个温区的产品通道正上方，加装K型铠装热电偶——直接伸入炉膛，探头距离产品表面约5cm。每条炉线5个温区，装5支热电偶。这个看似简单的事情花了我们不少功夫：热电偶的安装位置不能干扰产品通过，又不能离得太远导致测量滞后。最后决定在炉顶开小孔插入，用耐高温密封胶固定。

另外在每条炉线的出料口上方，装了一台工业彩色相机，实时拍摄出炉产品的表面颜色。这个设计一开始老板不理解——"烤出来的颜色我一眼就能看出来，还要相机干嘛？"我们解释了几次：人眼判断是定性的，相机判断是定量的——可以用色值（CIE Lab色空间）精确到小数点来定义"烤得好"和"烤过了"。

其他传感器：

• 燃气流量计（每路燃烧器一个），用来核算能耗
• 炉膛压力传感器，用来判断排烟是否通畅
• 环境温湿度传感器（车间内），因为梅雨季节湿度影响产品含水量，同样工艺参数下烤出来的颜色不一样

分析层：边缘AI网关

在烤炉控制柜旁边部署了一台边缘AI网关，负责：

• 采集全部传感器数据（热电偶、相机、燃气表、压力、温湿度），每2秒一次
• 本地运行产品颜色识别模型（判断出炉产品的Lab色值是否在合格范围内）
• 建立温度-颜色关联模型——定期分析温度和产品色值的关系，找最佳工艺参数
• 本地存储60天数据（断网不影响）
• 通过网络把工艺数据和告警推送到看板

控制层：温控输出辅助决策

我们刚开始想直接接入烤炉的PID控制器，实现全自动调温。但考虑到食品安全行业的合规风险——擅自改动设备的控制回路如果出问题会很麻烦——最后选择了"辅助决策"模式：

• 边缘AI网关算出建议的温区设定值，推送到操作间的一块屏幕上
• 操作工（周师傅或者他的徒弟）根据建议手动调整温控表
• 同时每15分钟自动记录一次操作工的实际操作，跟AI建议做对比

这样既实现了智能优化，又不绕过人工审核，万一有食品安全事故，追溯链是完整的。

三、实施过程

第一周：传感器安装和调试

安装热电偶是这周最难的部分。烤炉是热态的，炉顶开孔要停机冷却——停一次机要等4小时降到安全温度。我们只能利用他们每周一次的清洁保养时间来干，一次装完一条线的热电偶。

装好后发现一个问题：K型热电偶在炉腔高温环境下，引线外皮的耐温等级不够。我们买的引线标称耐温200度，但炉顶附近温度到了约250度，引线外皮开始软化。后来换了耐温400度的玻璃纤维编织引线。

相机安装相对简单，但光照环境复杂。出料口有炉门开合带来的热气浪，热浪中的空气折射导致拍出来的照片有畸变。加了压缩空气形成气幕（也是从其他项目学的），在相机前方形成一道冷空气屏障，热气浪的畸变效应基本消除了。

第二周：基线数据采集

前两周只采集，不做干预。我们要先搞清楚几个基线：

• 各个温区实际温度和面板显示温度的差距是多少
• 不同产品类型在各温区的理想温度曲线是怎样的
• 环境温度变化对炉腔保温效果的影响有多大

数据来了之后，有几件事让团队挺意外的：

第一个意外：面板温度和实际温度差了平均35-45度。而且不是简单的固定差值——入口温区差得多（45度左右），出口温区差得少（30度左右）。因为炉子入口端密封性差，冷空气倒灌导致温差更大。

第二个意外：产品负荷对炉温的影响很大。生产线刚启动时（炉内没产品），各个温区温度很稳定。一旦产品连续进入，冷胚进入炉膛吸收大量热量，各个温区温度会在10-15分钟内下降15-25度。面板PID控制器会加大燃气量来补偿，但响应有滞后。这就是为什么同一盘桃酥里，入口处的产品颜色常常偏浅——炉子在刚升温到设定值。

第三个意外：车间温湿度对产品影响比预想的大。有一天下雨湿度大，成品颜色普遍比平时偏浅。调取数据发现——潮湿天气里，面粉和馅料的含水量比干燥天气高了约5%，同样温度时间下，含水量高的胚体升温慢，焦化反应速率下降。

教训：食品加工的工艺优化不能只看炉内参数，原材料和环境因素必须纳入模型。面粉批次含水率、车间温湿度、甚至天气变化都会影响烤箱工艺。

第三周：数据分析和工艺优化

有了两周的基线数据，我们开始做关联分析。目标是找到每个产品类型的最优温度曲线。

先在边缘AI网关上部署了一个简单的模型：以出炉产品的Lab色值为目标变量，各温区实际温度、产品进炉速度、环境温湿度为特征变量。

分析结果揭示了几个之前没人注意到的事情：

• 3号温区是关键控制点：通常师傅们觉得1号温区（入口端）最重要，因为焙烤反应从这里开始。但数据分析发现，3号温区（中间段）的温度波动对最终产品颜色的影响比较大——中间的定型阶段温度波动，前面和后面再怎么调都很难完全补偿回去
• 传送带速度比想象中重要：之前师傅们习惯调温而不调速度。数据分析表明，在某个产品切换时，调整传送带速度（改变产品在炉内停留时间）比调整温度更快、更有效
• 温区之间存在耦合：调整2号温区的温度会影响到3号温区的实际温度——因为相邻温区的加热器会产生串扰。之前的独立调温方式，根本没有考虑这个耦合效应

基于这些发现，我们给三类产品分别建立了温度曲线模板：

这些曲线和师傅们的经验不完全一致——比如桃酥，老周习惯在1区打高火（面板设250度，实际约205度），但数据分析显示1区温度过高反而导致表面过早结皮，内部湿气排不出去。用稍低的1区温度+稍高的2区温度，成品内部更松脆、颜色也更均匀。

第四周和第五周：辅助决策上线和调优

我们把建议画面放到了操作间的屏幕上——分三块信息：

• 当前各温区实际温度和理想温度的差异（用红黄绿标注）
• 当前产品类型的推荐温度曲线和炉速
• 出炉产品颜色的实时色值（Lab值和合格范围对比）

周师傅刚开始不太信任这个屏幕。他说"我在这个炉子跟前站了18年，还要看屏幕？"但运行几天之后，他主动跑过来跟我说了一句让我印象很深的话——"你这个东西告诉我，我1号区开大了。开了18年我还真不知道。"

上线第一周的主要工作不是调算法，而是帮操作工建立信任。我们做了一件事：在屏幕上显示AI建议和操作工实际操作的对比——两条线画在一起，让操作工看到自己调整后温度的变化是否符合预期。这个对比功能比任何培训都有用。

第六周：能耗优化

温度和品质稳定之后，我们开始看能耗。从基线数据来看，三条烤炉线每天消耗天然气约280方。通过优化以下几个地方：

• 升降温策略：之前操作工的典型操作是"开大了，然后关小再开大"——反复振荡导致燃气浪费。AI推荐的方案是"提前15分钟缓调"——比如要换产品，提前把温度调到目标值附近，而不是等产品进去了才猛调
• 保温阶段节能：在连续生产稳定后，适当降低2-3区的温度约5-8度，同时微调炉速，维持产品颜色不变
• 排烟门开度优化：发现排烟门开度一直固定在70%，导致大量热量排走。通过调整开度到45-55%（不影响排湿效果），热效率提高了

四、实际效果

系统上线稳定运行2个月后，我们对比了优化前后的数据：

当然也有一些没预想到的情况：

• 热电偶需要定期校准：高温环境下使用了约6周后，部分热电偶的测量偏差变大了，个别偏了约5度。要重新校准才能保证数据准确性
• 燃气压力波动影响：厂区在用气高峰时段（中午和下午），燃气压力会下降约15%，导致燃烧器实际输出热量不够。这是上游管网的问题，不是方案能控制的
• 新员工培训成本降低了：这是一个意外收获。以前新来的操作工要跟周师傅学至少3个月才能独立调炉。现在有了AI推荐的温度曲线和实时反馈，新员工两周就能上手上线

五、踩坑记录

除了前面提到的那些，还有几个印象比较深的坑：

油烟的干扰。糕点烘烤过程中会释放油脂挥发物，特别是蛋黄酥和桃酥。这些油烟凝结在热电偶表面，形成一层"烤焦的油膜"，影响测温精度。第一次发现这个问题是在系统上线后第3周——3号温区的热电偶读数比预期高了约8度，检查发现是油膜导致的。后来给热电偶加装了可拆卸的陶瓷保护套，每两周拆下来清洗一次。

相机镜头的起雾。出料口的热气浪虽然用了气幕，但在生产高峰期（环境温度高+产品进出频繁），相机镜头偶尔还是会起雾。试了两种方案——镜头加热圈和防雾涂层。加热圈效果更好，但增加了功耗。防雾涂层也有用，但每2个月需要重新涂。

产品颜色基准漂移。相机采集的Lab色值数据会随着光源老化而漂移。我们没预料到这个。LED光源使用了约一个月后，色温降低了约300K，导致相机拍摄的产品颜色比实际偏黄。后来在系统中增加了色卡校正——每天开机时自动拍摄一张标准色卡，根据色卡的实际Lab值校准相机参数。

教训：在食品工业的连续生产环境中，传感器的长期稳定性比初始精度更重要。热电偶油膜、镜头起雾、光源衰减——这些都是"慢性病"，不做定期维护的话，系统会不知不觉地慢慢失效。

六、我的思考

这个项目做完，我最大的感受是这个：

食品行业的数字化有它自己的节奏。不像电子厂或者机械厂，食品厂的设备往往更老旧、操作更依赖师傅经验、对食品安全合规的谨慎程度也更高。强行推"全自动"会水土不服。"辅助决策"模式——AI给建议、人做决策——在食品厂比全自动更合适，至少目前是。操作工需要看到推荐背后的理由，需要有时间建立信任。

老师傅的经验是宝贵的数据来源，不是需要被替代的包袱。周师傅的"凭感觉"其实是一种非常复杂的多变量感知能力——他看产品颜色、听燃烧器声音、感受炉口热辐射、闻排烟气味，这些信号综合在一起形成了一个判断。他不是没有数据，只是数据没有量化。我们的系统其实是在把他的经验量化、标准化、可复制化。他不抵触，因为他看到屏幕上的建议真的跟他的判断接近，而且还能告诉他一些他"感觉不到"的东西。

温度是工艺控制的核心，但温度数据的质量决定了AI的价值。面板温度不准、热电偶位置不对、油烟干扰、引线耐温等级不够——每一个环节都会让采集到的温度数据失真。如果数据不准，后面再好的AI模型也是白搭。在一个食品厂项目里，花的精力里大概40%在传感器和采集层，只有大约20%在模型上。这个比例我觉得是对的。

"辅助决策"模式在食品行业可能比在工业行业更有前途。食品安全合规的强监管环境意味着不能轻易绕过人。但辅助决策有一个好处——它把控制权留在操作工手里，同时让操作工在不知不觉中提升了自己的水平。周师傅后来跟我说，他现在看着那个屏幕调温，"感觉就像多了一个徒弟在边上提醒我"。

七、如果你想尝试

几点给同行的建议：

1. 先在一条炉线上试，别三条一起改。给操作工至少两周适应时间，让他们看到建议和实际效果的关系
2. 热电偶安装位置比精度重要。宁愿用B级精度的热电偶放在正确的工艺位置，也别用A级精度的放在面板显示的假位置上
3. 给操作工一个"拒绝AI建议"的按钮。如果强制执行，他们会在其他地方补偿，效果反而更差
4. 在食品行业，辅助决策比全自动控制更现实。合规风险低，信任建立快
5. 传感器防护要考虑工艺环境——油烟、蒸汽、高温、油污，这些都是工业Italk里的"正常环境"，不是异常情况
6. 保留至少60天的数据存储，这样才能做季节性分析（春夏秋冬的产品差异，梅雨季vs干燥季的工艺参数差异）