一家精密铸造厂用边缘AI减少铸件缺陷：完整实施记录

去年秋天，浙江金华一家精密铸造厂的老板找到我。他们做砂型铸造，主要生产灰铁和球墨铸铁件，给工程机械和泵阀行业供货。产品不算复杂，但有个长期毛病——部分产品的报废率居高不下，有个型号的壳体件报废率一度超过18%。

他们自己的工艺工程师分析过很多次，怀疑是某个工序的工艺参数不稳定，但靠人工巡检和批次抽样根本抓不到规律。中频炉的熔炼温度、浇包的温度、浇注速度、冷却时间——每个环节似乎都有问题，但又说不清到底是哪里。

这篇文章记下来我们怎么一步步用边缘AI方案把这个事情理清楚、找出问题、降低报废率的。

一、现场情况摸底

第一次去工厂转了一天，记了几个关键发现：

• 工艺类型：砂型铸造，人工造型为主，部分用造型机。铸铁件，单件重量从几公斤到几十公斤不等
• 主要设备：2台3吨中频感应电炉、3条浇注线、1台热处理炉。大部分设备是2015年前后采购的
• 传感器基础：中频炉本身有测温热电偶，但数据不上传，工人靠肉眼盯着表头调整功率。浇包温度用红外测温枪手动测，不记录
• 现有质量数据：每批次铸件做破坏性检测（硬度、金相），检测结果写纸质报告，没人做趋势分析
• IT能力：工厂没有专职IT，只有一位管机修的老师傅兼着看设备
• 老板的期望：不搞大投入，先花几万块把"到底哪里出了问题"搞清楚

这些条件决定了方案不能太重。核心思路是：先在不改工艺的前提下，把关键工艺参数采集起来，找到参数波动与缺陷之间的关联。

二、方案设计

和其他工厂项目不同，铸造车间的环境比较恶劣：高温（中频炉附近60-80℃）、粉尘（型砂和脱模剂产生的悬浮颗粒）、电磁干扰（中频感应加热产生的强电磁场）。方案必须针对这些约束来设计。

采集层：三路传感器的不同命运

我们规划了三类数据采集：

温度曲线——这是比较关键的。每个浇注重量的温降曲线直接决定了铸件的凝固组织。我们在以下位置加装了热电偶和数据采集模块：

• 中频炉出铁口：测量出炉温度（标准应该在1450-1480℃之间）
• 浇包内壁：从出炉到浇注完成，记录整个过程的温降曲线
• 铸型表面（贴片式热电偶）：记录凝固冷却曲线

选热电偶而不是红外测温，是因为现场粉尘太大，红外镜头几天就被污染了。K型铠装热电偶加陶瓷保护管，价格不高，一根几十块钱，关键是耐高温、不怕灰尘。

浇注过程参数——浇注速度和浇包倾转角度。这个比较难直接测量。我们用的办法是：在浇包悬臂上加装角度传感器（倾角仪），记录浇包从起始位到浇注结束的角度变化曲线。角度变化越快，浇注速度越快。虽然不如直接测流速精确，但胜在实施简单、成本低、不怕热。

型砂参数——湿度、紧实率。造型工每2小时用快速水分仪测一次型砂湿度，把数据手工录入平板电脑。这个不是自动化采集，但能有时间序列数据就比没有强。

边缘层：网关选型踩了坑

最初我们用的是常规的工业边缘网关（ARM Cortex-A72，8核，4GB RAM），但放车间里后出了几个问题：

• 中频炉工作时产生强磁场干扰，USB接口的4G上网卡频繁断连
• 网关散热不足，壳温达到65℃以上，运行一周后死机两次
• 粉尘进入风扇导致散热效率下降

后来换了带工业级宽温设计（-20~70℃）、无风扇散热的网关，放在距离中频炉约15米远的一个小隔间里。数据采集模块通过RS-485总线拉到网关，走Modbus RTU协议。热电偶信号通过隔离变送器转换成标准4-20mA信号，再接入采集模块。

云端层：简单但够用的看板

因为数据量不大（每天采集约1.5万条记录），用轻量级方案就够了：

• 数据上传到云服务器（每5分钟批量上传一次，本地同时缓存）
• Web看板展示：实时熔炼温度、每包浇注的温降曲线、每日缺陷统计
• 异常告警推送到老板和工艺工程师的企业微信
• 每周自动生成一份工艺参数趋势报告

看板功能不复杂，但有一件事我觉得做得对——把所有工艺参数和质量检测结果放在同一个时间轴上展示。这样工艺人员能直观地看到"昨天上午这批缩松缺陷，倒回去看当天的浇注温度曲线，确实偏低了"。

三、实施过程

第一周：装传感器，烧了一个通道

安装本身两天就搞定了。热电偶的安装位置比较讲究——插得太浅测不准，插得太深影响铸造操作。最后和造型师傅一起定的方案：出铁口热电偶插在浇口杯侧壁，浇包热电偶从包盖边缘插入铁水中约50mm。

就是在这周烧了ADC通道。加隔离模块又耽误了两天。

还有一个没想到的问题：热电偶在铁水中浸泡约15分钟就熔断了。K型热电偶的测温上限是1300℃，而铸铁出炉温度在1450℃以上，超过了热电偶的工作范围。后来换成S型热电偶（铂铑10-铂，测温上限1600℃），一支约400元，能坚持约50炉次。

教训：高温工业场景里，传感器选型的第一约束不是精度，是耐受能力。精度再高，熔断了就是废铁。

前两周：数据收集，发现第一个规律

前两周没有开启任何告警，就是纯采集。我们让工人按照原来的节奏生产，不加任何干预。目的是拿到"正常生产状态下的真实基线"。

到第10天左右，一个模式浮现出来了：

所有出现缩松缺陷（内部气孔、缩孔）的铸件，其浇注温度全部在1420℃以下。而浇注温度在1430℃以上的批次，几乎没有缩松问题。第一批的浇注温度又和中频炉的出炉温度高度相关——出炉温度低于1460℃时，浇包流转过程中温降过大，到浇注时就已经低于1420℃了。

换句话说：问题不是浇注环节本身，而是熔炼环节的出炉温度偏低，导致浇包在流转过程中温降超过了临界值。

这个发现让工艺工程师很意外。他们之前一直以为是浇注速度的问题。

第三周：调整工艺窗口

基于数据，我们建议把中频炉的出炉温度下限从1440℃提高到1470℃。操作上其实没什么难度，就是熔炼工多等一两分钟。老板一开始有些犹豫，担心多耗电，后来算了笔账——每天多花约200元电费，但报废率降下来省下的材料费和返工费远超这个数。

调整后的第一周，该型号的缩松缺陷率就从约12%降到了约5%。

第二个月：更多发现

随着数据积累，又发现了两类问题：

冷却速度不一致——不同浇注位置的冷却曲线差异比较大。靠近砂箱边缘的铸件冷却速度快（约40分钟降到700℃），中间的冷却慢（约70分钟）。这导致同一批铸件内部的硬度不一致。我们加了一个冷却速率监控，当左右温差超过设定值时提醒造型工调整砂箱厚度。

型砂湿度波动——型砂的湿度数据虽然靠人工录入，但连续记录一个月后还是看出了趋势：下午班次的型砂湿度比上午普遍高约1.5个百分点。原因是下午气温高，混砂时工人凭手感加水，容易加多。湿度高了以后浇注时产生气体量增加，导致铸件产生气孔缺陷。这个发现很简单，但过去没人把型砂湿度和气孔率关联起来看。

四、实际效果

当然，不是所有问题都解决了。部分铸件仍有约5-7%的报废率，原因复杂（铸件结构设计问题、模具老化、操作差异），不是靠工艺参数优化就能解决的。

五、踩坑记录汇总

这个项目几个比较值得记下来的教训：

• 高温下的传感器选型——K型热电偶在1450℃铁水中只能撑15分钟。S型更贵但能用50炉。如果项目重来一次，我会直接上S型，省去中间换热电偶的操作。
• 电磁干扰比想象中严重——中频感应电炉产生的磁场对电子设备影响很大。信号隔离、网关位置、屏蔽线缆，这三样缺一不可。
• 工人操作习惯不能被忽视——下午班次加水偏多这个问题，不是技术能解决的，是管理问题。我们只是提供了数据让问题暴露出来。
• 不要追求一次性完美——第一阶段的方案目标不是"AI全自动控制"，而是"采集数据、找到问题、验证假设"。目标设得低，实施反而顺利。

六、我的思考

这个项目做完之后，我有几个体会：

数据相当于给传统工艺装了一面镜子。老师傅凭经验知道"温度低了不行"，但他不知道"低到多少才会出问题""一天中有多少炉次低于这个值"。数据把模糊的经验变成了可量化的阈值。

最直接的效益往往不是AI预测，而是数据关联。我们在实施过程中并没有用到什么复杂的机器学习模型——就是简单的阈值分析加趋势监控。能把浇注温度和缩松缺陷的关联曲线画出来，就已经有足够的决策价值了。

铸造车间的数字化基础比预想的还薄弱。没有数据接口、没有数据记录、质量数据还是纸质报告。但这个行业的竞争压力（材料涨价、人工贵、客户对质量要求越来越高）决定了数字化转型是迟早的事。这类工厂需要的不是高大上的方案，而是"先装上、先采集、先发现问题"的轻量级起步方案。

技术合伙人模式对这类工厂比较有效。他们买不起几十万的MES系统，也不需要。需要的是有人能帮他们装上传感器、搭好数据管道、教会他们怎么读数据。一次投入不高，有效果再续。

七、给你的建议

如果你的工厂也是铸造类或类似的传统热加工行业，想试试类似的方法：

1. 先选一个最头疼的问题——哪款产品报废率高？先盯着它做数据采集，不要想面面俱到
2. 和现场工人聊明白——他们比任何传感器都更了解"什么情况下容易出废品"。让他们参与进来，他们的直觉能帮你少走弯路
3. 高温环境传感器选型做好功课——选型的第一原则是耐受能力，然后才是精度。留出试错预算
4. 信号隔离不要省——在强电磁干扰环境下，这是花小钱解决大问题的典型案例
5. 数据积累比模型重要——先有一手数据，再谈AI优化。没有数据，AI就是空中楼阁