一家塑料管材厂用边缘AI在线监测挤出工艺：完整实施记录

去年底，一家浙江诸暨的PVC管材厂找到我们。他们的主要产品是建筑排水管和电工套管，4条挤出生产线每天连续运转20小时。问题很直接——废品率太高，每批次总有5%到12%的管子因为壁厚不均或外径超差被判废。

废了的管子没法回掺太多（回料比例超过一定限度会影响新管质量），大部分只能当次品低价处理。按一条线每天产3吨料算，5%的废品就是150公斤料白干了。老板算过一笔账——4条线一年光原料浪费就不少钱。

这厂之前试过几个办法：换了更贵的模具、要求操作工每半小时量一次壁厚、请设备厂家来调了温度曲线。效果有，但不稳定——换了个班次或者换了一批原料，废品率又上去了。原因在于挤出是一个连续变化的过程，一段的参数波动要等到几十分钟后管材冷却切段了才知道好坏，根本来不及调。

这篇文章从头到尾记录我们是怎么用边缘AI来在线监测挤出工艺的。

一、现场情况摸底

第一次去车间，跟着老板转了半天，记了几个关键信息：

• 设备情况：4条65型单螺杆挤出线，其中2条是2018年的设备带PLC（西门子S7-200），另外2条是老式的仪表控制，没有数据接口
• 工艺特点：PVC原料经过混料→上料→挤出机加热塑化→模具定型→真空冷却定型→牵引→切割→堆放，整个过程连续进行，一条线每天跑同一规格的管子
• 关键参数：5段加热区温度（从进料段到模具段各不同）、螺杆转速、主机电流、牵引速度、真空定型压力、冷却水温
• 质检方式：每半小时人工卡尺测量壁厚和外径，记录在纸质表格上。发现问题时，前面已经产出的几十米管子可能都是废品
• 人员情况：每班2名操作工，技术靠自己积累的经验。"哪个区温度高了手摸一下螺杆就知道"——但新人上手要半年
• 原料变化：PVC树脂粉和钙粉的批次不同，流动性有差异，每次换料都要重新调参数，靠老师傅凭感觉微调

看完现场，几个判断就清晰了：核心问题不是设备坏了（设备状态还可以），而是过程控制缺乏反馈闭环——工艺参数在变，但没人能实时发现，等到发现已经晚了。解决方案的方向应该是：在线监测关键工艺参数，在参数偏移但还没有影响产品质量的时候发出预警。

二、方案设计

方案分三层：数据采集、边缘推理、云端看板。

采集层：给老设备补温度/压力传感器

2条有PLC的老线，通过Modbus RTU从S7-200读取5段加热区温度、螺杆转速、主机电流、牵引速度——这些信号PLC里都有，不用加传感器。但PLC没有采集冷却水温和真空定型压力，这两项需要补。

2条仪表控制的线最麻烦。加热区温度只能从温控表上读——温控表是普通的数字表头，没有通信接口。解决方案是加装热电偶扩展模块（MAX6675 + 变送器），把温度信号转换成4-20mA，接到边缘网关的AI口。

所有4条线都补充了以下传感器：

• 冷却水箱温度（PT100铂电阻，量程0-100°C，精度±0.5°C）
• 真空定型箱负压（压力变送器，量程-100~0kPa）
• 模具出口熔体温度（插入式热电偶）——这条原来没有，但模具温度是影响管材表面质量的关键参数
• 壁厚在线测量（超声波壁厚仪，非接触式，装在定型箱后、牵引前的位置）——这是整个方案最关键的传感器，直接测量成品厚度

边缘层：一台网关搞定4条线

在车间配电柜旁边放了一台边缘AI网关，负责：

• 通过Modbus RTU轮询2台PLC，每秒读取一次温度、转速、电流等参数
• 通过模拟量输入模块采集老线的热电偶信号，每秒采样一次
• 通过RS485读取4台超声波壁厚仪的数据
• 本地运行异常检测模型——根据历史数据判断各参数是否偏离正常范围
• 当检测到参数异常趋势时，通过继电器输出模块推送声光报警
• 把处理后的数据摘要（每分钟一条）上传云端

选用边缘方案而不是全部上云，几个原因：车间网络不算稳定（车间里有大功率变频器，偶尔干扰），4条线每秒产生80多个数据点全上传太浪费带宽，而且声光报警必须本地实时触发——云上走一圈至少2秒延迟，管子已经多跑了快一米。

云端层：工艺看板和历史追溯

一个轻量Web看板，展示的维度：

• 各线实时状态：每条线的关键参数以仪表盘形式展示，绿黄红三色标示
• 工艺参数趋势：过去1小时/4小时/24小时的关键参数曲线（温度、壁厚、螺杆转速）
• 质量统计：每条线的实时壁厚分布、当前批次废品率、累计废品量
• 告警记录：什么时间、哪条线、哪个参数出了什么异常，操作工是怎么处理的
• 换批提醒：当检测到壁厚均值出现系统性的缓慢偏移时，提醒操作工检查原料批次或调整参数

告警通过车间声光报警器（本地）和企业微信（远程）两个通道推送。操作工在车间里听到报警声就能去看参数，老板在手机上也能知道产线状态。

三、实施过程

第一周：硬件安装和接线

安装阶段花了4天，主要时间花在走线和接线调试上：

• 2条有PLC的线：Modbus通信很顺利，S7-200的PPI协议我们用了一个RS485转接模块就搞定了。但首次读取时发现PLC里的温度寄存器地址和图纸上标的不一致——图纸是4年前的，中间改过一次温控表但是没有更新图纸。最后在触摸屏上逐个参数对照，花了半天把地址表对上了。
• 2条仪表线的温度采集：加装热电偶变送器需要停机，每条线停机了约2小时。操作工不太乐意——停机耽误产量。后来和车间主任商量，安排在交接班时间做，影响相对小。
• 超声波壁厚仪安装：这个环节比预想的麻烦。壁厚仪需要耦合剂（甘油）保证信号传输，但管材表面有水（定型箱的冷却水会带到管子上），耦合效果不稳定。试了3种安装角度后，把探头装在真空定型箱之后、一个自制刮水装置之前的位置，管面相对干燥，数据稳定了。

踩坑：第一根壁厚仪装上去之后数据全是乱的——读数在0.5mm到8mm之间乱跳。排查了3个小时，最后发现是探头和管材之间的距离太远（标准要求≤2mm，实际装了约5mm）。调了支架高度后正常。

第二周：数据采集和基线建立

这一周只采集数据，不做自动告警。目标是为每条线、每个产品规格建立正常工艺参数的基线。

4条线同时生产，每天产生约280万条数据点。我们重点关注几个关键参数在稳定生产时的统计特征：

• 5段加热区温度的均值、标准差——正常情况下，各段温度波动应该在±2°C以内
• 熔体温度和模具温度的差值——这个差值反映了模具的加热效率，正常情况下差值应该稳定
• 螺杆电流的波动范围——电流波动大往往意味着进料不均匀
• 壁厚测量值的分布——中心值应该在目标壁厚的±0.1mm范围内
• 真空定型压力和冷却水温度的相关性

数据收集中发现了几个问题：

• 2号线在每天下午2-3点之间有规律的温度波动——3段温度会上升3-5°C。查了一圈，发现是那段时间车间屋顶的排风扇受日照升温影响，导致车间温度升高，设备散热变差。解决方案是在检测模型中加入车间环境温度作为补偿参数。
• 3号线螺杆电流每10-15分钟会有一次5-10%的波动。操作工说这是正常的——因为手工上料不是连续的，上游的混料批次间隔导致的进料不均匀。这不算故障，但告诉我们后续做参数优化时需要考虑上料方式的改进。
• 不同规格的管子（DN50 vs DN110），同样的温度参数设置下，实际熔体温度差了约8°C——大管径需要更高的熔体温度来保证流动性和成型。这意味着基线必须按产品规格分别建立。

第三周：模型开发和阈值标定

基于两周的基线数据，我们给每条线、每个规格建了一个多维度的工艺参数模型。核心逻辑不复杂——用滑动窗口的方法计算各参数的实时统计量，与历史基线对比，判断是否出现异常趋势。

具体的检测规则分几类：

• 单参数越限：某个参数超过该规格的±3σ范围（针对不同规格动态计算）
• 参数组合异常：比如熔体温度升高+螺杆电流下降——这种情况单独看每个参数都在正常范围，但组合起来往往意味着进料段有问题（物料流动不畅，塑化不足）
• 趋势异常：壁厚值连续5分钟向一个方向缓慢偏移（比如从3.0mm逐渐降到2.85mm），虽然还没有越限，但趋势已经说明有什么在变化
• 相关性异常：正常情况下牵引速度和壁厚负相关——牵引加快壁厚减小。当这种关系出现变化时，往往意味着模具或定型箱有问题

阈值不是一次性设好的。刚开始检测规则太敏感——特别是组合异常规则，一天能告几十次。操作工很快就开始无视告警了。我们把组合异常的触发条件从"任何两个参数同时偏移"收紧到"特定组合+偏移幅度超过阈值"，告警量降到每天3-5次，基本合理。

教训：告警系统的"信噪比"是影响落地效果的关键因素。太灵敏没人信，太迟钝没价值。要和使用者一起调，调到他们对告警有反应而不是无视。

第四周：试运行和人工验证

试运行阶段，告警只通知，不自动干预。操作工收到告警后自己去检查设备、量壁厚，然后决策是否调参。我们记录每次告警的准确性和操作工的处理动作。

第一周试运行数据：28次告警，其中23次确认是真实的异常趋势（准确率约82%），5次是误报。误报主要集中在：

• 2次是壁厚仪探头表面有水膜导致读数失真——加装刮水装置后解决
• 2次是操作工调整了上料速度导致参数短暂波动——这是正常操作，不应该告警，我们在模型里加入了操作事件记录，排除已知操作引起的参数变化
• 1次是传感器接线松动导致信号跳变——紧了一下端子就好了

四、实际效果

系统上线运行了3个多月后，我们统计了几个维度的数据：

也有一些预期之外的收获和问题。

收获：积累了4条线、3个多月的完整工艺数据。这些数据可以指导后续的工艺优化——比如哪些参数组合下能耗比较低、换规格时怎么快速调参、不同原料批次对工艺参数的影响。老板说"这些数据本身的价值可能比做报警还大"。

问题：2号线的超声波壁厚仪在使用2个月后测量精度下降。拆下来发现探头表面被PVC析出的增塑剂污染了——高温下PVC里的增塑剂会挥发，在较冷的探头表面冷凝形成油膜。解决方案是每两周用酒精擦拭探头，并在壁厚仪安装位置加了一个小风扇加速空气流通。

五、我的思考

这个项目做下来，有几个感受：

挤出过程的"惯性"比想象中大。挤出是一个大惯性的热过程——你在模具段调了温度，要15-20分钟才能在下游看到壁厚的变化。这意味着纯靠人工经验很难做好闭环控制，因为你根本来不及建立"调整→观察→再调整"的反馈链。在线监测的价值就在这里——它告诉你参数正在往哪个方向走，而不是等结果出来了才后悔。

传感器选型比模型选型更决定成败。这个项目里，最关键的是那个超声波壁厚仪——没有这个实时测量壁厚的传感器，后面的模型做得再好也没用。但传感器在工业现场的使用条件（高温、高湿、油污、振动）让它的可靠性成了最大的瓶颈。选传感器的时候要重点考察的不是精度指标，而是在实际工况下的稳定性和维护要求。

不要说"AI代替老师傅"。系统上线后，操作工一开始是抵触的——他们认为系统在"挑他们的毛病"。后来我们调整了说法：系统的角色是给师傅们提供一个"数码助手"，帮他们多一双眼睛盯着参数，让他们可以更专注地在关键节点上做判断。当操作工看到系统确实帮他们减少了废品（废品少了他们的绩效奖金也高了），态度就转变了。

中小企业最缺的不是技术，是数据。很多中小型工厂的设备有采集条件（有PLC、有传感器），但没人去收集和分析这些数据。一台边缘网关几千块钱，加上一些传感器，就能把原本"看不见"的生产过程变得透明。对于年产值一两千万的管材厂来说，废品率降几个点，一年省下的钱比系统的投入多得多。这个账是算得过来的。

六、如果你想尝试

如果你的工厂也有类似的挤出/连续生产过程控制问题，几点建议：

1. 先解决"能测"的问题——不管用什么方案，先让关键工艺参数可测、可记录。没有数据，AI就是空中楼阁。
2. 别追求一次性"全自动调参"——先做监测和告警，让人来决策。跑了3-6个月的数据之后，再考虑哪些参数可以安全地交给系统自动调整。
3. 产品规格不同，基线就不同——不要试图用一个通用阈值覆盖所有规格。每个规格至少需要1-2天的数据建立基线。
4. 传感器维护要纳入日常工作——工业传感器在恶劣环境下会退化、污染、漂移。制定定期校准和清洁的计划，不然数据质量会逐渐下降。
5. 让操作工成为项目的参与者和受益者——他们最了解设备的行为，也最清楚什么告警是有用的。从一开始就让他们参与阈值调试和规则设计，比系统上线后再去说服他们有效得多。