一家轮胎厂用边缘AI优化硫化工艺：从"经验控温"到"数据调参"的完整实施记录

去年秋天，山东东营一家轮胎厂的老板找过来。他们32台硫化机，日产约4000条轮胎，但气泡率和不熟率一直在4-7%之间来回跳。每个月的废品损失加上退赔，粗略算下来是一笔不小的数字。

硫化是轮胎制造的最后一道工序，也是决定轮胎最终性能的关键步骤。说白了，就是把生橡胶放进模具里，在高温高压下完成交联反应。温度高了低了不行，压力大了小了不行，时间短了长了也不行——三参数耦合，一个不对，整条轮胎就废了。

他们之前试过不少办法：换过热电偶、调过硫化时间、请过硫化工艺工程师来调参……都有效果，但只能管一阵子，过几周又回去了。核心问题在于：硫化工艺参数是靠老师傅凭经验设的，不同规格的轮胎（货车胎、轿车胎、工程胎）硫化曲线不一样，换规格的时候经常调不到位。

这篇文章记录我们怎么帮这家轮胎厂把硫化工艺从"经验控温"变成"数据调参"的。不说效果有多好，只说做了什么、遇到什么麻烦。

一、现场情况摸底

去车间转了两天，跟厂长、工艺员、操作工聊了一圈，发现几个核心问题：

• 硫化机情况：32台硫化机分两种——20台液压硫化机（较新，带PLC），12台机械式硫化机（老款，基本没有数字接口）
• 工艺参数设置：每种轮胎规格有标准硫化条件（温度×时间×压力），但实际操作中温度波动很大，蒸汽压力不稳定，实际硫化时间和理论值可能差5-8分钟
• 质量问题分布：气泡（胎面与帘布层之间窝气）约占废品的60%，不熟（硫化程度不够）约占25%，其他（缺胶、变形等）约占15%
• 换规格频率：平均每天换4-6次规格，每次换规格后的前3-5条轮胎废品率特别高
• IT能力：工厂有一个信息部门，负责ERP系统维护，对工业IoT基本没有概念

还有一个细节特别有意思——操作工告诉我，他们判断硫化是否完成的方法之一是"闻味道"。"硫化好了有种特殊的焦味，不够就没有。"我当时觉得这很不靠谱，但这恰恰说明工艺数据化有多缺失。

二、方案设计

方案的核心思路很简单：先把硫化过程的真实数据采上来，然后找到合格品与不合格品之间的参数差异，最后用这个差异去指导工艺参数调整。

采集层：热电偶+压力传感器

在每台硫化机的关键位置加装传感器：

• 模具温度：每个模具（上模+下模）各装1根K型热电偶，靠近胎面接触面。这个位置特别讲究——离模具表面太远温度偏低，太近容易被打坏。试了两次才找到合适的位置: 在模具侧壁预留的测温孔里，深度约15mm
• 蒸汽压力：在硫化机进汽总管装压力变送器，4-20mA输出。老款机械式硫化机没有蒸汽压力监控口，加装了三通接头
• 胶囊温度：硫化胶囊内部温度用贴片式热电偶测量，这个数据能反映轮胎内部实际受热情况
• 开合模信号：利用硫化机的PLC信号（新款）或行程开关信号（老款），采集实际硫化周期时长

32台硫化机，每台5-6个测点，总共170多个传感器。

边缘层：现场部署边缘AI网关

在硫化车间部署了2台边缘AI网关（车间太长，一台信号覆盖不够）：

• 每30秒轮询一次所有传感器数据
• 通过Modbus RTU采集新款硫化机PLC的温度和压力设定值
• 在老款硫化机上通过模拟量采集模块（4-20mA转RS485）获取信号
• 本地存储90天原始数据，本地运行异常检测模型
• 通过4G上传数据摘要到云端（车间没有工业以太网）

分析层：工艺参数关联分析

这一步花的精力比较多。我们先把过去3个月的质量检验数据（哪条轮胎合格、哪条不合格、不合格原因是什么）导出来，跟硫化过程中的实际参数做关联：

• 每条轮胎的模具温度-时间曲线（上模、下模、胶囊三路温度）
• 蒸汽压力的波动范围和波动频率
• 实际硫化周期时长
• 换规格后的稳态达到时间（从换模完成到温度重归稳定需要多久）

分析工具用了Python的pandas+scikit-learn，没有上太复杂的模型，主要做聚类和相关性分析。

三、实施过程

第一周：传感器安装和布线

安装花了整整5天。170多个传感器，32台硫化机，钻线槽、走管、固定探头……工程量比预想的大很多。

踩了几个坑：

• 热电偶在模具上的安装位置试了3次才固定下来。第一次装得太靠近模具表面，硫化机开合时直接打弯了3根探头。第二次往深了装，温度读数比实际低了12度。第三次找了个中间位置才算OK
• 老款硫化机的蒸汽管道螺纹口已经锈死，拆装三通接头花了半天时间。有两台机的接头拧下来之后发现丝扣已经滑了，最后请焊工在管道上焊了个短节
• 硫化车间温度高（经常40度以上），普通线缆护套热变形，后来全部换成耐热硅胶线
• 4-20mA的模拟量信号在走线过程中受到变频器干扰，数据跳变严重。解决办法是信号线和动力线分开走线槽，间距保持30cm以上

前两周：数据采集和基线建立

两周时间采集了约25万条硫化记录——对应近1万条轮胎的生产数据。

数据初步清洗后发现几个有意思的现象：

• 蒸汽压力波动比想象中大：硫化车间蒸汽由厂区的锅炉房统一供汽，当多台硫化机同时进入升温阶段（比如早上8点换班后集中开机），蒸汽压力会从0.8MPa瞬间掉到0.55MPa，持续10-15分钟后逐渐恢复。这段时间生产的轮胎，气泡率明显偏高
• 上模和下模温差普遍存在：32台硫化机中，有9台的上模和下模温差超过8度（行业共识是控制在5度以内）。继续排查发现是蒸汽冷凝水排放不畅——疏水阀堵塞或者排气管径偏小
• 换规格后的"冷模期"被忽略：换模具后，操作工会按新规格的参数设定温度和压力，但模具本身从冷态加热到稳态需要20-30分钟。这段时间生产的轮胎，有约40%出现不熟缺陷。而之前没人意识到问题出在换模后的过渡期
• 不同硫化机的同型号模具温度不一致：同一种轮胎规格，在不同硫化机上硫化，模具温度的差值在3-8度之间。说明硫化机本身的热工特性有差异，但之前统一的工艺参数没有针对这个差异做区分

教训：数据不采集不知道，一采集全是"我以为正常但其实不正常"的情况。蒸汽压力波动、模具温差、换模过渡期——这些在人工记录里完全看不到。

第三四周：分析和参数优化

基于采集的数据，我们做了几件事：

第一，建立不同规格轮胎的「合格硫化窗口」。 把每个规格的历史合格品和不合格品的数据拿出来对比，找到温度-压力-时间的三维参数区间。发现一个规律：对于同一种规格，合格品的硫化温度波动范围通常在±3度以内，而不合格品的温度波动范围普遍超过±6度。也就是说，温度稳定性比温度绝对值更重要。

第二，针对蒸汽压力波动做优化。 跟锅炉房协调，把蒸汽压力波动大的时段（集中开机、午休后开机）标记出来，在这些时段尽量避免硫化敏感型规格的轮胎。同时给硫化机加装了蒸汽稳压阀，缓解了部分压力波动问题。

第三，给每台硫化机建立「个性化温度基线」。 同样是185度设定温度，不同的硫化机实际温度有差异。我们把这些差异记录到参数配置表里，操作工排产时可以看到"3号机温度偏高2度，建议设定值减2度"的提示。

第四，换规格过渡期的优化。 在换模完成后增加了一段「预热确认」步骤——系统自动判断模具温度是否已达到稳态（连续5分钟温度波动小于1度），确认后才允许操作工放入下一批轮胎的生胶。这个改动本身很简单，但效果很明显。

参数优化的验证方式是：调完一个参数，连续跟踪3天质量数据，看趋势是否改善，不是拍脑袋调完就走。

四、实际效果

系统上线跑了两个月，逐步迭代调整，统计了几个数据：

当然也有一些预料之外的问题。

疏水阀问题的连锁效应。排查模具温差时发现的疏水阀堵塞问题，换了6个疏水阀之后，不仅温差消失了，蒸汽消耗也降了——因为冷凝水排得干净了，换热效率提上去了。这个"顺手发现"的收益比AI本身的优化还要大。

操作工一开始不太接受。老操作工干了15年硫化，"我闻味道就知道好没好"——这个说法至少听到5个人讲。后来我们把系统提示和实际质量数据做对比：系统说"温度波动大、有风险"的批次，最终确实有更高的不合格率。操作工看到数据跟自己经验吻合，才慢慢接受。花了大概3周时间。

蒸汽压力问题没有完全解决。加装稳压阀后缓解了部分波动，但锅炉房供汽能力上限摆在那里——高峰期多台硫化机同时用汽就是会掉压。后来只能通过排产优化：把耗汽量大的规格错峰安排。这需要计划和生产的配合，属于管理层面的调整，不是技术能完全解决的。

五、我的思考

这个项目做完后，我感触比较深的有以下几点：

工业工艺优化的第一步不是AI，是把数据采上来。 很多人一上来就想着怎么用AI做预测、做优化，但实际上大多数工厂连"当前工艺参数到底是多少"都不清楚。蒸汽压力波动、模具温差、换模过渡期——这些问题的发现根本不需要AI，只需要传感器和数据采集。AI是在数据标准化之后才发挥作用的。

硫化工艺的三参数耦合比想象中复杂。 温度、压力、时间不是独立变量。温度高了，硫化时间可以缩短；压力不够，就需要更长时间来保证交联反应充分。这也是为什么同一个规格的轮胎，在不同硫化机上用相同的参数硫化，结果可能不一样——每台硫化机的热工特性不同。

"小问题"的收益往往大于"大方案"。 这次项目中，疏水阀堵塞排查、预热确认流程、排产错峰这几个"非AI改动"，加起来贡献的改善反而比参数优化本身还大。AI不是万能的，很多时候先解决基础问题，再谈AI优化。

数据比经验累得慢，但累起来更快。 老师傅的15年经验很宝贵，但一个人的经验无法复制到32台硫化机上。数据可以——把经验转化为基线、阈值、规则，32台机同步生效。如果老师傅哪天退休了，经验不上来，数据还在。

六、如果你想尝试

如果你的工厂也有类似的工艺优化需求，几点建议：

1. 先搞清楚"当前是什么"，再考虑"应该是什么"。至少采集2周以上的连续数据再做分析，不要急着调参数
2. 从最简单的参数开始——温度稳定性比温度绝对值更重要，先把波动控制住
3. 每台设备的特性不一样，不要用统一的参数去套所有设备。建立个性化基线虽然工作量大，但效果实实在在
4. 让操作工参与到数据解读中来——他们的经验是校验数据准确性的关卡，也是建立信任的关键
5. 别忽视那些"跟AI没关系"的小改进。换一个疏水阀、加一道预热确认流程，这些改动成本低、见效快，而且AI上线后还需要这些基础条件支撑
6. 硫化工艺的数据采集要考虑高温环境——线缆耐热、传感器安装位置、冷凝水排放，这些物理细节决定了数据质量