1. 项目背景与核心价值

在传统铸造行业的浇注车间里，金属液体的温度控制、模具状态和浇注流程的稳定性直接关系到产品质量和生产安全。过去这些关键参数的监控主要依赖老师傅的经验判断和定期巡检，存在响应滞后、人为误差等问题。我们团队为某大型铸造企业实施的电子看板系统，通过物联网传感网络+边缘计算+可视化看板的组合方案，实现了浇注过程异常状态的秒级识别与预警。

这套系统的核心突破在于：

• 将原本需要5-10分钟的人工巡检间隔缩短到200ms级别的实时监测
• 异常识别准确率从老师傅的85%提升到算法模型的98.6%
• 预警信息通过车间LED看板、岗位终端和移动端三路同步推送
• 历史异常数据自动生成工艺改进分析报告

2. 系统架构设计解析

2.1 硬件感知层部署

在浇包、模具和输送线关键位置部署了三类传感器：

1. 红外测温阵列：采用AMS AS6221传感器，±0.1℃精度，每秒采样30次
2. 振动监测模块：ST LIS2DH三轴加速度计，检测模具合模异常
3. 视觉检测单元：海康200万像素工业相机，配合环形光源做浇注流量分析

特别注意：传感器必须采用IP67防护等级，浇包附近的测温探头需要额外加装碳化硅保护套，防止金属飞溅损坏。

2.2 边缘计算节点

使用研华UNO-2484G工控机作为边缘节点，主要实现：

• 数据预处理（滑动均值滤波+野值剔除）
• 特征提取（温度梯度、振动频谱等）
• 轻量级模型推理（TensorFlow Lite框架）

配置要点：

# 看板服务自启动配置 sudo systemctl enable dashboard-service sudo systemctl start dashboard-service

2.3 可视化看板系统

采用分布式架构设计：

• 主控端：Windows Server运行组态王监控软件
• 车间LED屏：通过HDMI光纤传输，支持4K分辨率
• 移动端：基于微信小程序开发，支持扫码绑定工位

3. 核心算法实现细节

3.1 温度异常检测模型

采用改进的STL分解算法：

def stl_detection(data): # 季节性分解 res = STL(data, period=24).fit() # 残差3σ检测 residual = res.resid threshold = 3 * np.std(residual) anomalies = np.where(np.abs(residual) > threshold)[0] return anomalies

3.2 振动频谱分析

建立模具健康状态的基准频谱库，实时计算相似度：

相似度 = 1 - DTW(当前频谱, 基准频谱) / MAX_DTW

当相似度<0.85时触发预警。

4. 实施效果与优化案例

在某铝合金轮毂生产线实测数据：

典型优化案例：

• 发现浇包嘴温度下降过快问题，追溯为耐火材料裂缝
• 识别出第三工位振动异常，及时更换了磨损的导轨
• 通过历史数据分析优化了浇注温度区间参数

5. 关键实施经验

1. 传感器选型必须考虑电磁干扰问题，浇注车间存在大电流设备
2. 算法模型需要每季度用新数据retrain，防止工艺变更导致误报
3. 预警分级策略建议：
   • 一级预警（声光报警）：立即停机的危险状态
   • 二级预警（屏幕闪烁）：需要关注但可继续生产
   • 三级预警（消息推送）：建议工艺优化的问题

这套系统后续可扩展应用于热处理、压铸等工艺场景，我们正在试验将AR眼镜接入系统，实现异常设备的立体化标注指引。