2023新能源汽车智能制造联合白皮书

mwareintel.三MQ 目录 行业介绍.01 1.1智慧制造与汽车行业的总体趋势和现状021.2新能源汽车智慧制造的总体超势和现状EC1.3智慧汽车制造过程的特殊要求和痛点用例1：工人安全措施监督用例2：汽车制造产线设备预测性维护用例3：桑性汽车零部件制造上的物料管理与缺陷探伤，用例4:度气/度水/废物监控用例5:零件制造数据大吞吐量时的SLA保证用例6：整合IT/OT、实时与非实时应用用例7：远程办公、边媒应用昂发对网络的挑战用例8：企业业务系统暂慧上云 解决方案14 2.1新能源汽车智能制造联合解决方案概述2.2总体方案案构图2.3视觉AI缺陷检测解决方案2.4现场监控与即时响应(边缘计算和智能）2.5数字模型与优化控制及长期愿景 23 3.1方案U图2.43.2各用例中实现的性和优势规则并行发力测试情况数据压缩情况测试情况云端高性能消息服务器并发连接及数据吞吐测试情况消息吞吐测试情况 关键技术4.1边侧InteVMwarei边缘计算梯 (Edge Compute StackVMware Tanzu Kubernetes Grid (TKG)VMware软性定文广域网边缘设备(SD-WAN Edge)EMQ产品个组4.2云侧VMware私有Al旁架构（可支持开源软件）VMware多云/跨云服务VMware Tanzu MissEMQXEMQX ECF 参编单位与作者46 作者VMwareIntel.EMQ-.信华信 01行业介绍 1.1智慧制造与汽车行业的总体趋势和现状 伴随着信息技术的不断普及与制造技术的进步，全球工业化生产步入智悬制造时代据MordorIntelligence预测，2023年全球智能制造市场规模约为1974.5亿美元，到2028年将达到2712.8亿美元，在预测期内的复合年增长率为6.56% 惠国提出"工业4.0"计划、欧盟提出"未来工厂*计划、英国出台*工业2050战路，同样指出以推进智能制造为主攻方向 重技术的产业，对智慧制造有着极高需求，发展汽车智对于消费者而和消费市场对产品功能与质量越来越高的要求，降低产品低成本、照短生产周期、高质量交付成为汽车产业链上下游企业转型升级追求的目标，柔性化、信息化和曾能化的生产方式正成为汽车行业的必然发展趋势 2022年中国汽有居民消费动者智蒙制造印发展。 新能源汽车智慧制造的总体趋势和现状1.2 据国际能源署(IEA)预计，2023年全球销售的所有汽车中，约18%将是电动汽车，到2030年，电动汽车销量可能占全球新车最大的新能源汽车市场，根据公安部的数据，截至2022年底，中国新能源汽车保有量高达1310万辆，与2021年相比大幅增加了526万辆（显著增长率为67.13%)中国在电动汽车销量方面处于世界领先地位，2022年销量占全球销量的60%.2022年，电动汽车占中国汽车总销量的29%，高于2021年的16%这意味着中国现在已经实现了设定的2025年新源汽车销量份颜达到20%的目标 内市场放缓，加之欧洲市场具有强大的吸引力，中国新能源汽车公司在海外加强了品牌的推广，并扩大了海外的业务范国。 优化生产 智能制造系统和电动传动系统使得新能源汽车制造具备实现汽车生产100%自动化的潜力，人工智能和电气化的进步加速了智能制造的成熟度，以智能网联车为例 智能网联车 智能网联车是指具有部分辅助驾驶功能，于其他车辆、交通设施、云服务等进行互联互通的车辆。其生产过程需要采用智基制造的方式，以保证生产效率和品质。 比如：采用3D打印、机器视觉、人工智能等先进的制造技术，机器人，自动化传输装置等自动化制造工艺，严格控制零部件质量和供应固周期的供应链管理系统，采集、分析和优化生产过程中故据的生产管理，数字李生、增强现实等智能化技术提高设计效率，定制化生产方式满足个性化客户需求，全生命周期监控井追溯零部件质量等方法。 要以智慧制造的方式生产智能网联车，需要借助边缘计算、云计算、自动化、数字化等技术，实现生产过程的数据化、暂能化和定制化。 制造业期望在当今充满活力的全球市场中保持竞争优势，他们关心的问题包括： ·如何在全球竞争中提升创新能力和运维效宰？+如何让员工在远程环境中安全高效地研发和协作？·如何提供更好的用户体验和服务？+如何在分布式IT环境中保护数据和知识产权 数字化转型势在必行。但即使有最整定的团队提供支持，许多努力也会面临失败对于大多数不成功的项目启动，通常会出现以下五个错误: ·未能获得业务/IT一致性·将所有应用集中在一起转型*以基确设施为中心·末能简化生产路径·没有验证或成功经验就铺开 1.3智慧汽车制造过程的特殊要求和痛点 用例1：工人安全措施监督 工人安全措施监督是指对工作场所中工人的安全措施进行监督和管理，以确保工人在工作过程中的安全和健康。解决方案有采用OpenVINO"和摄像头来实施工人安全措施监督 硬件设备选择： 数据采集和存： 设置一个数据采集系统，将摄像头捕获的图像或视频据传输到一个中央存储设备或云平台。确保数据传输的安全性和稳定性，并设置适当的存储客量来保存大量的图像或视频数据。 选择高质量、高分解率的摄像头设备，并根据工作场所的具体需求和布局确定摄像头的数量和位置，确保摄像头能够清晰捕提到工人的图像或视频， +AI模型选择和训练： 数据预处理： 在将图像或视频数据输入到AI模型之前，进行必要的预处理步需。这可能包括图像的调整、裁勇、大小标准化等，以确保模型的输入数据符合要求。 根据工人安全装备的识别需求，选择适当的AI模型架构，如卷积神经网络(CNN)。使用已标注的图像或视频数据集进行模型训练，并进行送代优化，以提高模型的准确性和性能。 模型优化和推理： 实时监控和报警： 将优化后的模型部署到工作场所的监控系统中，实时监测工人的安全装备佩数情况，通过模型推理，检测工人是否正确佩愈安全装备，并在不符合要求的情况下触发报警或通知，以及记录相关事件。 利用OpenVINO"对训练好的模型进行优化，以提高推理速度和效率。OpenVINO"可以针对特定的碰件平台进行模型优化和部署，例如使用Intel的芯片， ·数据分析和反馈： +隐私保护和合规性： 对收集到的数据进行分析，提取有关工人安全装备佩戴情况的统计信息和趋势。这可以帮助企业评估和改进工人安全措施，并提供反馈给相关人员和工人。 确保在使用摄像头和AI技术时遵守适用的法律法规和隐私规定，采取适当的数据加密、访问控制和数据保护措施，以保护工人的隐私权。 以上是一个综合考患硬性设备、数据处理，模型训练和优化、实时监控以及数据分析的用例，具体的实施组节和配置将取决于特定的企业需求和场最。 用例2:汽车制造产线设备预测性维护 预测性维护是实时诊断潜在设备故障以防止故障的策露，由于机器或没备的故障会造成高昂的维修成本、生产力提失以及错过客户交付时间和期望，技术人员通常根据固定的时间表进行例行诊断、检查和预防性维护，然而这是一个成本高品且劳动密集型的过程。从被动维护到预测性维护的转变在于，允许在停机发生之前进行干预。与传统的预防性维护或反应性维护策略相比，预测性维护具有很高的成本效益。根据PlantEngineering2018年维护调查，预测性维护受到80%维护人员的毒脉，与耗时的被动维护相比，该策略普在优化预防性维护活动上花费的时间和金钱的"最佳点”。它为持续改进奠定了基础，使企业能够降低维护成本，从而整体节省成本并提高性能。 预测性维护使用机器视觉等智能传感器从设备、车辆或其他资产收集数据，从而自动执行监控设备的任务，收集的数据会在现场进行分析，如累检测到追在盾肆的间随就会稳发警报，机器学习则可以在云或边缘使用，以组合和分析来自大量机器的数据，确保准确预测维护工作的需求，如今，企业正在使智能更接近数据以进行实时边缘处理。制造工厂可以从车间无线收集数据，例如电机的表面温度、液压系统的压力或灌中的液位，并使用预测分析来确定这些值是吾安全且可接受范围，与传统的设备监控相比，这是一种速度更快响应方法，传统的设备监控需要员工按照预定的时间表手动检宣和维护设备，这种类型的状态监测无法实时润紧特定设备的状态。 通过使用机器学习案了解过去的故障，然后将这些算法应用于有关工厂和设备的当的数据，分析有助于预测未来停电和维护需求的可能性，从而可以不断训练模型，以更加准确地预测维护需求，机器学习可以揭示基于使用状态的维护无法实现的相关性，将数据转化为有关设备和维护要求的见解。运行在生产线上的设备和部件会自然的产生工业损耗，但是作为一种常见的照损，如果无法在发生故障前有效的维护，也会引起生产线停运，基至是生产事故，因此该损耗也存在较高的风险。传统的预防性维护就是为了消除设备故障和计划外中断而果用的、定期主动进行检修和替换等维护工作的方式，但是在缺乏经验或合理计划的情况下，也存在过度维护或者缺乏维护的问题，仍然会造成生产成本的浪费，并且依然存在出现重大风险事故的隐患， 为了解决上述问题，预测性维护的方式被提出。预测性维护利用先进的传感器技术，获取系统运行状态信息和故障信息，借助神经网络、期推理等算法，根据系统历史数据和环境因素，对系统进行状态监测、故障预测，同时对系统的健康状态进行评估，结合地面维修资源情况，给出维修决策，以实现关键部件的实情维修。 预防性维护和预测性维护有如下几个主要的区别： 1.维护触发点： 预防性维护是固定周期维护，不考感设实际状态，可能带来过度维护；预测性维护是在必要时进行维护，预留足够应对时间一线人员在故障前做出应对。 2.维护方式 预防性维护是根据零部件的平均损坏率进行维护，不考虑实际运行状态；预测性维护是概据设备的实际运行状态决定维护方式及关注点。 3.维护成本： 预防性维护的维护成本高，停机停产时间更长；预测性维护的维护成本低，停机停产时间更短。 因此预测期性维护可以降低企业投入巡检的人力成本，减少不必要的题检频率，在一些成功场景中实现了50%以上的邀检时间节约；同时合理的安排零部件库存，避免企业过多或者过少的储备设备替换备件；而在人工智能的支持下，通过提炼人脑知识形成的模型，可以将专家的经验数字模型化，从而保障统一标的维护管理和操作流程。 预测性维护工具 硬件和软性解决方案是测性维护计划的关键推动者。例如，能源和公用事业公司可以更好跑了解和管理消费模式，运输公司可以优化服务和交付路线，制造公司可以提高质量保证并降低停机风险。 高性能英特尔至强可扩展处理器 基于英特尔*至强*可扩展处理器的边缘服务器可提供高性能来支持高级分析，并通过基于硬件的安全性来帮助确保数据安全英特尔*收腾"DC持久内存可在第二代英特尔*至强*可扩展处理器上使用，以帮助从数据密集型皮用程序中快速获取见解。 预测维护软件 英特尔合作伙伴的软件解决方案是针对关键重点领减定制开发的，例如车队预测性维护、车辆预测性维护和计算机化维护管理系统(CMMS)这些解决方案通过优化现场技术人员的调度来帮助降低零件故障的风险并降低总体成本,潜在故障的提前通知可提供更高效的零件订购和维修，以减少停机时间并改善资产管理。 工业边缘洞察 英特尔的工业边缘润紧为加速工业物联网解决方累的部署莫定了基础。它为企业提供跨操作系统和工业协议摄取、处理、存储、管理和保护基于边绿的数据所需的组件。这提供了选择企业想要包盒的定制解决方案的特性和功能的灵活性。 用例3：案性汽车零部件制造上的物料管理与缺探伤 AI拥有着远胜人工的质量控制和缺陷检测能力，利用OpenVINO"技术可以对产品表面的缺陷、异物等进行快速准确的检测，从而避免出现质量问题，并降低人工操作带来的误判和漏判的风险，同时提高检测效率和生产效率，在智能制造方面，AI能提高产品质量、减少生产成本，并通过实时监测和反馈来优化制造流程， 1.数据采集 2.数据标注： 对收集到的数据进行标注，以便训练AI模型，标注的过程是将每个图像或视频与相应的