《Engineering Applications of Artificial Intelligence》:Deep learning prediction of cold-side quality characteristics from hot-side infrared sensing in glass bottle manufacturing
编辑推荐:
摘要在玻璃瓶制造过程中,质量检测传统上在生产线的冷端进行,即在容器充分冷却后通过接触式或光学测量完成。虽然这能确保缺陷识别的可靠性,但成形成型与反馈之间存在显著的时间延迟,限制了实时过程控制和减少浪费的机会。本研究提出了一种工业人工智能(AI)框架,可直接从模具脱模后立即采集
摘要
在玻璃瓶制造过程中,质量检测传统上在生产线的冷端进行,即在容器充分冷却后通过接触式或光学测量完成。虽然这能确保缺陷识别的可靠性,但成形成型与反馈之间存在显著的时间延迟,限制了实时过程控制和减少浪费的机会。本研究提出了一种工业人工智能(AI)框架,可直接从模具脱模后立即采集的热端红外测量数据预测冷端质量特征。我们的方法基于相关性建模而非一对一的可追溯性。我们开发了一个监督式深度学习模型,将热端红外发射模式映射为聚合后的冷端质量指标。基于生产规模玻璃生产线采集数据进行的实验表明,该模型能够在训练数据充分覆盖的运行区间内可靠地预测与厚度相关的冷端特征,提供约提前一小时的早期预警信息,而传统冷端检测此时尚无法获得。分析还界定了该方法的适用范围。在时间分布偏移条件下,与瓶口相关的变量保持相对较低的预测误差,但由于其动态范围狭窄,决定系数有所降低;而椭圆度与压力相关变量则表现出较差的泛化能力。这些局限性与单视角红外传感装置的物理约束相一致。因此,所提出的框架应被理解为一种变量选择性早期预警工具,而非所有冷端质量特征的通用预测器。其预测结果可协助操作员检测日益显现的偏差、主动调整成型参数、减少质量漂移,从而为未来整合到闭环过程控制中奠定基础。
引言
玻璃瓶制造是一个高度优化的过程,质量控制在其中发挥着确保产品完整性、安全性和生产效率的决定性作用。 blister(气泡)、裂纹、夹杂物或尺寸变形等缺陷可能损害瓶子的机械强度和外观,导致产品报废和材料浪费。为缓解这些问题,现代生产线采用了自动检测系统,这些系统主要位于冷端,即在瓶子冷却至适合机械搬运和光学测量的环境温度后进行检测。
尽管冷端检测系统成熟可靠,但在成型过程与缺陷检测之间存在固有的时间延迟。这一延迟阻碍了对成型机的及时反馈,使得实时识别和纠正缺陷根源变得困难。因此,在工艺调整之前可能已经生产出一批有缺陷的瓶子,从而增加了废品率、能耗和生产成本。
近年来,计算机视觉和人工智能(AI)的进步为制造行业的预测性质量控制开辟了新的范式。基于AI的系统不仅可以在生产后才识别缺陷,还能学习早期工艺测量与最终产品质量属性之间的关系。在玻璃制造中,热端——即瓶子以高温离开模具的区域——包含了丰富的成型条件、温度分布和表面图案信息,这些信息可能影响容器的最终质量。然而,由于多个成型段的瓶子在通过退火炉时相互混合,建立热端观测与冷端检测结果之间的一一对应关系是不可行的。因此,我们的分析着重于学习热端红外发射模式与聚合冷端质量特征之间的统计相关性。预测这些特征使操作员能够识别成型过程何时正在向不良状态漂移,并主动调整参数,从而在质量缺陷出现之前将其预防。
本研究提出了一个深度学习框架,可直接从热端红外测量数据预测冷端质量特征。该模型利用模具脱模后立即捕获的热模式,并学习其与下游检测数据的统计关系,尽管经过退火炉后一对一的可追溯性已经丢失。通过处理重建的红外特征,系统推断关键瓶子属性在冷端可能的演变趋势。
该框架在从生产规模玻璃生产线采集的数据上进行了验证,结果表明热端做出的预测能够准确反映冷端传感器随后测得的趋势和变化。
本文的主要贡献如下:
- •
我们引入了一种工业深度学习方法,在玻璃制造中从热端红外数据预测冷端质量特征。
- •
我们证明了这些预测能够实现不良趋势的早期识别,支持及时的工艺反馈,并使得操作员能够干预机器参数。虽然闭环控制超出了本研究的范围,但所提出的框架构成了未来自校正生产线的组成部分。
本文的其余部分组织如下:第2节回顾了玻璃检测和预测性质量控制方面的相关工作。第3节描述了所提出的方法,包括成像装置、特征提取和模型架构。第4节展示了实验结果和性能评估。第5节讨论了工业部署和过程集成的意义,第6节对全文进行总结。
章节摘要
相关工作
尽管人工智能在制造业中的应用日益广泛,但与半导体制造、钢铁生产、汽车制造和电子组装等行业相比,玻璃行业的探索程度仍然较低(Tercan and Meisen, 2022),在这些行业中,大规模预测性维护、工艺优化、虚拟计量和质量预测系统变得越来越普遍(Sundaram and Zeid, 2023, Kausik et al., 2025, Zhang et al., 2024)。这些
流程概述与缺陷定义
玻璃瓶制造是一个连续且高度同步的过程,由多个阶段组成,从熔融玻璃的输送到成型后的检测。图1展示了该过程的简化表示,分为热端和冷端。过程始于熔融玻璃通过旋转管进入料斗,该旋转管调节流量并保持温度和成分均匀性。一个活塞机制周期性地提取并推动受控量的玻璃
实验结果
用于模型开发的数据由一家玻璃瓶制造公司提供(Glassform, 2025),包含从2024年8月至2025年4月期间从单条生产线采集的传感器数据。在此期间,机器进行了超过一千次不同的生产运行,制造了数百万个瓶子。
在应用第3.3节中描述的异步滑动窗口策略并计算对齐后的聚合统计量之后
讨论
第4节和附录A中呈现的结果对所提出的框架在真实工业条件下的表现进行了全面评估。本研究的一个重要优势在于,所有数据均来自一条连续运行数月的生产线。因此,该数据集捕捉到了工业环境中典型的变异性、干扰和运行约束,确保离线验证反映了现实部署条件。
结论
在本工作中,我们引入了一个工业深度学习框架,利用在玻璃瓶生产线热端采集的重建红外图像来预测冷端质量特征。通过学习早期热模式与下游测量之间的关系,所提出的模型能够在常规可用之前数十分钟估计瓶子的关键物理属性。这为更早检测质量漂移提供了基础
CRediT作者贡献声明
Mattia Pujatti:撰写——初稿,可视化,验证,软件,方法论,调查研究,形式化分析,数据整理,概念化。Andrea Di Luca:撰写——初稿,可视化,验证,监督指导,方法论,形式化分析,概念化。Nicola Peghini:撰写——审阅与编辑,资金获取,数据整理。Paolo Calanca:撰写——审阅与编辑,数据整理。Marco Cristoforeti:撰写——审阅与编辑,监督指导,项目
利益冲突声明
作者声明以下可能被视为潜在利益冲突的财务利益/个人关系:Nicola Peghini报告获得了Trento自治省的财政支持。如果有其他作者,他们声明没有任何已知的竞争性财务利益或个人关系可能影响本文报告的工作。
致谢
作者感谢Trento自治省根据第六号法案为这项研究活动提供资金,该研究是ASTROGAME研究项目的一部分,由GlassFORM.ai S.p.A.领导。
Mattia Pujatti|Andrea Di Luca|Nicola Peghini|Paolo Calanca|Marco Cristoforetti