机器学习系统已在产线跑通

工业 AI 方案商 Acerta AI 近日披露了一项落地成果：他们为某氢燃料电池堆制造商开发的机器学习系统，已在对方的生产线上跑通了。按目前的数据推算，等这套系统全面铺开后，线尾测试的时间能砍掉 76%，产能上去，质量也不会打折。

测试时间从两小时压缩到 30 分钟以内

线尾测试向来是燃料电池量产的一块硬骨头——耗时长、占成本，还卡产能。测试时间短了，每堆的成本自然跟着降，产能也就释放出来了。这套系统是 Acerta 和一家头部氢燃料电池厂商合作了整整两年磨出来的，全程在真实产线上开发、验证、上线。核心逻辑是提前识别失效信号，把原本两个多小时的测试流程压到 15 到 30 分钟，质量标准一个不松。

但这件事的难点不只是模型跑得准，更在于怎么把模型给出的结论变成生产现场真正能用的决策——提吞吐、省成本、守质量，三件事得同时兼顾。

Acerta AI CEO Greta Cutulenco 说得很直接：“在产线上，模型好不好用是一回事，能不能把预测结果变成让人放心的决策才是另一回事。我们要解决的，是后面那个问题。”

预测与决策分开做

Acerta 的做法是把预测和决策拆开来处理。模型负责出预测，但最终拍板的是一套决策策略——这套策略会把成本、测试覆盖率、资源消耗之间的取舍关系算清楚，然后根据实际生产需要，在保守、均衡、激进几种模式之间切换。

工程副总裁 Sergey Strelnikov 说：“制造业里没有完美的模型，这是常识。所以光靠预测是不够的，还得把模型的输出和吞吐量、成本、资源使用这些生产指标真正挂上钩。我们做的事，就是把这中间的权衡关系说清楚、定死。”

系统的训练在云端完成，跑的是大规模数据集；部署在产线边缘侧，得扛住延迟、可靠性、和设备集成这几道关。云到边缘这条链路，保证了训练出来的东西和现场实际跑的东西不会脱节。

相关成果已在今年的维也纳国际发动机研讨会上公开发表，这个会是动力总成圈子里的老牌顶会，整车厂、供应商、学术界都在。

论文题目是《利用机器学习加速燃料电池堆线尾测试：生产中的早期故障检测与成本节约》，从数据接入、模型训练到边缘部署、线上监控，整套架构都有交代。研讨会由奥地利汽车工程师学会（ÖVK）和维也纳工业大学联合主办。

关于Acerta AI

Acerta 做的是帮离散制造企业把工厂一步步推向自主运营。靠的是把生产数据、机器学习和 AI 结合起来，在质量、产能、效率上找到实打实的改进空间。目前他们的系统已经跑在全球 12 个国家、400 多条产线、数千台设备上，每天都在给那些世界级的制造商产出可量化的回报——不是 PPT 上的数字，是账面上的。

【信息来源：Acerta AI】