当师傅的「火眼金睛」遇上AI的「红外光谱」

铜管焊接产线上的手艺与算法

广东佛山一家做制冷铜管的企业，去年做了件事：把干了二十三年的焊接老师傅的「手感」，翻译成了算法能读懂的数据。

不是比喻。是真的用红外光谱仪采集老师傅焊接时的温度曲线，用高速摄像头记录焊枪角度和移动速度，然后把这些数据喂给深度学习模型。半年后，这套AI高频钎焊系统上线，焊接良品率从97.3%提升到99.6%。

手艺的困境

铜管焊接这活，靠的是经验。老师傅们会说：「看颜色，发青就过了，发紫正好，发红就欠了。」或者说：「听声音，滋滋声对了，噼啪声就坏了。」

这些判断标准从来没有被量化过。一个老师傅带徒弟，至少需要两年才能出师。而这家厂的七位核心焊接师傅，平均年龄在52岁，最大的那位今年三月刚退休。

更麻烦的是，铜管焊接的质量检测一直靠人工目检。焊点内部的虚焊、气孔、未熔合，肉眼根本看不见。老师傅们会用手捏一捏、用锤子敲一敲，凭经验判断。但这种判断的准确率，在长时间工作后明显下降。

怎么把「手感」翻译成数据

感应加热设备的技术团队跟厂里合作，做了三件事。

第一件，采集「成功样本」。让三位技术最好的老师傅各焊一千根铜管，用红外热成像仪全程记录温度变化曲线。他们发现，合格焊点的温度曲线都有一个共同的「平台期」——在1050度左右维持2-3秒，这个时间窗口是焊料充分流动的关键。

第二件，采集「失败样本」。故意在各种参数偏离的情况下焊接——温度高了、低了，速度快了、慢了，焊料多了、少了。把这些「问题焊点」的X光检测图像和温度曲线对应起来，建立缺陷类型与数据特征的关联。

第三件，训练模型。用ResNet做图像特征提取，用LSTM分析温度曲线的时序规律，最后做一个多模态融合的分类器。模型能根据实时采集的红外图像和温度数据，在焊接完成的瞬间给出质量预测。

人机协作的新模式

系统上线后，焊接工位的工作流程变了。

以前是：工人焊完→老师傅目检→有问题返工。现在变成了：工人焊接→AI实时监测→AI给出「合格/可疑/返工」判断→可疑的推给人工复检。

这种模式的关键在于实时反馈。AI系统能在焊接过程中就发现问题，比如温度曲线偏离了标准区间，系统会立即报警，工人可以当场调整。而不是等焊完了才发现，那时候返工成本已经高了。

那位退休的老师傅，现在被返聘回来做「算法调校顾问」。他不再站焊接岗，而是坐在监控屏幕前，看AI系统的判断结果，标记那些「判断不准的样本」，帮助模型迭代优化。

他说了一句话：「以前我觉得，这手艺传不下去，我走了厂里就完了。现在我知道，系统能守住底线，但真要有疑难杂症，还得靠人。」

效果与局限

数据是真实的：焊接良品率从97.3%提升到99.6%，返工率从4.2%降到0.8%。一个焊接工位每天处理800根铜管，按这个效率，每年省下的返工成本大约在35万。

但局限也很明显。这套系统只适用于标准化的铜管焊接，管径、壁厚、焊料成分都必须相对稳定。如果换了新规格的铜管，或者改用新的焊料，模型需要重新采集数据微调。

更重要的是，它处理不了「非标准情况」。比如有些特殊结构的管路，需要焊工现场调整角度和手法，这些灵活应变的经验，AI学不会。

写在最后

那位老师傅跟我说，他现在最大的成就感，不是焊了多少根管子，而是「我二十三年的手感，现在变成了系统里的几千行代码」。

这种变化，可能比ROI数字更长久。手艺或许会失传，但手艺背后的规律，可以通过另一种方式留下来。

下期预告

第003篇：服装面料质检——当AI开始学习「手感」。