面向高速液体包装生产线异常状态识别与全线能耗调控的嵌入式多模态轻量级人工智能系统

《Scientific Reports》：Deployment of edge-lightweight AI vertical models in multimodal anomaly detection and energy optimization of tech-long production line

　　

摘要

针对高速液体包装生产线异常状态难以及时识别、边缘控制器算力受限以及能耗调控与状态监测相互独立的问题，本研究构建了一套嵌入于Tech-Long生产控制器的多模态轻量级人工智能（AI）系统，实现了对异常运行窗口识别与全线能耗的协同优化。首先，本研究收集了吹瓶、灌装和包装工段的振动、声学和热信号，并通过时间同步、特征级对齐和层次融合构建了跨工段异常表征。其次，利用核融合、通道压缩和4位整数（INT4）量化技术重构了羽状卷积神经网络（FeatherCNN），以降低模型计算和存储负载，从而使网络能够适应资源受限的精简指令集计算机（ARM）边缘控制器。最后，构建了由连续基础节能和异常风险加权校正组成的双层控制链，使异常评分能够通过动态权重和调整增益影响温度区、阀门开度及热封参数的更新。实验结果表明，多模态FeatherCNN的异常窗口识别准确率达到0.931，优于传统机器学习模型、深度学习基线及各类单模态结构。轻量化处理将浮点运算（FLOPs）从3.42×10?降低至0.58×10?，降幅约83%。完整模型在ARM控制器上的推理延迟由18.63毫秒（ms）缩短至7.41毫秒。在固定生产线速度、材料规格及统计窗口的控制条件下，双层协同控制使全线能耗降低了26%。结果表明，多模态异常识别、模型轻量化与节能参数调优可在同一边缘决策链中协同工作。该框架验证了资源受限控制器支持整条包装线异常监测与能耗调控的可行性，同时也为类似高速液体包装生产线的边缘智能部署提供了工程参考。