夜雨聆风相机装了30台，还是有缺陷逃出了产线——这不是相机的问题，是工艺工程师的问题。 2026年，几乎所有新建的电池Pack产线都在上AI视觉系统。但现场工艺工程师最常遇到的情况是：设备供应商说"已经覆盖了18个检测点"，交付后却发现漏检率远高于预期，甚至有Pack拆装返工才发现零件装反。问题出在哪里？本文从两家真实Pack产线（一家合资主机厂、一家自主品牌Pack厂）的视觉系统配置出发，告诉你工艺工程师在AI视觉规划中最容易踩哪几个坑。
1视觉系统的两种任务：定位补偿 vs. 质量判断，混了就出问题
很多工厂上AI视觉的思路是"检测点越多越好"，但把镜头对准工位并不等于防住了缺陷。在某合资主机厂的动力电池Pack产线里，工艺团队做过一次系统性的梳理：把产线上的视觉系统按功能分成了两大类——定位补偿型和质量判断型，这两类失效后果完全不同。
定位补偿型（如机器人抓取电芯上线）：相机的作用是给机器人提供实时坐标修正，失效后果是"设备报警、停机"——最坏的情况是节拍停顿，但不会有缺陷产品流出。这类相机对精度要求高，但对"漏检"的容忍度相对较高。
质量判断型（如极耳高度检测、焊缝3D扫描）：相机的判断结果直接决定零件是流转还是踢料。一旦"坏判好"（缺陷件被误判为合格），后续工序会继续加工，最终进入整包甚至出货。这类相机的失效后果是逃逸缺陷，是Pack产线漏检问题的真正来源。
关键区分：工艺工程师规划视觉系统时，第一步要区分每台相机是定位补偿还是质量判断。两类相机的验证方法、响应逻辑、PM维护频率都不同，不能用同一套方案管理。
2极耳高度检测：一台激光传感器，守住焊接虚焊的最后关口
在某合资主机厂电池线工位，有一道容易被低估的检测——极耳高度差测量，使用的是激光传感器（非普通相机）。其检测逻辑是：在激光焊接之前，扫描相邻电芯极耳的高度差，如果高度差超过阈值，系统踢料，不允许进入焊接工位。
极耳高度差检测点为相邻电芯极耳上表面，用激光位移传感器测高度差。失效模式分析：坏判好（高度差超标未检出）→ 激光焊接时焦点偏移 → 焊缝熔深不足 → 虚焊逃逸。因此OP140被列为产线关键控制点，防错验证需要覆盖"相机失效+传感器漂移"两种场景。
为什么极耳高度差会影响焊接质量？这是工艺工程师必须理解的一个因果链：极耳高度差过大意味着模组叠压不一致 → 激光焦点与极耳上表面的距离偏离设计值 → 焦点外焊接能量密度降低 → 焊缝熔深下降到合格线以下。这个逻辑链在该产线工艺PFMEA中明确记录，是该工站单独设立激光传感器的依据，而非凭经验上马。
注意：激光传感器的检测窗口需要定期清洁（PM维护），金属粉尘和绝缘胶污染是导致传感器漂移最常见的原因。该产线现场要求每班次生产前做一次基准校验，这一点很多产线没有做到。
3MES追溯闭环：AI视觉的判断结果，怎么才能"管用"？
AI视觉系统只负责"看"，MES系统负责"管"。工艺工程师最常忽略的问题是：视觉系统的判断结果如果没有写入MES追溯链，就等于没有做防错。
在某自主品牌Pack厂的产线MES防错需求文件里，追溯的核心要求是"精确追溯"——每一个电芯的二维码、在产线上经过的每一道关键工序的质量数据（扭矩值、焊接能量、测试结果），必须全部绑定到整包的唯一序列号。这不只是数据存储的问题，更是当整包出现现场故障时，能否在30分钟内锁定故障批次的关键。
第一，追溯颗粒度：该厂精确追溯标准要求追溯颗粒度到电芯级——即每块Pack里的每片电芯都能对应唯一二维码和OCV数据，而不仅仅是批次级追溯。这个要求在产线规划时就需要确定扫码工位和绑定逻辑，上线后再改代价极大。
第二，AI视觉与MES的数据接口：视觉系统输出的检测结果（OK/NG + 具体测量值）需要通过标准接口写入MES，而非只触发PLC停机信号。测量值的历史趋势是后续SPC分析和工艺优化的原始数据，只有OK/NG信号是不够的。
第三，返工闭环：NG件被踢出后，返工逻辑同样需要MES管控。该厂的"MES防错&返工需求"文件中专门定义了"半成品返修线流程"，返修后的零件必须重新过相同的检测工位，并在MES里标记"已返工"状态，否则返工件的追溯链断裂，与新品无法区分。
要点一：AI视觉与MES必须双向联动——视觉结果写MES，MES状态控制工位放行权限，两者缺一不可。
要点二：追溯颗粒度需在产线规划阶段确定（电芯级 vs. 模组级 vs. 批次级），事后升级追溯系统代价极高。
要点三：返工件必须重新过检测工位并在MES打标，否则返工品与新品混线，追溯链断裂。
4防错有效性验证：不评审，相机等于没装
上了视觉系统不等于防住了缺陷，还需要"防错有效性评审"。某合资主机厂在其Pack产线的防错体系里，对每一个防错措施都有两个关键字段：防错功能（想防什么）和控制有效性（实际能不能防住）。很多工厂缺少后者——设备供应商给一份检测功能列表，工艺工程师就认为"覆盖了"，但实际上相机在什么情况下会失效、失效后产线如何响应，都没有被验证过。
在该厂的防错评审中，发现了一个典型案例：某工位的相机被设计用于检测散热翅片是否安装到位，但评审时发现，当相机的镜头发生轻微污染（而非完全遮挡）时，系统不会触发报警，而是给出"OK"判断——因为污染导致图像对比度下降后，算法的置信度跌破阈值，系统默认"OK"而非"NG"。这是"静默失效"模式，是最危险的漏检方式。
注意：AI视觉系统的算法需要明确设定"无法置信时默认NG"逻辑，而非"默认OK"。这一条在系统集成验收时必须专项测试，不能只测"正常工况下的检出率"。
5工艺工程师的三张清单：规划、验证、维护，缺一不可
总结以上内容，工艺工程师在Pack产线AI视觉+MES系统落地中，需要主导三个阶段的核心工作：
提示：AI视觉系统的漏检率不是一次验收就固化的指标，随着生产环境变化（温度、粉尘、零件来料质量波动）会持续漂移。工艺工程师需要建立"视觉系统健康度"日常监控指标，而不是"用了AI就高枕无忧"。
· · · · ·
本文小结
· · · · ·
本期提问
你们产线上的AI视觉系统，目前是由工艺工程师主导规划，还是设备供应商给一套方案直接用？有没有遇到过"相机装了，但漏检还是发生"的情况，当时是怎么定位问题的？欢迎留言聊聊你的真实经历。
· · · · ·
往期热点
觉得有用，转发给你身边正在做这个方向的工艺同事
电池包工艺 | 每日一篇，工程师自己写的工艺干货
本文部分资料来源于网络公开领域，版权归原作者所有。