我国已成为世界新能源车产销第一大国，2023年我国新能源产销分别完成958.7万辆和949.5万辆。新能源车所用到的许多零部件与内燃机原有主要零部件不同，以电力作为动力来源，必须具有电池系统、电驱系统和电控系统等关键部件。

以电驱系统为例，电驱系统组件繁多，生产工艺复杂，各零部件在生产与组装过程里，极易产生各种偏差与缺陷，包括划伤、压伤、掉漆、掉屑、漏料、漏装、残留异物、尺寸不合格等，导致实际生产过程中检测场景多样且复杂。

目前，高度集成化、标准化、模块化的电驱系统成为主流发展趋势，因而对电驱系统核心组件的质量、组装过程的精密度和准确度等方面要求极严格，要求质检与品控的误差与瑕疵近乎为0。因此，对质检技术和设备等提出更高的要求。

AI大模型出现后，也开始在智能质检领域寻找落地场景，一些原先棘手的质检问题，也在AI大模型身上看到了被解决的希望。

图：AR工业制造应用领域

来源：虎嗅智库

关键部件尺寸测量与精度控制：AI大模型能够自动测量汽车关键部件的尺寸，并与预设的标准值进行比对，确保部件的尺寸精度符合要求。例如，在刹车系统零部件的检测中，AI大模型可以自动测量刹车盘、刹车片等部件的尺寸，以确保符合设计标准和安全要求。

AI视觉检测与缺陷识别分类：AI大模型能够处理大量的图像和视频数据，通过深度学习算法识别汽车关键部件表面的各种缺陷，如裂纹、

气孔、夹杂物等，通过深度学习算法，AI大模型可以学习不同缺陷的特征和模式，并对其进行分类和评估，提高缺陷检测的准确性和效率。

例如，在轮毂加工过程中，AI大模型可以使用3D扫描仪对轮毂进行扫描，并通过图像识别算法对轮毂的尺寸、形状和表面质量进行自动检测，确保轮毂符合标准要求。再如，长安汽车与海康威视合作，通过工业AI视觉算法和模型实现对冲压钣金零件表面孔特征、凹凸划伤、开裂、隐形伤等外观质量的100%智能检测。

关键部件性能测试与评估：AI大模型可以对汽车关键部件的性能进行测试和评估，如硬度、强度、耐磨性、密封性等。通过模拟实际工作环境和条件，AI大模型可以对部件的性能进行全面的测试和评估，确保其符合设计要求和使用标准。

例如，在刹车片的质量检测中，AI大模型可以通过模拟刹车过程对刹车片的摩擦性能和耐磨性进行测试和评估，确保其具有良好的制动效果和较长的使用寿命。

智能化质检系统：AI大模型可以与其他自动化设备和系统集成，构建智能化的质检系统。通过数据共享和协同工作，AI大模型可以实现质检过程的自动化和智能化，提高质检的效率和准确性。

例如，在汽车零部件质检领域中，AI大模型可以与机器视觉系统、传感器等集成，实现对汽车关键部件的自动化检测和评估。同时，AI大模型还可以根据检测结果自动生成质检报告和数据分析报告，为质量管理和决策提供有力支持。

图：AI大模型在整车及关键部件质检中的应用场景

来源：虎嗅智库

案例概述：微亿智造为某汽车零件供应商打造了电驱动AI智能检测解决方案，该供应商总部位于美国，在汽车制造行业拥有近百年发展历史，面对中国新能源汽车产业的重大创新和发展机遇，该公司迅速在电驱动等业务板块进行了布局。

 解决方案呈现

（1）产线问题分析

甲方企业在进行电驱动部件制造过程中，面临以下困难及要求：①功能性缺陷、重大缺陷PPM要求极高，甚至达到0漏检。如电驱动定子伤线、漏铜影响电性能，线圈变形、铁芯严重翘片影响安装和稳定性，此类缺陷要求检测尽可能100%检出，接近0漏检；②产品形态复杂、材质多样、缺陷种类繁多。比如多种不同材质原材料组合成定子，造就了其表面形态复杂且光学面光学特性复杂的特点；③人工检测效率低不稳定，传统检测设备难全面覆盖；④线体生产速度快，当前人工检测难以适配当前产能效率。大宗线体CT已迈入100s，部分高速线体已向60s乃至50s迈进，人工检测难以满足；⑤产线质检强依赖人工，无数据分析反馈前道制程且不利于后续修护环节。

（2）解决方案呈现

微亿智造通过对电驱动多个核心工序上的缺陷进行快速理解和快速评估，将电机行业全工序检测需求沉淀为更好的适应复杂环境和生产柔性的系统化的视觉检测方案，兼容性强、精度高、效率高、易部署。从电机定子、转子的生产过程检，到总机组装的FQC终检，涵盖外观、焊接、尺寸等检测类型，实现电驱动工序缺陷检测覆盖，并和后道修复环节相结合，通过坐标引导精准定位，完成缺陷品的快速修复，提升二次良率。

图：微亿智造电驱动AI大模型智能解决方案

来源：虎嗅智库

通过知识融入的预训练、知识数据双驱动的决策推理，实现包括文本、图片、音频常等多模态知识的融合，构建多模态数据和知识融合的工业垂域通用大模型。通过大模型的知识注入能力、泛化能力、跨场景能力，极大缩短电驱动AI智能检测上线周期，推动标准化及智能化。基于检索增强和知识驱动的工业大模型，通过深度视觉感知及机器人智能控制等关键技术，赋能“相机+机械臂”同步运动，结合大模型的迁移泛化能力，满足电驱动全工序、快速切换的检测需求。

（3）项目收益评估

直接收益：实现电驱动生产工序环节全域检测，几乎100%自动化检测，柔性适配不同生产节拍需求。一台设备可以替代8-10个电驱动生产工序环节的质检员，企业基本8-12个月收回成本，随后每年可以帮企业节省近百万人工成本。同时可以和修复系统相结合，提升二次良率，降低总体生产成本，同时为客户提供量化的质检数据分析，反馈前道制程，驱动工艺优化，助力企业成产出更高质量的电驱动产品。

间接收益：整体良率的提升可以减少因产品缺陷导致的材料浪费，实现更高的利用效率；拥有产品质量数据分析报表为产品质量做佐证，提升整体企业形象，赢得更多客户订单；高质量的产品和及时的交付能够提升客户满意度，从而增加客户忠诚度和口碑传播，增强市场竞争力；智能检测设备自动化、智能化给企业带来的显著效果，能够进一步推动企业在数智化方面的建设，推动企业持续保持竞争优势，实现可持续发展。

AI大模型在汽车关键部件质量检测中的优势：

①提高检测效率：AI大模型能够大幅提高检测效率，减少人力成本和时间成本。例如，某汽配公司引入的铝件孔洞及螺纹检测系统，在高速生产线上以极高的精度和速度执行检测，确保了质量控制的高效性。

②提高检测准确性：AI大模型通过深度学习算法和大量数据的训练，能够实现高精度、高准确率的检测。与传统的人工检测相比，AI大模型能够减少漏检和误检的情况，提高产品的质量和可靠性。

③降低人为因素干扰：AI大模型可以避免人为因素对检测结果的影响，确保检测结果的客观性和公正性。

AI大模型在汽车关键部件质量检测中面临的挑战：

①数据获取与标注：AI大模型的训练需要大量的标注数据，但在实际应用中，获取和标注这些数据可能存在一定的困难。数据的质量和标注的准确性也会影响AI大模型的性能。

②模型泛化能力：AI大模型在训练过程中可能存在过拟合的问题，导致模型在新的应用场景下表现不佳。如何提高模型的泛化能力是一个需要解决的问题。

③隐私保护与安全性：在汽车关键部件质量检测中，AI大模型需要处理大量的敏感数据。如何确保这些数据的安全性和隐私保护是一个重要的挑战。