人工智能的概念第一次被提出，是在20世紀50年代，距今已六十余年的時間。然而直到近幾年，人工智能才迎來爆發(fā)式的增長，究其原因，主要在于日趨成熟的物聯(lián)網、大數(shù)據(jù)、云計算等技術。

 

      物聯(lián)網使得大量數(shù)據(jù)能夠被實時獲取，大數(shù)據(jù)為深度學習提供了數(shù)據(jù)資源及算法支撐，云計算則為人工智能提供了靈活的計算資源。這些技術的有機結合，驅動著人工智能技術不斷發(fā)展，并取得了實質性的進展。AlphaGo與李世石的人機大戰(zhàn)，更是將人工智能推到了風口浪尖，引爆了新一輪的人工智能熱潮。

 

 

      此后的近幾年，關于人工智能的研究和應用開始遍地開花。隨著智能制造熱潮的到來，人工智能應用已經貫穿于設計、生產、管理和服務等制造業(yè)的各個環(huán)節(jié)。

 

01、人工智能技術的三個層次

 

      人工智能技術和產品經過過去幾年的實踐檢驗，目前應用較為成熟，推動著人工智能與各行各業(yè)的加速融合。從技術層面來看，業(yè)界廣泛認為，人工智能的核心能力可以分為三個層面，分別是計算智能、感知智能、認知智能。

 

1、計算智能

      計算智能即機器具備超強的存儲能力和超快的計算能力，可以基于海量數(shù)據(jù)進行深度學習，利用歷史經驗指導當前環(huán)境。隨著計算力的不斷發(fā)展，儲存手段的不斷升級，計算智能可以說已經實現(xiàn)。例如AlphaGo利用增強學習技術完勝世界圍棋冠軍；電商平臺基于對用戶購買習慣的深度學習，進行個性化商品推薦等。

 

2、感知智能

      感知智能是指使機器具備視覺、聽覺、觸覺等感知能力，可以將非結構化的數(shù)據(jù)結構化，并用人類的溝通方式與用戶互動。隨著各類技術發(fā)展，更多非結構化數(shù)據(jù)的價值被重視和挖掘，語音、圖像、視頻、觸點等與感知相關的感知智能也在快速發(fā)展。無人駕駛汽車、著名的波士頓動力機器人等就運用了感知智能，它通過各種傳感器，感知周圍環(huán)境并進行處理，從而有效指導其運行。

 

3、認知智能

      相較于計算智能和感知智能，認知智能更為復雜，是指機器像人一樣，有理解能力、歸納能力、推理能力，有運用知識的能力。目前認知智能技術還在研究探索階段，如在公共安全領域，對犯罪者的微觀行為和宏觀行為的特征提取和模式分析，開發(fā)犯罪預測、資金穿透、城市犯罪演化模擬等人工智能模型和系統(tǒng)；在金融行業(yè)，用于識別可疑交易、預測宏觀經濟波動等。要將認知智能推入發(fā)展的快車道，還有很長一段路要走。

 

 

02人工智能制造業(yè)應用場景

 

      從應用層面來看，一項人工智能技術的應用可能會包含計算智能、感知智能等多個層次的核心能力。工業(yè)機器人、智能手機、無人駕駛汽車、無人機等智能產品，本身就是人工智能的載體，其硬件與各類軟件結合具備感知、判斷的能力并實時與用戶、環(huán)境互動，無不是綜合了多種人工智能的核心能力。

 

      例如，在制造業(yè)中被廣泛應用的各種智能機器人：分揀/揀選機器人，能夠自動識別并抓取不規(guī)則的物體；協(xié)作機器人能夠理解并對周圍環(huán)境做出反應；自動跟隨物料小車能夠通過人臉識別實現(xiàn)自動跟隨；借助SLAM（simultaneous localization and mapping，同步定位與地圖構建）技術，自主移動機器人可以利用自身攜帶的傳感器識別未知環(huán)境中的特征標志，然后根據(jù)機器人與特征標志之間的相對位置和里程計的讀數(shù)估計機器人和特征標志的全局坐標。無人駕駛技術在定位、環(huán)境感知、路徑規(guī)劃、行為決策與控制方面，也綜合應用了多種人工智能技術與算法。

 

 

      目前制造企業(yè)中應用的人工智能技術，主要圍繞在智能語音交互產品、人臉識別、圖像識別、圖像搜索、聲紋識別、文字識別、機器翻譯、機器學習、大數(shù)據(jù)計算、數(shù)據(jù)可視化等方面。下文則總結制造業(yè)中常用的八大人工智能應用場景。

 

 

場景一：智能分揀

 

      制造業(yè)上有許多需要分撿的作業(yè)，如果采用人工的作業(yè)，速度緩慢且成本高，而且還需要提供適宜的工作溫度環(huán)境。如果采用工業(yè)機器人進行智能分揀，可以大幅減低成本，提高速度。

 

      以分揀零件為例。需要分撿的零件通常并沒有被整齊擺放，機器人雖然有攝像頭可以看到零件，但卻不知道如何把零件成功地撿起來。在這種情況下，利用機器學習技術，先讓機器人隨機進行一次分撿動作，然后告訴它這次動作是成功分撿到零件還是抓空了，經過多次訓練之后，機器人就會知道按照怎樣的順序來分撿才有更高的成功率；分撿時夾哪個位置會有更高的撿起成功率；知道按照怎樣的順序分撿，成功率會更高。經過幾個小時的學習，機器人的分撿成功率可以達到90%，和熟練工人的水平相當。

 

 

 

場景二：設備健康管理

 

      基于對設備運行數(shù)據(jù)的實時監(jiān)測，利用特征分析和機器學習技術，一方面可以在事故發(fā)生前進行設備的故障預測，減少非計劃性停機。另一方面，面對設備的突發(fā)故障，能夠迅速進行故障診斷，定位故障原因并提供相應的解決方案。在制造行業(yè)應用較為常見，特別是化工、重型設備、五金加工、3C制造、風電等行業(yè)。

 

      以數(shù)控機床為例，用機器學習算法模型和智能傳感器等技術手段監(jiān)測加工過程中的切削刀、主軸和進給電機的功率、電流、電壓等信息，辯識出刀具的受力、磨損、破損狀態(tài)及機床加工的穩(wěn)定性狀態(tài)，并根據(jù)這些狀態(tài)實時調整加工參數(shù)（主軸轉速、進給速度）和加工指令，預判何時需要換刀，以提高加工精度、縮短產線停工時間并提高設備運行的安全性。

 

圖1 基于深度學習的刀具磨損狀態(tài)預測

（來源：華中科技大學 李斌教授）

 

場景三：基于視覺的表面缺陷檢測

 

      基于機器視覺的表面缺陷檢測應用在制造業(yè)已經較為常見。利用機器視覺可以在環(huán)境頻繁變化的條件下，以毫秒為單位快速識別出產品表面更微小、更復雜的產品缺陷，并進行分類，如檢測產品表面是否有污染物、表面損傷、裂縫等。目前已有工業(yè)智能企業(yè)將深度學習與3D顯微鏡結合，將缺陷檢測精度提高到納米級。對于檢測出的有缺陷的產品，系統(tǒng)可以自動做可修復判定，并規(guī)劃修復路徑及方法，再由設備執(zhí)行修復動作。

 

      例如，PVC管材是最常用的建筑材料之一，消耗量巨大，在生產包裝過程中容易存在表面劃傷、凹坑，水紋，麻面等諸多類型的缺陷，消耗大量的人力進行檢測。采用了表面缺陷視覺自動檢測后，通過面積、尺寸最小值、最大值設定，自動進行管材表面雜質檢測，最小檢測精度為0.15mm²，檢出率大于99%；通過劃傷長度、寬度的最小值、最大值設定，自動進行管材表面劃傷檢測，最小檢測精度為0.06mm，檢出率大于99%；通過褶皺長度、寬度的最小值、最大值、片段長度、色差閾值設定，自動進行管材表面褶皺檢測，最小檢測精度為10mm，檢出率大于95%。

 

圖2 PVC管材表面褶皺檢測（來源：維視智造）

 

 

場景四：基于聲紋的產品質量檢測與故障判斷

 

      利用聲紋識別技術實現(xiàn)異音的自動檢測，發(fā)現(xiàn)不良品，并比對聲紋數(shù)據(jù)庫進行故障判斷。例如，從2018年年末開始，佛吉亞（無錫）工廠就與集團大數(shù)據(jù)科學家團隊展開全面合作，致力于將AI技術應用于座椅調角器的NVH性能評判（震動噪聲測試）。2019年，佛吉亞（無錫）工廠將AI技術應用到調角器異音檢測中，實現(xiàn)從信號采集、數(shù)據(jù)存儲、數(shù)據(jù)分析到自我學習全過程的自動化，檢測效率及準確性遠超傳統(tǒng)人工檢測。隨著基于AI（人工智能）技術的噪聲檢測系統(tǒng)在無錫工廠投入應用，人員數(shù)量已經從38人下降至3人，同時，質量控制能力顯著提高，年經濟效益高達450萬人民幣。

 

 

場景五：智能決策

 

      制造企業(yè)在產品質量、運營管理、能耗管理和刀具管理等方面，可以應用機器學習等人工智能技術，結合大數(shù)據(jù)分析，優(yōu)化調度方式，提升企業(yè)決策能力。

 

      例如，一汽解放無錫柴油機廠的智能生產管理系統(tǒng)，具有異常和生產調度數(shù)據(jù)采集、基于決策樹的異常原因診斷、基于回歸分析的設備停機時間預測、基于機器學習的調度決策優(yōu)化等功能。通過將歷史調度決策過程數(shù)據(jù)和調度執(zhí)行后的實際生產性能指標作為訓練數(shù)據(jù)集，采用神經網絡算法，對調度決策評價算法的參數(shù)進行調優(yōu)，保證調度決策符合生產實際需求。

 

 

場景六：數(shù)字孿生

 

      數(shù)字孿生是客觀事物在虛擬世界的鏡像。創(chuàng)建數(shù)字孿生的過程，集成了人工智能、機器學習和傳感器數(shù)據(jù)，以建立一個可以實時更新的、現(xiàn)場感極強的“真實”模型，用來支撐物理產品生命周期各項活動的決策。在完成對數(shù)字孿生對象的降階建模方面，可以把復雜性和非線性模型放到神經網絡中，借助深度學習建立一個有限的目標，基于這個有限的目標，進行降階建模。

 

      例如，在傳統(tǒng)模式下，一個冷熱水管的出水口流體及熱仿真，用16核的服務器每次運算需要57個小時，進行降階建模之后每次運算只需要幾分鐘。

 

 

場景七：創(chuàng)成式設計

 

      創(chuàng)成式設計（Generative Design）是一個人機交互、自我創(chuàng)新的過程。工程師在進行產品設計時，只需要在系統(tǒng)指引下，設置期望的參數(shù)及性能等約束條件，如材料、重量、體積等等，結合人工智能算法，就能根據(jù)設計者的意圖自動生成成百上千種可行性方案，然后自行進行綜合對比，篩選出最優(yōu)的設計方案推送給設計者進行最后的決策。

 

      創(chuàng)成式設計已經成為一個新的交叉學科，與計算機和人工智能技術進行深度結合，將先進的算法和技術應用到設計中來。得到廣泛應用的創(chuàng)成式算法包括：參數(shù)化系統(tǒng)、形狀語法（Shape Grammars(SG)）、L-系統(tǒng)（L-systems）、元胞自動機（Cellular Automata(CA)）、拓撲優(yōu)化算法、進化系統(tǒng)和遺傳算法等。

 

圖3 輪輻的創(chuàng)成式設計（來源：安世亞太）

 

 

場景八：需求預測，供應鏈優(yōu)化

 

      以人工智能技術為基礎，建立精準的需求預測模型，實現(xiàn)企業(yè)的銷量預測、維修備料預測，做出以需求導向的決策。同時，通過對外部數(shù)據(jù)的分析，基于需求預測，制定庫存補貨策略，以及供應商評估、零部件選型等。

 

      例如，為了務實控制生產管理成本，美國本田公司希望能夠掌握客戶未來的需求會在何時發(fā)生，因此將1200個經銷商的客戶銷售與維修資料建立預測模型，推算未來幾年內車輛回到經銷商維修的數(shù)量，這些資訊進一步轉為各項零件預先準備的指標。該轉變讓美國本田已做到預測準確度高達99%，并降低3倍的客訴時間。

 

 

03、結語

 

      目前，隨著越來越多的企業(yè)、高校、開源組織進入人工智能領域，大批成功的人工智能開源軟件和平臺不斷涌入，人工智能迎來前所未有的爆發(fā)期。但與金融等行業(yè)相比，雖然人工智能在制造業(yè)的應用場景不少，卻并不突出，甚至可以說發(fā)展較慢。

 

 

究其原因，主要源于以下三大方面：

 

      一是，由于制造環(huán)節(jié)數(shù)據(jù)的采集、利用、開發(fā)都有較大難度，加之企業(yè)的數(shù)據(jù)庫也以私有為主、數(shù)據(jù)規(guī)模有限，缺乏優(yōu)質的機器學習樣本，制約了機器的自主學習過程。

      二是，不同的制造行業(yè)之間存在差異，對于人工智能解決方案的復雜性和定制化要求高。

      三是，不同的行業(yè)內缺乏能夠引領人工智能與制造業(yè)深度融合發(fā)展趨勢的龍頭企業(yè)。