制造业人工智能8大应用场景

　　人工智能的概念第一次被提出，是在20世纪50年代，距今已六十余年的时间。然而直到近几年，人工智能才迎来爆发式的增长，物联网使得大量数据能够被实时获取，大数据为深度学习提供了数据资源及算法支撑，云计算则为人工智能提供了灵活的计算资源。这些技术的有机结合，驱动着人工智能技术不断发展，并取得了实质性的进展。AlphaGo与李世石的人机大战，

　　此后的近几年，关于人工智能的研究和应用开始遍地开花。随着智能制造热潮的到来，人工智能应用已经贯穿于设计、生产、管理和服务等制造业的各个环节。

　　01人工智能技术的三个层次人工智能技术和产品经过过去几年的实践检验，目前应用较为成熟，推动着人工智能与各行各业的加速融合。从技术层面来看，业界广泛认为，人工智能的核心能力可以分为三个层面，分别是计算智能、感知智能、认知智能。1、计算智能计算智能即机器具备超强的存储能力和超快的计算能力，可以基于海量数据进行深度学习，利用历史经验指导当前环境。随着计算力的不断发展，储存手段的不断升级，计算智能可以说已经实现。例如AlphaGo利用增强学习技术完胜世界围棋冠军；电商平台基于对用户购买习惯的深度学习，进行个性化商品推荐等。2、感知智能感知智能是指使机器具备视觉、听觉、触觉等感知能力，可以将非结构化的数据结构化，并用人类的沟通方式与用户互动。随着各类技术发展，更多非结构化数据的价值被重视和挖掘，语音、图像、视频、触点等与感知相关的感知智能也在快速发展。无人驾驶汽车、著名的波士顿动力机器人等就运用了感知智能，它通过各种传感器，感知周围环境并进行处理，从而有效指导其运行。3、认知智能相较于计算智能和感知智能，认知智能更为复杂，是指机器像人一样，有理解能力、归纳能力、推理能力，有运用知识的能力。目前认知智能技术还在研究探索阶段，如在公共安全领域，对犯罪者的微观行为和宏观行为的特征提取和模式分析，开发犯罪预测、资金穿透、城市犯罪演化模拟等人工智能模型和系统；在金融行业，用于识别可疑交易、预测宏观经济波动等。要将认知智能推入发展的快车道，还有很长一段路要走。

　　从应用层面来看，一项人工智能技术的应用可能会包含计算智能、感知智能等多个层次的核心能力。工业机器人、智能手机、无人驾驶汽车、无人机等智能产品，本身就是人工智能的载体，其硬件与各类软件结合具备感知、判断的能力并实时与用户、环境互动，无不是综合了多种人工智能的核心能力。例如，在制造业中被广泛应用的各种智能机器人：分拣/拣选机器人，能够自动识别并抓取不规则的物体；协作机器人能够理解并对周围环境做出反应；自动跟随物料小车能够通过人脸识别实现自动跟随；借助SLAM（simultaneous localization and mapping，同步定位与地图构建）技术，自主移动机器人可以利用自身携带的传感器识别未知环境中的特征标志，然后根据机器人与特征标志之间的相对位置和里程计的读数估计机器人和特征标志的全局坐标。无人驾驶技术在定位、环境感知、路径规划、行为决策与控制方面，也综合应用了多种人工智能技术与算法。

　　目前制造企业中应用的人工智能技术，主要围绕在智能语音交互产品、人脸识别、图像识别、图像搜索、声纹识别、文字识别、机器翻译、机器学习、大数据计算、数据可视化等方面。下文则总结制造业中常用的八大人工智能应用场景。场景一：智能分拣制造业上有许多需要分捡的作业，如果采用人工的作业，速度缓慢且成本高，而且还需要提供适宜的工作温度环境。如果采用工业机器人进行智能分拣，可以大幅减低成本，提高速度。

　　以分拣零件为例。需要分捡的零件通常并没有被整齐摆放，机器人虽然有摄像头可以看到零件，但却不知道如何把零件成功地捡起来。在这种情况下，利用机器学习技术，先让机器人随机进行一次分捡动作，然后告诉它这次动作是成功分捡到零件还是抓空了，经过多次训练之后，机器人就会知道按照怎样的顺序来分捡才有更高的成功率；分捡时夹哪个位置会有更高的捡起成功率；知道按照怎样的顺序分捡，成功率会更高。经过几个小时的学习，机器人的分捡成功率可以达到90%，和熟练工人的水平相当。

　　场景二：设备健康管理基于对设备运行数据的实时监测，利用特征分析和机器学习技术，一方面可以在事故发生前进行设备的故障预测，减少非计划性停机。另一方面，面对设备的突发故障，能够迅速进行故障诊断，定位故障原因并提供相应的解决方案。在制造行业应用较为常见，特别是化工、重型设备、五金加工、3C制造、风电等行业。以数控机床为例，用机器学习算法模型和智能传感器等技术手段监测加工过程中的切削刀、主轴和进给电机的功率、电流、电压等信息，辩识出刀具的受力、磨损、破损状态及机床加工的稳定性状态，并根据这些状态实时调整加工参数（主轴转速、进给速度）和加工指令，预判何时需要换刀，以提高加工精度、缩短产线停工时间并提高设备运行的安全性。图1 基于深度学习的刀具磨损状态预测（来源：华中科技大学 李斌教授）场景三：基于视觉的表面缺陷检测基于机器视觉的表面缺陷检测应用在制造业已经较为常见。利用机器视觉可以在环境频繁变化的条件下，以毫秒为单位快速识别出产品表面更微小、更复杂的产品缺陷，并进行分类，如检测产品表面是否有污染物、表面损伤、裂缝等。目前已有工业智能企业将深度学习与3D显微镜结合，将缺陷检测精度提高到纳米级。对于检测出的有缺陷的产品，系统可以自动做可修复判定，并规划修复路径及方法，再由设备执行修复动作。例如，PVC管材是最常用的建筑材料之一，消耗量巨大，在生产包装过程中容易存在表面划伤、凹坑，水纹，麻面等诸多类型的缺陷，消耗大量的人力进行检测。采用了表面缺陷视觉自动检测后，通过面积、尺寸最小值、最大值设定，自动进行管材表面杂质检测，最小检测精度为0.15mm，检出率大于99%；通过划伤长度、宽度的最小值、最大值设定，自动进行管材表面划伤检测，最小检测精度为0.06mm，检出率大于99%；通过褶皱长度、宽度的最小值、最大值、片段长度、色差阈值设定，自动进行管材表面褶皱检测，最小检测精度为10mm，检出率大于95%。图2 PVC管材表面褶皱检测（来源：维视智造）场景四：基于声纹的产品质量检测与故障判断利用声纹识别技术实现异音的自动检测，发现不良品，并比对声纹数据库进行故障判断。例如，从2018年年末开始，佛吉亚（无锡）工厂就与集团大数据科学家团队展开全面合作，致力于将AI技术应用于座椅调角器的NVH性能评判（震动噪声测试）。2019年，佛吉亚（无锡）工厂将AI技术应用到调角器异音检测中，实现从信号采集、数据存储、数据分析到自我学习全过程的自动化，检测效率及准确性远超传统人工检测。随着基于AI（人工智能）技术的噪声检测系统在无锡工厂投入应用，人员数量已经从38人下降至3人，同时，质量控制能力显著提高，年经济效益高达450万人民币。场景五：智能决策制造企业在产品质量、运营管理、能耗管理和刀具管理等方面，可以应用机器学习等人工智能技术，结合大数据分析，优化调度方式，提升企业决策能力。例如，一汽解放无锡柴油机厂的智能生产管理系统，具有异常和生产调度数据采集、基于决策树的异常原因诊断、基于回归分析的设备停机时间预测、基于机器学习的调度决策优化等功能。通过将历史调度决策过程数据和调度执行后的实际生产性能指标作为训练数据集，采用神经网络算法，对调度决策评价算法的参数进行调优，保证调度决策符合生产实际需求。场景六：数字孪生数字孪生是客观事物在虚拟世界的镜像。创建数字孪生的过程，集成了人工智能、机器学习和传感器数据，以建立一个可以实时更新的、现场感极强的“真实”模型，用来支撑物理产品生命周期各项活动的决策。在完成对数字孪生对象的降阶建模方面，可以把复杂性和非线性模型放到神经网络中，借助深度学习建立一个有限的目标，基于这个有限的目标，进行降阶建模。

　　例如，在传统模式下，一个冷热水管的出水口流体及热仿线核的服务器每次运算需要57个小时，进行降阶建模之后每次运算只需要几分钟。场景七：创成式设计创成式设计（Generative Design）是一个人机交互、自我创新的过程。工程师在进行产品设计时，只需要在系统指引下，设置期望的参数及性能等约束条件，如材料、重量、体积等等，结合人工智能算法，就能根据设计者的意图自动生成成百上千种可行性方案，然后自行进行综合对比，筛选出最优的设计方案推送给设计者进行最后的决策。创成式设计已经成为一个新的交叉学科，与计算机和人工智能技术进行深度结合，将先进的算法和技术应用到设计中来。得到广泛应用的创成式算法包括：参数化系统、形状语法（Shape Grammars(SG)）、L-系统（L-systems）、元胞自动机（Cellular Automata(CA)）、拓扑优化算法、进化系统和遗传算法等。图3 轮辐的创成式设计（来源：安世亚太）场景八：需求预测，供应链优化以人工智能技术为基础，建立精准的需求预测模型，实现企业的销量预测、维修备料预测，做出以需求导向的决策。同时，通过对外部数据的分析，基于需求预测，制定库存补货策略，以及供应商评估、零部件选型等。例如，为了务实控制生产管理成本，美国本田公司希望能够掌握客户未来的需求会在何时发生，因此将1200个经销商的客户销售与维修资料建立预测模型，推算未来几年内车辆回到经销商维修的数量，这些资讯进一步转为各项零件预先准备的指标。该转变让美国本田已做到预测准确度高达99%，并降低3倍的客诉时间。

　　03结语目前，随着越来越多的企业、高校、开源组织进入人工智能领域，大批成功的人工智能开源软件和平台不断涌入，人工智能迎来前所未有的爆发期。但与金融等行业相比，虽然人工智能在制造业的应用场景不少，却并不突出，甚至可以说发展较慢。

　　究其原因，主要源于以下三大方面：一是，由于制造环节数据的采集、利用、开发都有较大难度，加之企业的数据库也以私有为主、数据规模有限，缺乏优质的机器学习样本，制约了机器的自主学习过程。二是，不同的制造行业之间存在差异，对于人工智能解决方案的复杂性和定制化要求高。三是，不同的行业内缺乏能够引领人工智能与制造业深度融合发展趋势的龙头企业。