人工智能的概念第一次被提出，是在20世紀50年代，距今已六十餘(yu) 年的時間。然而直到近幾年，人工智能才迎來爆發式的增長，究其原因，主要在於(yu) 日趨成熟的物聯網、大數據、雲(yun) 計算等技術。

物聯網使得大量數據能夠被實時獲取，大數據為(wei) 深度學習(xi) 提供了數據資源及算法支撐，雲(yun) 計算則為(wei) 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展，並取得了實質性的進展。AlphaGo與(yu) 李世石的人機大戰，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。

此後的近幾年，關(guan) 於(yu) 人工智能的研究和應用開始遍地開花。隨著智能製造熱潮的到來，人工智能應用已經貫穿於(yu) 設計、生產(chan) 、管理和服務等製造業(ye) 的各個(ge) 環節。

01

人工智能技術的三個(ge) 層次

人工智能技術和產(chan) 品經過過去幾年的實踐檢驗，目前應用較為(wei) 成熟，推動著人工智能與(yu) 各行各業(ye) 的加速融合。從(cong) 技術層麵來看，業(ye) 界廣泛認為(wei) ，人工智能的核心能力可以分為(wei) 三個(ge) 層麵，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(chu) 能力和超快的計算能力，可以基於(yu) 海量數據進行深度學習(xi) ，利用曆史經驗指導當前環境。隨著計算力的不斷發展，儲(chu) 存手段的不斷升級，計算智能可以說已經實現。例如AlphaGo利用增強學習(xi) 技術完勝世界圍棋冠軍(jun) ；電商平台基於(yu) 對用戶購買(mai) 習(xi) 慣的深度學習(xi) ，進行個(ge) 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據結構化，並用人類的溝通方式與(yu) 用戶互動。隨著各類技術發展，更多非結構化數據的價(jia) 值被重視和挖掘，語音、圖像、視頻、觸點等與(yu) 感知相關(guan) 的感知智能也在快速發展。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(chuan) 感器，感知周圍環境並進行處理，從(cong) 而有效指導其運行。

3、認知智能

相較於(yu) 計算智能和感知智能，認知智能更為(wei) 複雜，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(wei) 和宏觀行為(wei) 的特征提取和模式分析，開發犯罪預測、資金穿透、城市犯罪演化模擬等人工智能模型和係統；在金融行業(ye) ，用於(yu) 識別可疑交易、預測宏觀經濟波動等。要將認知智能推入發展的快車道，還有很長一段路要走。

02

人工智能製造業(ye) 應用場景

從(cong) 應用層麵來看，一項人工智能技術的應用可能會(hui) 包含計算智能、感知智能等多個(ge) 層次的核心能力。工業(ye) 機器人、智能手機、無人駕駛汽車、無人機等智能產(chan) 品，本身就是人工智能的載體(ti) ，其硬件與(yu) 各類軟件結合具備感知、判斷的能力並實時與(yu) 用戶、環境互動，無不是綜合了多種人工智能的核心能力。

例如，在製造業(ye) 中被廣泛應用的各種智能機器人：分揀/揀選機器人，能夠自動識別並抓取不規則的物體(ti) ；協作機器人能夠理解並對周圍環境做出反應；自動跟隨物料小車能夠通過人臉識別實現自動跟隨；借助SLAM（simultaneous localization and mapping，同步定位與(yu) 地圖構建）技術，自主移動機器人可以利用自身攜帶的傳(chuan) 感器識別未知環境中的特征標誌，然後根據機器人與(yu) 特征標誌之間的相對位置和裏程計的讀數估計機器人和特征標誌的全局坐標。無人駕駛技術在定位、環境感知、路徑規劃、行為(wei) 決(jue) 策與(yu) 控製方麵，也綜合應用了多種人工智能技術與(yu) 算法。

目前製造企業(ye) 中應用的人工智能技術，主要圍繞在智能語音交互產(chan) 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(xi) 、大數據計算、數據可視化等方麵。下文則總結製造業(ye) 中常用的八大人工智能應用場景。

場景一：智能分揀

製造業(ye) 上有許多需要分撿的作業(ye) ，如果采用人工的作業(ye) ，速度緩慢且成本高，而且還需要提供適宜的工作溫度環境。如果采用工業(ye) 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(wei) 例。需要分撿的零件通常並沒有被整齊擺放，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(xi) 技術，先讓機器人隨機進行一次分撿動作，然後告訴它這次動作是成功分撿到零件還是抓空了，經過多次訓練之後，機器人就會(hui) 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(ge) 位置會(hui) 有更高的撿起成功率；知道按照怎樣的順序分撿，成功率會(hui) 更高。經過幾個(ge) 小時的學習(xi) ，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

基於(yu) 對設備運行數據的實時監測，利用特征分析和機器學習(xi) 技術，一方麵可以在事故發生前進行設備的故障預測，減少非計劃性停機。另一方麵，麵對設備的突發故障，能夠迅速進行故障診斷，定位故障原因並提供相應的解決(jue) 方案。在製造行業(ye) 應用較為(wei) 常見，特別是化工、重型設備、 五金加工、3C製造、風電等行業(ye) 。

以數控機床為(wei) 例，用機器學習(xi) 算法模型和智能傳(chuan) 感器等技術手段監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、破損狀態及機床加工的穩定性狀態，並根據這些狀態實時調整加工參數（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(chan) 線停工時間並提高設備運行的安全性。

（來源：華中科技大學 李斌教授）

場景三：基於(yu) 視覺的表麵缺陷檢測

基於(yu) 機器視覺的表麵缺陷檢測應用在製造業(ye) 已經較為(wei) 常見。利用機器視覺可以在環境頻繁變化的條件下，以毫秒為(wei) 單位快速識別出產(chan) 品表麵更微小、更複雜的產(chan) 品缺陷，並進行分類，如檢測產(chan) 品表麵是否有汙染物、表麵損傷(shang) 、裂縫等。目前已有工業(ye) 智能企業(ye) 將深度學習(xi) 與(yu) 3D顯微鏡結合，將缺陷檢測精度提高到納米級。對於(yu) 檢測出的有缺陷的產(chan) 品，係統可以自動做可修複判定，並規劃修複路徑及方法，再由設備執行修複動作。

例如，PVC管材是最常用的建築材料之一，消耗量巨大，在生產(chan) 包裝過程中容易存在表麵劃傷(shang) 、凹坑，水紋，麻麵等諸多類型的缺陷，消耗大量的人力進行檢測。采用了表麵缺陷視覺自動檢測後，通過麵積、尺寸最小值、最大值設定，自動進行管材表麵雜質檢測，最小檢測精度為(wei) 0.15mm，檢出率大於(yu) 99%；通過劃傷(shang) 長度、寬度的最小值、最大值設定，自動進行管材表麵劃傷(shang) 檢測，最小檢測精度為(wei) 0.06mm，檢出率大於(yu) 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，自動進行管材表麵褶皺檢測，最小檢測精度為(wei) 10mm，檢出率大於(yu) 95%。

場景四：基於(yu) 聲紋的產(chan) 品質量檢測與(yu) 故障判斷

利用聲紋識別技術實現異音的自動檢測，發現不良品，並比對聲紋數據庫進行故障判斷。例如，從(cong) 2018年年末開始，佛吉亞(ya) （無錫）工廠就與(yu) 集團大數據科學家團隊展開全麵合作，致力於(yu) 將AI技術應用於(yu) 座椅調角器的NVH性能評判（震動噪聲測試）。2019年，佛吉亞(ya) （無錫）工廠將AI技術應用到調角器異音檢測中，實現從(cong) 信號采集、數據存儲(chu) 、數據分析到自我學習(xi) 全過程的自動化，檢測效率及準確性遠超傳(chuan) 統人工檢測。隨著基於(yu) AI（人工智能）技術的噪聲檢測係統在無錫工廠投入應用，人員數量已經從(cong) 38人下降至3人，同時，質量控製能力顯著提高，年經濟效益高達450萬(wan) 人民幣。

場景五：智能決(jue) 策

製造企業(ye) 在產(chan) 品質量、運營管理、能耗管理和刀具管理等方麵，可以應用機器學習(xi) 等人工智能技術，結合大數據分析，優(you) 化調度方式，提升企業(ye) 決(jue) 策能力。

例如，一汽解放無錫柴油機廠的智能生產(chan) 管理係統，具有異常和生產(chan) 調度數據采集、基於(yu) 決(jue) 策樹的異常原因診斷、基於(yu) 回歸分析的設備停機時間預測、基於(yu) 機器學習(xi) 的調度決(jue) 策優(you) 化等功能。通過將曆史調度決(jue) 策過程數據和調度執行後的實際生產(chan) 性能指標作為(wei) 訓練數據集，采用神經網絡算法，對調度決(jue) 策評價(jia) 算法的參數進行調優(you) ，保證調度決(jue) 策符合生產(chan) 實際需求。

場景六：數字孿生

數字孿生是客觀事物在虛擬世界的鏡像。創建數字孿生的過程，集成了人工智能、機器學習(xi) 和傳(chuan) 感器數據，以建立一個(ge) 可以實時更新的、現場感極強的“真實”模型，用來支撐物理產(chan) 品生命周期各項活動的決(jue) 策。在完成對數字孿生對象的降階建模方麵，可以把複雜性和非線性模型放到神經網絡中，借助深度學習(xi) 建立一個(ge) 有限的目標，基於(yu) 這個(ge) 有限的目標，進行降階建模。

例如，在傳(chuan) 統模式下，一個(ge) 冷熱水管的出水口流體(ti) 及熱仿真，用16核的服務器每次運算需要57個(ge) 小時，進行降階建模之後每次運算隻需要幾分鍾。

場景七：創成式設計

創成式設計（Generative Design）是一個(ge) 人機交互、自我創新的過程。工程師在進行產(chan) 品設計時，隻需要在係統指引下，設置期望的參數及性能等約束條件，如材料、重量、體(ti) 積等等，結合人工智能算法，就能根據設計者的意圖自動生成成百上千種可行性方案，然後自行進行綜合對比，篩選出最優(you) 的設計方案推送給設計者進行最後的決(jue) 策。

創成式設計已經成為(wei) 一個(ge) 新的交叉學科，與(yu) 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。得到廣泛應用的創成式算法包括：參數化係統、形狀語法（Shape Grammars(SG)）、L-係統（L-systems）、元胞自動機（Cellular Automata(CA)）、拓撲優(you) 化算法、進化係統和遺傳(chuan) 算法等。

場景八：需求預測，供應鏈優(you) 化

以人工智能技術為(wei) 基礎，建立精準的需求預測模型，實現企業(ye) 的銷量預測、維修備料預測，做出以需求導向的決(jue) 策。同時，通過對外部數據的分析，基於(yu) 需求預測，製定庫存補貨策略，以及供應商評估、零部件選型等。

例如，為(wei) 了務實控製生產(chan) 管理成本，美國本田公司希望能夠掌握客戶未來的需求會(hui) 在何時發生，因此將1200個(ge) 經銷商的客戶銷售與(yu) 維修資料建立預測模型，推算未來幾年內(nei) 車輛回到經銷商維修的數量，這些資訊進一步轉為(wei) 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%，並降低3倍的客訴時間。

03

結語

目前，隨著越來越多的企業(ye) 、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台不斷湧入，人工智能迎來前所未有的爆發期。但與(yu) 金融等行業(ye) 相比，雖然人工智能在製造業(ye) 的應用場景不少，卻並不突出，甚至可以說發展較慢。

究其原因，主要源於(yu) 以下三大方麵：

一是，由於(yu) 製造環節數據的采集、利用、開發都有較大難度，加之企業(ye) 的數據庫也以私有為(wei) 主、數據規模有限，缺乏優(you) 質的機器學習(xi) 樣本，製約了機器的自主學習(xi) 過程。

二是，不同的製造行業(ye) 之間存在差異，對於(yu) 人工智能解決(jue) 方案的複雜性和定製化要求高。

三是，不同的行業(ye) 內(nei) 缺乏能夠引領人工智能與(yu) 製造業(ye) 深度融合發展趨勢的龍頭企業(ye) 。

解決(jue) 以上三大問題，人工智能技術才能更好地應用於(yu) 製造業(ye) 。