制造业人工智能8大应用场景

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。
文/ e-works孙亚婷 郑倩 来源/数字企业

20世纪50年代，人工智能的概念首次被提出，至今已有60多年然而，直到近年来，人工智能才迎来了爆炸性的增长，主要原因是物联网、大数据、云计算等技术日益成熟。

物联网实时获取大量数据，为深度学习提供数据资源和算法支持，云计算为人工智能提供灵活的计算资源。这些技术的有机结合推动了人工智能技术的不断发展，并取得了重大进展。AlphaGo与李世石的人机大战，将人工智能推到风口浪尖，引爆新一轮人工智能热潮。

近年来，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

经过近几年的实践测试，人工智能技术和产品的应用相对成熟，促进了人工智能与各行各业的加速融合。从技术角度来看，业界普遍认为人工智能的核心能力可以分为三个层次，计算智能，感知智能，认知智能。

1、计算智能

计算智能意味着机器具有超强的存储能力和超快的计算能力，可以基于大量的数据进行深入的学习，并利用历史经验来指导当前的环境。随着计算能力的不断发展和存储手段的不断升级，可以说已经实现了计算智能。例如AlphaGo利用增强学习技术赢得世界围棋冠军；基于对用户购买习惯的深入学习，电子商务平台推荐个性化商品。

2、感知智能

感知智能是指使机器具有视觉、听觉、触觉等感知能力，可以结构化非结构化数据，并通过人类沟通与用户互动。随着各种技术的发展，越来越多的非结构化数据的价值得到了重视和挖掘，语音、图像、视频、接触等与感知相关的感知智能也在迅速发展。无人驾驶汽车和著名的波士顿动力机器人使用感知智能，通过各种传感器感知和处理周围环境，有效地指导其运行。

3、认知智能

认知智能比计算智能和感知智能更复杂，是指机器具有理解、归纳、推理和应用知识的能力。目前，认知智能技术仍处于研究和探索阶段，如提取和分析犯罪者在公共安全领域的微观行为和宏观行为的特征，开发犯罪预测、资本渗透、城市犯罪进化模拟等人工智能模型和系统；在金融行业，识别可疑交易，预测宏观经济波动。还有很长的路要走。

02

人工智能制造应用场景

从应用层面来看，人工智能技术的应用可能包括多层次的核心能力，如计算智能和感知智能。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。其硬件与各种软件的结合具有感知和判断的能力，并与用户和环境进行实时互动。

例如，在制造业中广泛使用的各种智能机器人：分拣/分拣机器人可以自动识别和捕获不规则物体；合作机器人可以理解响应周围环境；自动跟踪材料车可以通过人脸识别自动跟踪；在帮助下SLAM（simultaneous localization and mapping，技术，独立移动机器人可以使用自己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来估计机器人和特征标志的全局坐标。在定位、环境感知、路径规划、行为决策和控制等方面，无人驾驶技术也综合应用了多种人工智能技术和算法。

目前，人工智能技术在制造企业中的应用主要集中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。以下是制造业中常用的八种人工智能应用场景的总结。

场景一：智能分拣

制造业有许多工作需要分拣。如果采用人工操作，速度慢，成本高，还需要提供适当的工作温度环境。智能分拣采用工业机器人，可大大降低成本，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，使用机器学习技术，让机器人随机捡起动作，然后告诉它动作是成功捡起零件还是空，经过多次训练，机器人会知道什么顺序有更高的成功率；夹在哪个位置会有更高的成功率；知道如何按顺序捡起，成功率会更高。经过几个小时的学习，机器人分拣成功率可达90%，相当于熟练工人。

场景二:设备健康管理:

一方面，基于对设备运行数据的实时监控，利用特征分析和机器学习技术，可以在事故发生前预测设备的故障，减少非计划停机。另一方面，面对设备的突发故障，可以快速诊断故障，定位故障原因，提供相应的解决方案。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，利用机器学习算法模型和智能传感器监控切割刀、主轴、进给电机功率、电流、电压等信息，识别力、磨损、损坏状态和机床加工稳定性状态，根据加工参数（主轴速度、进给速度）和加工指令，预测何时更换刀具，提高加工精度，缩短生产线停工时间，提高设备运行安全性。

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3：基于视觉的表面缺陷检测

基于机器视觉的表面缺陷检测在制造业中得到了广泛的应用。在环境变化频繁的情况下，机器视觉可以快速识别产品表面更小、更复杂的产品缺陷，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入学习3D将缺陷检测精度提高到纳米级的显微镜组合。对于检测到的有缺陷的产品，系统可自动进行修复判断，并规划修复路径和方法，然后由设备进行修复。

例如，PVC管道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出现表面划伤、凹坑、水纹、麻面等缺陷，检测需要大量的人力。采用表面缺陷视觉自动检测后，管道表面杂质自动检测，最小检测精度为0.15mm2.检出率大于99%；管道表面划痕自动检测，最小检测精度为0.06mm，检出率大于99%；管道表面褶皱自动检测，最小检测精度为10mm，检出率大于95%。

图2 PVC管道表面褶皱检测(来源:维视智造)

场景4：基于声纹的产品质量检测和故障判断

利用声纹识别技术实现异声自动检测，发现不良产品，对声纹数据库进行故障判断。例如，自2018年底以来，佛吉亚（无锡）工厂一直与集团大数据科学家团队合作，致力于AI座椅调角器中应用的技术NVH性能评价(振动噪声测试)。佛吉亚(无锡)工厂将于2019年进行AI该技术应用于调角器异音检测，实现从信号采集、数据存储、数据分析到自学全过程的自动化，检测效率和准确性远远超过传统的人工检测。随着基于AI(人工智能)技术噪声检测系统在无锡工厂投入使用，人员数量从38人下降到3人。同时，质量控制能力显著提高，年经济效益高达450万元。

场景五：智能决策

在产品质量、运营管理、能耗管理、刀具管理等方面，制造企业可应用机器学习等人工智能技术，结合大数据分析，优化调度，提高企业决策能力。

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。以历史调度决策过程数据和调度实施后的实际生产性能指标为培训数据集，采用神经网络算法调整调度决策评价算法的参数，确保调度决策满足实际生产需要。

场景六：数字孪生

数字孪生是虚拟世界中客观事物的镜像。srong>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真，用16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。

解决以上三大问题，人工智能技术才能更好地应用于制造业。