製造業人工智慧8大應用場景

人工智慧的概念第一次被提出，是在20世紀50年代，距今已六十餘年的時間。然而直到近幾年，人工智慧才迎來爆發式的增長，究其原因，主要在於日趨成熟的物聯網、大資料、雲端計算等技術。

物聯網使得大量資料能夠被實時獲取，大資料為深度學習提供了資料資源及演算法支撐，雲端計算則為人工智慧提供了靈活的計算資源。這些技術的有機結合，驅動著人工智慧技術不斷髮展，並取得了實質性的進展。AlphaGo與李世石的人機大戰，更是將人工智慧推到了風口浪尖，引爆了新一輪的人工智慧熱潮。

此後的近幾年，關於人工智慧的研究和應用開始遍地開花。隨著智慧製造熱潮的到來，人工智慧應用已經貫穿於設計、生產、管理和服務等製造業的各個環節。

---

01人工智慧技術的三個層次 
人工智慧技術和產品經過過去幾年的實踐檢驗，目前應用較為成熟，推動著人工智慧與各行各業的加速融合。從技術層面來看，業界廣泛認為，人工智慧的核心能力可以分為三個層面，分別是計算智慧、感知智慧、認知智慧。

1、計算智慧

計算智慧即機器具備超強的儲存能力和超快的計算能力，可以基於海量資料進行深度學習，利用歷史經驗指導當前環境。隨著計算力的不斷髮展，儲存手段的不斷升級，計算智慧可以說已經實現。例如AlphaGo利用增強學習技術完勝世界圍棋冠軍;電商平臺基於對使用者購買習慣的深度學習，進行個性化商品推薦等。

2、感知智慧

感知智慧是指使機器具備視覺、聽覺、觸覺等感知能力，可以將非結構化的資料結構化，並用人類的溝通方式與使用者互動。隨著各類技術發展，更多非結構化資料的價值被重視和挖掘，語音、影像、影片、觸點等與感知相關的感知智慧也在快速發展。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慧，它透過各種感測器，感知周圍環境並進行處理，從而有效指導其執行。

3、認知智慧

相較於計算智慧和感知智慧，認知智慧更為複雜，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。目前認知智慧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徵提取和模式分析，開發犯罪預測、資金穿透、城市犯罪演化模擬等人工智慧模型和系統;在金融行業，用於識別可疑交易、預測宏觀經濟波動等。要將認知智慧推入發展的快車道，還有很長一段路要走。

---

02人工智慧製造業應用場景 
從應用層面來看，一項人工智慧技術的應用可能會包含計算智慧、感知智慧等多個層次的核心能力。工業機器人、智慧手機、無人駕駛汽車、無人機等智慧產品，本身就是人工智慧的載體，其硬體與各類軟體結合具備感知、判斷的能力並實時與使用者、環境互動，無不是綜合了多種人工智慧的核心能力。

例如，在製造業中被廣泛應用的各種智慧機器人：分揀/揀選機器人，能夠自動識別並抓取不規則的物體;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透過人臉識別實現自動跟隨;藉助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感測器識別未知環境中的特徵標誌，然後根據機器人與特徵標誌之間的相對位置和里程計的讀數估計機器人和特徵標誌的全域性座標。無人駕駛技術在定位、環境感知、路徑規劃、行為決策與控制方面，也綜合應用了多種人工智慧技術與演算法。

目前製造企業中應用的人工智慧技術，主要圍繞在智慧語音互動產品、人臉識別、影像識別、影像搜尋、聲紋識別、文字識別、機器翻譯、機器學習、大資料計算、資料視覺化等方面。下文則總結制造業中常用的八大人工智慧應用場景。

場景一：智慧分揀

製造業上有許多需要分撿的作業，如果採用人工的作業，速度緩慢且成本高，而且還需要提供適宜的工作溫度環境。如果採用工業機器人進行智慧分揀，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：裝置健康管理

基於對裝置執行資料的實時監測，利用特徵分析和機器學習技術，一方面可以在事故發生前進行裝置的故障預測，減少非計劃性停機。另一方面，面對裝置的突發故障，能夠迅速進行故障診斷，定位故障原因並提供相應的解決方案。在製造行業應用較為常見，特別是化工、重型裝置、五金加工、3C製造、風電等行業。

以數控機床為例，用機器學習演算法模型和智慧感測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、電壓等資訊，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引數(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、縮短產線停工時間並提高裝置執行的安全性。 

場景三：基於視覺的表面缺陷檢測

基於機器視覺的表面缺陷檢測應用在製造業已經較為常見。利用機器視覺可以在環境頻繁變化的條件下，以毫秒為單位快速識別出產品表面更微小、更復雜的產品缺陷，並進行分類，如檢測產品表面是否有汙染物、表面損傷、裂縫等。目前已有工業智慧企業將深度學習與3D顯微鏡結合，將缺陷檢測精度提高到奈米級。對於檢測出的有缺陷的產品，系統可以自動做可修復判定，並規劃修復路徑及方法，再由裝置執行修復動作。

例如，PVC管材是最常用的建築材料之一，消耗量巨大，在生產包裝過程中容易存在表面劃傷、凹坑，水紋，麻面等諸多型別的缺陷，消耗大量的人力進行檢測。採用了表面缺陷視覺自動檢測後，透過面積、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，檢出率大於99%;透過劃傷長度、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，檢出率大於99%;透過褶皺長度、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，檢出率大於95%。

場景四：基於聲紋的產品質量檢測與故障判斷

利用聲紋識別技術實現異音的自動檢測，發現不良品，並比對聲紋資料庫進行故障判斷。例如，從2018年年末開始，佛吉亞(無錫)工廠就與集團大資料科學家團隊展開全面合作，致力於將AI技術應用於座椅調角器的NVH效能評判(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，實現從訊號採集、資料儲存、資料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人工檢測。隨著基於AI(人工智慧)技術的噪聲檢測系統在無錫工廠投入應用，人員數量已經從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：智慧決策

製造企業在產品質量、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慧技術，結合大資料分析，最佳化排程方式，提升企業決策能力。

例如，一汽解放無錫柴油機廠的智慧生產管理系統，具有異常和生產排程資料採集、基於決策樹的異常原因診斷、基於迴歸分析的裝置停機時間預測、基於機器學習的排程決策最佳化等功能。透過將歷史排程決策過程資料和排程執行後的實際生產效能指標作為訓練資料集，採用神經網路演算法，對排程決策評價演算法的引數進行調優，保證排程決策符合生產實際需求。

場景六：數字孿生

數字孿生是客觀事物在虛擬世界的映象。建立數字孿生的過程，整合了人工智慧、機器學習和感測器資料，以建立一個可以實時更新的、現場感極強的“真實”模型，用來支撐物理產品生命週期各項活動的決策。在完成對數字孿生物件的降階建模方面，可以把複雜性和非線性模型放到神經網路中，藉助深度學習建立一個有限的目標，基於這個有限的目標，進行降階建模。

例如，在傳統模式下，一個冷熱水管的出水口流體及熱模擬，用16核的伺服器每次運算需要57個小時，進行降階建模之後每次運算只需要幾分鐘。

場景七：創成式設計

創成式設計(Generative Design)是一個人機互動、自我創新的過程。工程師在進行產品設計時，只需要在系統指引下，設定期望的引數及效能等約束條件，如材料、重量、體積等等，結合人工智慧演算法，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，篩選出最優的設計方案推送給設計者進行最後的決策。

創成式設計已經成為一個新的交叉學科，與計算機和人工智慧技術進行深度結合，將先進的演算法和技術應用到設計中來。得到廣泛應用的創成式演算法包括：引數化系統、形狀語法(Shape Grammars(SG))、L-系統(L-systems)、元胞自動機(Cellular Automata(CA))、拓撲最佳化演算法、進化系統和遺傳演算法等。

圖3 輪輻的創成式設計(來源：安世亞太)

場景八：需求預測，供應鏈最佳化

以人工智慧技術為基礎，建立精準的需求預測模型，實現企業的銷量預測、維修備料預測，做出以需求導向的決策。同時，透過對外部資料的分析，基於需求預測，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%，並降低3倍的客訴時間。

---

03結語 
目前，隨著越來越多的企業、高校、開源組織進入人工智慧領域，大批成功的人工智慧開源軟體和平臺不斷湧入，人工智慧迎來前所未有的爆發期。但與金融等行業相比，雖然人工智慧在製造業的應用場景不少，卻並不突出，甚至可以說發展較慢。

究其原因，主要源於以下三大方面：

一是，由於製造環節資料的採集、利用、開發都有較大難度，加之企業的資料庫也以私有為主、資料規模有限，缺乏優質的機器學習樣本，制約了機器的自主學習過程。

二是，不同的製造行業之間存在差異，對於人工智慧解決方案的複雜性和定製化要求高。

三是，不同的行業內缺乏能夠引領人工智慧與製造業深度融合發展趨勢的龍頭企業。

解決以上三大問題，人工智慧技術才能更好地應用於製造業。