制造業(yè)人工智能8大應用場景論述報告

1、 i制造業(yè)人工智能8大應用場景論述報告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(wǎng)、大數(shù)據(jù)、云計算等技術。物聯(lián)網(wǎng)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(qū)動著人工智能技術不斷發(fā)展，并取得了實質(zhì)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，弓I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(jīng)貫穿于設計、生產(chǎn)

2、、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(chǎn)品經(jīng)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(jīng)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(jīng)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、

3、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

4、業(yè)，用于識別可疑交易、預測宏觀經(jīng)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(chǎn)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（simultaneou

5、slocalizationandmapping，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。工智冃能技術，主要圍繞在tl目前制造企業(yè)中應智能語音交互產(chǎn)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

6、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(jīng)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(jīng)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)

7、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(diào)整加工參數(shù)（主軸轉(zhuǎn)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(chǎn)線停工時間并提咼設備運彳丁的安全性。圖1基于深度學習的刀具磨損狀

8、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(jīng)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(chǎn)品表面更微小、更復雜的產(chǎn)品缺陷，并進行分類，如檢測產(chǎn)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(chǎn)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(chǎn)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

9、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(zhì)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2PVC管材表面褶皺檢測（來源：維視智造）場景四：基于聲紋的產(chǎn)品質(zhì)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

10、開全面合作，致力于將AI技術應用于座椅調(diào)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(diào)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(jīng)從38人下降至3人，同時，質(zhì)量控制能力顯著提高，年經(jīng)濟效益高達450萬人民幣。場景五：智能決策制造企業(yè)在產(chǎn)品質(zhì)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(diào)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(chǎn)管理系統(tǒng)，具有異常和生產(chǎn)

11、調(diào)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(diào)度決策優(yōu)化等功能。通過將歷史調(diào)度決策過程數(shù)據(jù)和調(diào)度執(zhí)行后的實際生產(chǎn)性能指標作為訓練數(shù)據(jù)集，采用神經(jīng)網(wǎng)絡算法，對調(diào)度決策評價算法的參數(shù)進行調(diào)優(yōu)，保證調(diào)度決策符合生產(chǎn)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)字攣生的過程，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(chǎn)品生命周期各項活動的決策。在完成對數(shù)字攣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(jīng)網(wǎng)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

12、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(GenerativeDesign)是一個人機交互、自我創(chuàng)新的過程。工程師在進行產(chǎn)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(jīng)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

13、包括：參數(shù)化系統(tǒng)、形狀語法(ShapeGrammars(SG)、L-系統(tǒng)(L-systems)、元胞自動機(CellularAutomata(CA)、拓撲優(yōu)化算法、進化系統(tǒng)和遺傳算法圖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(chǎn)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(jīng)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(nèi)車輛回到經(jīng)銷商維修的數(shù)量，這些資訊進一步轉(zhuǎn)為各項零件預先準備的指標。該轉(zhuǎn)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IlllllllIfilfl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