- 文章信息 -

本文由e-works孙亚婷、郑倩原创发布。

人工智能的观点第一次被提出，是在20世纪50年代，距今已六十余年的韶光。
然而直到近几年，人工智能才迎来爆发式的增长，究其缘故原由，紧张在于日趋成熟的物联网、大数据、云打算等技能。

物联网使得大量数据能够被实时获取，大数据为深度学习供应了数据资源及算法支撑，云打算则为人工智能供应了灵巧的打算资源。
这些技能的有机结合，驱动着人工智能技能不断发展，并取得了本色性的进展。
AlphaGo与李世石的人机大战，将人工智能推到了风口浪尖，引爆了新一轮的人工智能热潮；2022年底ChatGPT创记录的发布以及Stable DIffusion等AI作图工具的风靡，更是将2023年变为AI平民化的元年！

关于人工智能的研究和运用逐步在各大领域各处着花。
随着智能制造热潮的到来，人工智能运用已经贯穿于设计、生产、管理和做事等制造业的各个环节。

随着人工智能与工业大数据技能的不断成熟、制造企业智能制造水平与能力的逐步深入，越来越多的企业开始关注并运用AI技能。
近期大模型的涌现，将人工智能技能运用热潮引向前所未有的高度。
与通用大模型比较，工业大模型须要处理大量的实时数据，并在繁芜的环境中做出准确的预测或决策。
工业大模型更加看重模型的鲁棒性、可扩展性和实时性。
高质量的工业大数据与工业大模型联合，实现知识代价跃升，为工业企业加速赋能。

本次课程特殊约请到有名学者华南理工大学吴贤铭智能工程学院副院长、教授、博导李巍华博士，环绕AI与工业大数据技能如何在制造企业落地运用主题为学员答疑解惑；同时约请海内有名家当级深度学习平台的百度飞桨技能专家，环绕范例运用处景带领学员进行体验式实操培训。

1

人工智能技能的三个层次

人工智能技能和产品经由过去几年的实践考验，目前运用较为普遍，推动着人工智能与各行各业的加速领悟。
从技能层面来看，业界广泛认为，人工智能的核心能力可以分为三个层面，分别是打算智能、感知智能、认知智能。

1、打算智能

打算智能即机器具备超强的存储能力和超快的打算能力，可以基于海量数据进行深度学习，利用历史履历辅导当前环境。
随着打算力的不断发展，储存手段的不断升级，打算智能可以说已经实现。
例如AlphaGo利用增强学习技能完胜天下围棋冠军；电商平台基于对用户购买习气的深度学习，进行个性化商品推举等。

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，可以将非构造化的数据构造化，并用人类的沟通办法与用户互动。
随着各种技能发展，更多非构造化数据的代价被重视和挖掘，语音、图像、***、触点等与感知干系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利用了感知智能，它通过各种传感器，感知周围环境并进行处理，从而有效辅导其运行。

3、认知智能

相较于打算智能和感知智能，认知智能更为繁芜，是指机器像人一样，有理解能力、归纳能力、推理能力，有利用知识的能力。
目前认知智能技能还在研究探索阶段，如在公共安全领域，对犯罪者的微不雅观行为和宏不雅观行为的特色提取和模式剖析，开拓犯罪预测、资金穿透、城市犯罪蜕变仿照等人工智能模型和系统；在金融行业，用于识别可疑交易、预测宏不雅观经济颠簸等。
要将认知智能推入发展的快车道，还有很长一段路要走。

2

人工智能制造业运用处景

从运用层面来看，一项人工智能技能的运用可能会包含打算智能、感知智能等多个层次的核心能力。
工业机器人、智好手机、无人驾驶汽车、无人机等智能产品，本身便是人工智能的载体，其硬件与各种软件结合具备感知、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，在制造业中被广泛运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，同步定位与舆图构建）技能，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色标志，然后根据机器人与特色标志之间的相对位置和里程计的读数估计机器人和特色标志的全局坐标。
无人驾驶技能在定位、环境感知、路径方案、行为决策与掌握方面，也综合运用了多种人工智能技能与算法。

目前制造企业中运用的人工智能技能，紧张环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、笔墨识别、机器翻译、机器学习、大数据打算、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运用处景。

场景一：智能分拣

制造业上有许多须要分捡的作业，如果采取人工的作业，速率缓慢且本钱高，而且还须要供应适宜的事情温度环境。
如果采取工业机器人进行智能分拣，可以大幅减低本钱，提高速率。

以分拣零件为例。
须要分捡的零件常日并没有被整洁摆放，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。
在这种情形下，利用机器学习技能，先让机器人随机进行一次分捡动作，然后见告它这次动作是成功分捡到零件还是抓空了，经由多次演习之后，机器人就会知道按照若何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；知道按照若何的顺序分捡，成功率会更高。
经由几个小时的学习，机器人的分捡成功率可以达到90%，和闇练工人的水平相称。

场景二：设备康健管理

基于对设备运行数据的实时监测，利用特色剖析和机器学习技能，一方面可以在事件发生提高行设备的故障预测，减少非操持性停机。
另一方面，面对设备的突发故障，能够迅速进行故障诊断，定位故障缘故原由并供应相应的办理方案。
在制造行业运用较为常见，特殊是化工、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能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度加工参数（主轴转速、进给速率）和加工指令，预判何时须要换刀，以提高加工精度、缩短产线歇工韶光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：基于视觉的表面毛病检测

基于机器视觉的表面毛病检测运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革的条件下，以毫秒为单位快速识别出产品表面更眇小、更繁芜的产品毛病，并进行分类，如检测产品表面是否有污染物、表面损伤、裂痕等。
目前已有工业智能企业将深度学习与3D显微镜结合，将毛病检测精度提高到纳米级。
对付检测出的有缺陷的产品，系统可以自动做可修复剖断，并方案修复路径及方法，再由设备实行修复动作。

例如，PVC管材是最常用的建筑材料之一，花费量巨大，在生产包装过程中随意马虎存在表面划伤、凹坑，水纹，麻面等诸多类型的毛病，花费大量的人力进行检测。
采取了表面毛病视觉自动检测后，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0.15mm²，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

利用声纹识别技能实现异音的自动检测，创造不良品，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互助，致力于将AI技能运用于座椅调角器的NVH性能评判（震撼噪声测试）。
2019年，佛吉亚（无锡）工厂将AI技能运用到调角器异音检测中，实现从旗子暗记采集、数据存储、数据剖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）技能的噪声检测系统在无锡工厂投入运用，职员数量已经从38人低落至3人，同时，质量掌握能力显著提高，年经济效益高达450万公民币。

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，可以运用机器学习等人工智能技能，结合大数据剖析，优化调度办法，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，具有非常和生产调度数据采集、基于决策树的非常缘故原由诊断、基于回归剖析的设备停机韶光预测、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实行后的实际生产性能指标作为演习数据集，采取神经网络算法，对调度决策评价算法的参数进行调优，担保调度决策符合生产实际需求。

场景六：数字孪生

数字孪生是客不雅观事物在虚拟天下的镜像。
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。
在完成对数字孪生工具的降阶建模方面，可以把繁芜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核的做事器每次运算须要57个小时，进行降阶建模之后每次运算只须要几分钟。

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，只须要在系统指引下，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天生成百上千种可行性方案，然后自行进行综合比拟，筛选出最优的设计方案推送给设计者进行末了的决策。

创成式设计已经成为一个新的交叉学科，与打算机和人工智能技能进行深度结合，将前辈的算法和技能运用到设计中来。
得到广泛运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

以人工智能技能为根本，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，通过对外部数据的剖析，基于需求预测，制订库存补货策略，以及供应商评估、零部件选型等。

例如，为了务实掌握生产管理本钱，美国本田公司希望能够节制客户未来的需求会在何时发生，因此将1200个经销商的客户发卖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%，并降落3倍的客诉韶光。

3

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。
但与金融等行业比较，虽然人工智能在制造业的运用处景不少，却并不突出，乃至可以说发展较慢。

究其缘故原由，紧张源于以下三大方面：

◉ 一是，由于制造环节数据的采集、利用、开拓都有较大难度，加之企业的数据库也以私有为主、数据规模有限，缺少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，对付人工智能办理方案的繁芜性和定制化哀求高。

◉ 三是，不同的行业内缺少能够引领人工智能与制造业深度领悟发展趋势的龙头企业。

办理以上三大问题，人工智能技能才能更好地运用于制造业。