人工智能+工业互联网平台专题研究报告―数据中心 中国电子商会
摘要:纵观世界工业体系近二百年的发展，生产规模不断扩大、工作分工不断细化、区域协作不断扩展…先进制造强国都曾以创新引领取得先发优势，又在优势扩展中持续积累经验、沉淀知识、构建方法论，加速新的创新孵化，持续构筑和增强技术壁垒。随着新一轮科技革命到来，这些早期积累的“知识+技术”成为核心优势，固化到工业软件、芯片、工业母机和商业咨询服务等载体中，继续掌控着全球各产业链高价值环节。“制造业是实体经济的基础，实体经济是我国发展的本钱，是构筑未来发展战略优势的重要支撑”、“要坚定推进产业转型升级，加强自主创新、发展高端制造、智能制造”。习近平总书记关于产业升级、自主创新、智能制造的重要论述，体现了制造业在国家发展的战略地位，以及对国家发展的重要支撑作用。同时，总书记指出“要加大投入，加强信息基础设施建设，推动互联网和实体经济深度融合，加快传统产业数字化、智能化，做大做强数字经济，拓展经济发展新空间”，这为我国经济由“量大”转向“质强”指明了发展方向。
纵观世界工业体系近二百年的发展，生产规模不断扩大、工作分工不断细化、区域协作不断扩展…先进制造强国都曾以创新引领取得先发优势，又在优势扩展中持续积累经验、沉淀知识、构建方法论，加速新的创新孵化，持续构筑和增强技术壁垒。随着新一轮科技革命到来，这些早期积累的“知识+技术”成为核心优势，固化到工业软件、芯片、工业母机和商业咨询服务等载体中，继续掌控着全球各产业链高价值环节。人工智能、5G等新技术的涌现，使得我们能够构建起覆盖面更全、效率更高的感知网，并基于采集到的人、机、物大数据，培育出以机器“大脑”为载体的工业知识学习和应用能力。这为打破国外工业制造领域的垄断优势，实现弯道超车提供了全新的机遇和可能。
当前，我国正处于经济结构调整、产业转型升级的关键时期。站在新时代的起点，“十四五”规划的开局之年，我们怀揣着对中国工业体系一代代建设者的敬意，心系着支撑“世界工厂”的亿万劳动者，憧憬着“人工智能、5G、区块链等技术”融入工业体系构筑起“制造强国”的美好未来，起草了这份白皮书，希望能够与业界同仁共同探讨与携手，为中国制造业的创新与高质量发展贡献一份绵薄之力。
一、工业互联网整体发展态势与发展建议
(一)工业互联网发展现状
自《国务院关于深化“互联网+先进制造业”发展工业互联网的指导意见》印发以来，我国工业互联网已经经过了起步期三年时间的发展，在政、产、学、研等各方的共同努力下，取得显著成效。已经初步建成了低时延、高可靠、广覆盖的工业互联网网络基础设施，初步构建了工业互联网标识解析体系，初步形成了各有侧重、协同集聚发展的工业互联网平台体系和安全保障体系。
本阶段的一项重点任务是平台体系壮大行动，不仅要深化工业资源要素集聚，加速生产方式和产业形态创新变革，更要推动行业知识经验在平台沉淀集聚，推动前沿技术与工业机理模型融合创新，支撑构建数据驱动、软件定义、平台支撑、服务增值、智能主导的新型制造体系。
(二)人工智能可为工业互联网发展注入新动能
人工智能技术在工业各领域、环节、产品中渗透融合，在工业互联网纵向集成与横向集成的各个业务环节中发挥出巨大价值。人与人、人与物、物与物的联系日益增强，并逐渐形成知识沉淀，人工智能算力、数据、算法成为基础设施，发挥出平台支撑作用，实现在生产过程、管理活动、产品制造各环节的降本提质增效。
(三)人工智能与工业互联网融合发展的建议
(1)构建以人工智能为核心、自主可控的“智能云+工业互联网平台+敏捷智能应用”的新型工业基础设施。
(2)工业互联网，立足于“工”，扩展于“网”。
(3)找准价值抓手和场景踏板，奏响转型升级“交响乐”。
(4)重视转型阶段的领军人才和技能劳动者普惠培养。
二、平台架构与关键技术
(一)“智能云+工业互联网平台+敏捷智能应用”整体架构
工业互联网平台以数据为驱动，一方面以解决企业在生产、经营管理等业务环节遇到的具体问题为根本出发点，通过价值导向，吸引企业上云上平台，解决纵向集成的问题;另一方面通过企业间的横向集成，集聚工业资源要素，实现行业产业链或区域产业集群的数字化升级，加速生产方式和产业形态创新变革。
(二)平台关键技术
(1)工业视觉智能：工业视觉智能通过工业相机采集图像信息，由计算机对信息进行处理和判断，可提供工业质检、安全巡检、单据识别等服务。
(2)工业数据智能：工业数据智能是一种基于工业数据并融合工艺机理与专家经验的人工智能技术，具有自感知、自学习、自执行、自适应的特性。工业数据智能贯穿于制造业全生命周期管理，是实现智能制造的核心环节，能够深度挖掘工业数据背后的隐含价值，助力企业降本增效和精益管理。
(3)工业交互智能：工业交互智能涉及到的一项关键技术为增强现实AR技术，AR促使真实世界信息和虚拟世界信息内容融合，包括感知跟踪、融合渲染、人机智能交互等。
(4)知识中台：知识图谱是一种高度结构化、语义化的知识组织形式，目的是让机器能够更好的理解和处理知识。知识中台基于知识图谱、自然语言处理、搜索与推荐等核心技术，提供面向企业知识应用全生命周期的一站式解决方案，助力企业全面提升运行效率和决策智能化水平。
(5)IoT与边缘智能：IoT是工业互联网平台建设的基础，通过数据接入、协议转换、边缘数据处理等构建精准、实时、高效的数据采集体系。
(6)ABC技术栈：ABCStack全面整合了百度在AI(人工智能)、BigData(大数据)和CloudComputing(云计算)三个领域的核心技术能力，以及配套的平台化产品与开发工具。截至当前，ABC技术栈涵盖数百款产品，可为各行业提供专有云整体解决方案。
(7)地理信息系统：地理信息系统(GIS)是对地理空间信息进行采集、存储、管理、处理、显示、分析与模拟，并基于地理空间信息对业务数据以及各种信息进行管理、分析和辅助决策的计算机信息系统。地理数据与其他数据不同，不仅包含拓扑、距离、方向等空间信息，还具有空间自相关性;一旦与其他大数据集成，可以揭示出许多隐含价值信息。
(8)信息安全防护：工业互联网安全防护应包括数据接入安全、平台安全和访问安全三方面。数据接入安全即防止数据泄露、被侦听或篡改，保障数据在源头和传输过程中安全;平台安全即确保工业互联网平台的代码安全、应用安全、数据安全、网站安全;访问安全即通过建立统一的访问机制，限制用户的访问权限和所能使用的计算资源和网络资源实现对工业互联网平台重要资源的访问控制和管理，防止非法访问。
三、创新探索与实践
(一)“云智一体”全方位赋能工业发展
“云智一体”的整体战略推动百度智能云在各行业实现应用加速落地，将专有的云、AI、IoT、大数据等技术能力，与工业采购、生产、质量、经营等业务应用相结合，通过“一企一档”、“一链一档”模式，有针对性地为企业、产业链、地方政府提供服务。
(二)区域工业互联网平台
2.1区域工业互联网平台建设思路与创新实践
(1)建设思路
区域工业互联网平台的建设，首先应结合当前产业环境进行区域产业智能化升级的顶层设计，依据区域优势产业集群和未来发展目标，结合企业升级的实际需求，引导企业高效、协同的用好智能技术，上云上平台。然后，还应从创新引领、数据驱动、人才培养等方面实现“政产研学用”一体化平台建设，将整个区域内所有相关资源纳入正向运转的循环之中。
(2)创新实践
・客户面临的问题和挑战：随着大数据、人工智能、物联网、工业互联网等产业科技的快速发展，国内各产业迎来了数字经济发展的巨大机遇和挑战。如何把握新基建数字经济建设的重大契机，已成为各级政府管理者和企业决策者面对的重大战略问题。
・百度智能云解决方案实践：百度智能云打造工业互联网平台的时候，充分结合区域政策优势、大数据基础优势、人才优势和高端资源优势，以区域产业集群发展痛点及数字化智能化解决方案为切入点，充分利用领先的人工智能、大数据、物联网技术，通过“一企一档”、“一链一档”模式，有针对性地提升当地企业、产业链的数字化水平，为重点行业重点企业标杆案例提供创新指导，实现示范效应，打造集“创新孵化->政策引导->样板试用->展厅推介->平台商用->产业互联->人才培养->持续运营”于一体的“区域特色产业互联网平台”，构建“AI应用、工业数字化转型创新、产业链互联互通”的一盘棋流程。
・客户效益提升与改善：区域工业互联网平台的建设，助力实现区域企业数字化转型及云端大数据基础建设，打造数字化管理应用、云端工业APP应用、设备快速上云、安全服务保障、门户运营服务等行业级协同发展，为新基建数字经济提供基础，实现区域工业企业综合竞争力提升，培育云制造产业集群生态，打造制造业智能化转型服务生态圈，为数字经济和工业互联网高质量发展贡献力量。
2.2工业互联网+产业金融解决方案与创新实践
(1)解决方案
随着AI技术的普及发展，基于工业互联网的金融科技或将成为普惠金融发展的核心驱动。中小企业一直面临融资难、融资贵的问题。传统金融模式中，企业融资的方式以核心企业担保或财务报表等数据为主，产业链腰部以下企业缺乏抵押担保和财报，融资方式有限。
(2)创新实践
・客户面临的问题和挑战：在某区域工业互联网+产业金融项目中，多家金融机构表示因缺乏足够的企业实际生产数据和产业链关联数据，金融机构对企业的金融服务受到较大影响。
・客户效益提升与改善
百度智能云区域工业互联网产业金融解决方案从以下方面帮助金融机构实现效益提升与改善：
1)大幅压缩金融机构传统承兑汇票规模,加速资金流转速度，提升资金利用效率，以满足金融监管对产业链金融的要求。
2)高效帮助金融机构展业，并通过科技赋能使金融机构支持多种定价方式，例如差异化阶梯定价、客户贡献度定价、市场化定价，大幅提升金融机构盈利能力。
3)结合区块链数据可信存证机制，打破数据孤岛，实现更多维度的数据共享。通过百度智能云强大的AI中台能力，实现金融业务流程的完全数字化、智能化，降低金融机构人工操作成本和运营成本，进而大幅提高产能，服务广大中小企业。
(三)行业工业互联网平台
(1)解决方案
各工业企业在传统的生产流程和模式下面临着新产品研发缓慢、生产销售脱节、售后服务滞后等诸多问题，需要在产品设计、生产制造、服务市场等方面通过新的手段更新产品类型、提高公司运营管理水平、提高产品服务质量，并开辟新的供需对接渠道及市场。
(2)创新实践
・客户面临的问题和挑战：水务行业产业链包括原水、制水、供水、排水、污水、节水等环节，这些业务链条往往具有地域分布广、业务归属部门分散的特点。
・百度智能云解决方案实践：百度智能云通过融合原水、制水、供水、排水、污水、节水等业务产生的数据，以智慧管理、智能运营、高效服务为主旨，以大数据、云计算、物联网为基础，充分利用数字孪生、人工智能、虚拟现实等新型信息技术，按照“业务导向、技术驱动、整体设计、标准统一”的原则实现水务信息化和数据资源整合利用。
・客户效益提升与改善：百度智能云助力实现水务行业“求发展、重服务”的发展理念，通过平台和水务大脑的建设，整体人员效率提升5%以上，制水供水单位能耗下降8%，分散式污水处理设施正常运行率提升5%，排水应急处理响应及时率达到98%，客户投诉处理及时率提升到96%，下属企业80%以上的信息报送在1小时内完成，实现了良好的经济效益、管理效益和社会效益。
(四)“智能+工业互联网平台”助力企业智能化升级
4.1工业视觉质检解决方案与实践
(1)解决方案：百度智能云从客户需求出发，针对传统工业视觉质检复杂缺陷识别能力差、鲁棒性差、人工质检标准不统一、检验质量受个体影响大、用工矛盾突出等问题，有机整合机械系统、电气系统、软件系统，充分发挥百度智能云工业视觉智能平台的技术优势，为客户提供光、机、电、算、软一体化解决方案，全面赋能3C消费电子、半导体、汽车、钢铁等行业，帮助客户提质降本增效，便捷实现质检的智能化升级。
(2)创新实践
百度智能云立足客户质检需求，联合生态合作伙伴打造3C结构件通用型AOI设备，该设备有机融合了光、机、电、算、软等多学科知识，特别是利用百度智能云AI技术，通过工业视觉智能平台，方便客户自主进行模型优化，不断提高准召率。
4.2安全生产监测预警解决方案与实践
(1)解决方案
百度智能云积极响应《“工业互联网+安全生产”行动计划(2021-2023)》，围绕化工、钢铁、有色、石油、石化、矿山、建材、民爆、烟花爆竹等重点行业，创新性的提出了安全生产监测预警解决方案，应用人工智能、大数据等先进技术手段，赋能企业快速感知、实时监测、超前预警、联动处置和系统评估等五种新型能力建设。
(2)创新实践
百度智能云基于全球领先的人工智能技术，推出电力输电线路通道可视化智能预警分析端云一体化解决方案，将云端训练完成的AI模型下发到杆塔上的可视化监拍装置中，实现可视化装置的前端智能分析，可实时识别铲车、吊车、翻斗车、叉车、推土机、挖掘机等机械车辆、导线异物、烟火、绝缘子缺陷、人员垂钓等共计13类安全风险并及时报警，助力电力客户实现输电线路通道环境异常的智能化监测。方案同样支持无人机巡飞、机器人巡检在输变电场景下的智能化监测及预警，解决方案架构如下图所示：
4.3工艺参数优化解决方案与实践
(1)解决方案：百度工业数据智能平台专注于工业领域，是以数据为核心的模型训练、服务。用户可通过数据分析，运用机器学习结合深度强化学习算法，低代码实现企业工业智能化，为企业提供产销预测、质量预警、缺陷成因分析、工艺参数优化、时序数据预测、智能排产排程、调度优化、能耗优化等服务能力。
(2)创新实践：百度智能云通过与工艺工程师、行业专家的深度沟通，梳理清晰该场景的工艺流程与详细需求，完成业务理解和场景抽象。在数据采集环节，配置用于快速判断点胶质量的光学模块，构建包含历史数据与实时数据的参数配方数据库，并通过数据探索性分析完成数据理解，从数据的角度去解读业务。历经数据筛选、缺失值处理、异常处理、数据分析等环节后，为模型输出可用的数据源。算法工程师融合机理知识、专家经验，选择合适的算法和建模工具，建立基于深度学习的高精度、有效可靠的仿真模型;在仿真模型的基础上添加强化学习模型，为参数自动优化提供模型支持。通过对上述仿真与优化整体模型的多轮测试、评估与迭代优化后，构造点胶工艺知识大脑，建立了点胶机工艺参数调优的整体技术方案。
4.4设备预测性维护解决方案与实践
(1)解决方案
工业行业涉及众多的装备、设备，面临着巨大的运维挑战，一是传统的设备运维人员依赖经验积累，设备维护时间长、人力成本高;二是对于设备故障的类型和严重等级难以做出准确的判断，无法综合评估对后续生产运营的影响;三是对故障的发生时间以及可能性无法做出精准的预测。
(2)创新实践：百度智能云依托PHM技术通过深入洞察每台工程机械装备基础信息、核心运行指标、维修数据等对工程机械装备进行画像，构建面向工程机械装备的故障诊断和寿命预测模型，并利用知识图谱挖掘装备数据之间隐藏知识，对相关工程机械装备进行故障诊断、寿命预测、辅助维护等提供智能化维护服务，实时对工程机械关键系统进行自我诊断及监测，确认设备综合健康状态，并追溯各主要配件状态变化的历史，为其进行应力分析和剩余寿命预测，从而降低装备维修成本，提升维修效率，降低因工程机械装备问题而导致的项目停工风险。
四、工业互联网平台发展建议与展望
(一)建议
一是持续加大科技创新投入，加快建立工业互联网共性关键技术谱系。加强人工智能前沿技术研究，集中力量突破瓶颈，系统布局突破工业互联网相关基础技术、关键技术，推动形成技术研究和产业发展互促共进的良好局面。
二是加入工业互联网标准体系建设，夯实平台发展基础。基于多平台互联互通、技术应用创新和平台生态发展等需求，加大投入开展工业互联网标准体系制定，致力于构建统一的技术标准、服务规范、应用指南、能力评估和治理规范等机制，建立健全工业互联网平台治理体系，保障工业互联网平台全生命周期内的全价值链协同发展。
三是不断拓展生态伙伴建设，打造开放共享的工业行业生态体系。不断加深与产业链上下游生态伙伴的合作共享，持续完善生态伙伴合作圈，拓展基于各地区域产业集群的工业互联网应用路径，实现符合工业互联网应用成熟度评估标准的平台实践落地，构建多方协同的工业互联网产业生态。
四是强化专业型人才培养机制，加大复合型人才保障力度。从公司层面，通过系统人才培养策略，解决人才缺口制约工业互联网创新发展的问题，快速发展一支结构合理、质量优良的人才队伍，为工业互联网产教融合发展提供支持。
(二)展望
随着新一轮科技革命和产业变革的发生，工业互联网基础设施被不断夯实，产业规模不断壮大，应用场景日渐丰富。在“十四五”开篇之际，在数字化、网络化、智能化在工业中加速落地的滚滚历史潮流之中，在《工业互联网创新发展行动计划(2021-2023年)》的指引下，工业互联网将实现从打造示范标杆形成基本产业布局，到快速发展打造新型开放产业生态的逐步演进，而人工智能技术将为工业互联网的发展注入新的动能。人工智能与工业互联网的融合将会带动更多的工业企业、互联网企业、金融机构，以及独立开发者形成良性互动，促进平台产业生态繁荣发展，平台应用最终实现互联互通和智能决策。
特别声明：转载上述内容请注明出处并加链接。上述内容仅代表作者或发布者的观点，与中国电子商会官网的立场无关。如有任何疑问或了解更多，请与我们联系。电话：4008900668邮箱：service@cecc.org.cn
人工智能下的工业制造应用与趋势
人工智能下的工业制造应用与趋势时间：2023-05-3111:44:55
摘要：在数字化浪潮的驱动下，人工智能由理论逐渐走向应用与实践，并带动了工业智能制造的飞速发展。基于人工智能的时代背景，本文阐述了我国智能制造的发展现状，结合国际标准介绍了参考模型RAMI4.0与生态系统SMS，并分析了我国在该领域面临的困境。此外，本文结合RFID技术和Agent技术分析了人工智能在工业智能制造领域的应用，并对未来发展提出展望。
关键词：智能制造；人工智能；参考模型；RFID技术；Agent技术
随着时代的发展，人工智能技术在我国的关注度逐年提高，其热门的衍生应用包括工业智能制造与人工智能的融合。制造智能化的过程不仅涉及技术且涉及企业组织流程的重构和商业模式的创新，甚至能够影响企业战略发展的进程。由于人工智能技术的融合，智能制造在我国也呈现出广阔的发展前景。
1人工智能时代的语境分析
1.1人工智能的发展现状
智能制造最初被定义为机器人应用制造软件系统技术、集成系统工程以及机器人视觉等技术，实行批量生产的系统性过程。如今，中国AI企业超过1000家，已成为人工智能发展最快的国家之一。到2020年，中国人工智能市场规模将超过700亿元。然而，我国仍处于人工智能发展的初级阶段，在诸多关键指标上与美国还存在较大差距。我国的工业制造企业更青睐技术相对成熟及应用场景更清晰的领域，而对基础层关注较少。人工智能主要产业链有三个层面：基础层，即芯片、算法框架等；技术层，即计算机视觉、自然语义理解、语音识别、机器学习等领域；应用层，指垂直产业或精确场景的领域。其中企业价值链主要分布在应用层和技术层。
1.2人工智能的技术布局
AI技术的布局由核心技术研发、产业化及基础资源公共服务平台三部分构成。其中，核心技术的研发及产业化项目大多有三个技术层面上的要求。（1）人工智能的深度学习和类脑智能的基本理论；（2）芯片、传感器、操作系统、存储系统等基础软件和硬件的人工智能共性技术；（3）以AI为基础的计算机视听感知、生物识别、人机交互、自然语言理解等人工智能重要技术[1]。
1.3人工智能在重点领域的智能应用
为加快AI技术的产业化进程，AI先后被各国在多个重要领域试点推广，在第一时间转化为生产力，如家庭、制造、教育、环境等领域。制造业领域，使用人工智能的方案主要分为产品、产品和服务、业务运营管理、供应链和业务模型验证五个领域。AI在工业领域的应用从智能制造转移到生产服务和供应链管理。智能化生产领域，计算机视觉技术的发展促进了人工智能在质量监控和缺陷管理中的应用，未来越来越多的应用场景将应用到AI技术。例如自动化生产工厂、订单管理、自动调度等。商业模型决策领域，客户体验和成本结构是AI在制造商业模型决策中的主要方向。众多公司计划使用人工智能来准确预测客户需求、开发智能产品和服务，采用定价和计费方式，为客户提供高效，完善的服务体验。
2智能制造发展现状
截至2019年2月，人工智能企业广泛分布在18个应用领域，上述两个领域企业数占比最高，分别达到15.7%和10.5%[2]。基于人工智能在制造业的发展，国际电工委员会提出十余种描述不同制造技术系统特征和结构的通用参考模型。其中工业4.0参考体系结构模型Rami4.0和智能制造生态系统模型SME两种模型最具代表性。
2.1工业4.0参考架构模型
RAMI4.0工业4.0参考架构模型利用三维模型描述了智能制造的关键因素，从产品的全生命周期与价值链、层级结构和架构等级进行分析，帮助智能制造企业进行自我定位。该模型第一维度是产品生命周期和价值链。产品完整的生命周期从流程规划开始，到产品设计、生产仿真测试，接着正式投入制造，最后到销售和服务，进入市场。[3]第二维度是层级结构，除工厂及其中的设备，在原有框架中增加了“产品”和“互联世界”两层。第三维度是最重要的创新部分，即“功能级”维度，用于对以上两个角度进行信息建模，其主要分为六层：业务层、功能层、信息层、通信层、集成层、资产层。各层功能相对独立，相邻层间联通，“下层”对上层提供接口，上层可以获得下层的服务[3]。
2.2智能制造生态系统SMS
与RAMI4.0相比，智能制造生态系统SMS着重分析制造网络中各组分间的联系，分为三个维度，不同维度的生命周期相互“独立”[4]。在产品维度，其生命周期从设计阶段开始，经过工艺规划和设计、制造、直到最后退役回收作为结束，该“维度”涉及整个周期中的信息流和控制；在生产系统维度，其生命周期专注于生产系统的设计、建设仿真、系统调试、运行维护和最终的退役；在业务维度，其生命周期着重于在采购和配送环节上调节供需关系的平衡。各维度都在制造金字塔中发挥一定的作用且强调了制造生态系统中软件的集成[5]，有助于制造流程的调控和战略决策的优化。以上概念和网络关系结合在一起形成完整的智能制造生态系统。基于标准制造的SMS系统可以自由方便地进行数据的交换，进而优化产品更新的速度和生产系统的供应效率，同时改善车间安全和加强产业的可持续性。
2.3我国智能制造尚存的问题
2.3.1核心技术的归属芯片技术包括集成电路和半导体产品两大主要方面，我国在世界芯片市场的占比极为低下。如今中国技术基础的落后也在一定程度上表现鲜明，这同时表明我国的提升空间。比如我国集成电路的自给率从2010年的4.5%到2017年的11.2%，我国集成电路的自给率在近年有着难以忽视的进步，与此同时技术的落后也彰显出来。以我国核心芯片占有率为例，能够替代的国产芯片寥寥无几，多数能够发挥作用的属于低端产品。包括工业机器人等工业智能化的堡垒相较于其他国家都不可及，其核心技术及市场分布主要是集中在日本、德国等技术大国。2.3.2产品转化能力的弱化如今，我国智能制造的设计能力被困箍在实验室中，商品化、产品化的能力过弱，缺少专业化的供给输出机构。这其中也有智能制造本身特性所带来的对专业性机构（即产品转化能力）的渴求，首先智能制造企业对其“供应链”有着极为严苛的需求，从设计产品，到线上线下店铺的经营，每个环节都必不可少。其次，智能制造的“试错成本”和投入高昂，加上无法避免的“长制造”周期，针对这一缺陷，专业性的输出产品化机构能够在很大程度上减少经济损耗。
2.3.3核心人才培养环节的缺失AI技术的融合发展给予行业新的活力，但同时提高了对人才的要求，能为两者的融合发展发挥个人作用和贡献的人才在数量上相对较少，使得行业发展受到了限制。以工业机器人为例，人才的培养主要集中在以下三类：一是制造阶段的技术人才需求，即对应产品的基本制造和工厂组装；二是系统加成阶段的技术人才需求，即对应集成电路、机器人的安装调试等工作；三是企业应用阶段的技术人才需求，即处理机器人的专业维护以及操作编程等工作[6]。
3人工智能对智能制造的影响
3.1RFID技术在智能制造上的应用
智能传感技术是智能制造领域的核心技术之一，RFID是其中一种射频识别技术，主要包括读写器、电子标签、天线以及数据管理系统[7]。在磁场范围内，天线对电子标签发送无线射频信号，电子标签接收信号后发送对应信息，而读写器的作用是读取电子标签反馈的信息，提交到数据管理系统进行处理，从而实现信息的无接触传递，完成对标签信息的识别。如RFID和AI结合在汽车生产流水线的应用：输送线将汽车的发动机配送到特定的位置时，控制系统利用电子标签识别汽车的型号并配备相应物料，同时确定发动机的摆放位置、方向是否正确。装配物料后，控制系统可以根据读取到的型号，通知电动拧紧机自动寻找位置进行螺栓拧紧，并在工作完成后将该发动机运至下一道的生产工序中。
3.2Agent技术在智能制造上的应用
Agent理念源于分布式人工智能，可理解为驻留在特定环境下，能自主感知周围环境并采取行动、灵活执行接受的命令以满足预设目标的计算机系统，具有自治性、主动性、反应性、面向目标性以及交互协作性等特点。Agent系统主要由推理机、知识库/数据库、通讯模块及功能模块组成[6]。其中推理机主要负责接受通讯模块的信息，结合知识库或数据库中的信息进行分析和推导，并对功能模块下达相应任务，功能模块包含计划、监控、决策和协作等功能，其基础结构如图1所示。Agent系统可以应用在手机制造当中，如：参与新型手机的开发和设计、操控手机制作和组装的过程、对手机制造流水线进行维护。理论上，Agent技术可应用于制造的各阶段，需要考虑如何对系统进行建模，使用Agent的总量，Agent间连接方式，多Agent情况下的配置方案等问题。
4人工智能与智能制造的未来趋势
4.1对智能制造行业的痛点针对性
针对目前市场上的智能制造行业出现的痛点，我们可以通过AI技术提高产品质量及制作效率。部分服装制造公司经过智能改造后，效率大大提升，提高了产能1.25倍左右；其他诸如高精密仪器制造公司完成的智能化改造的生产线也大大提升，一线工人数量减少了近70%，效率和产出提升超过30%[8]。伴随着智能制造的痛点针对性带来的目的性更为明确，直接带动了未来我国智能制造业的规模兴起。
4.2大数据技术将成为二者融合发展的核心技术
在数据驱动行业的过程中，安全性可以成为业务决策的重要基础。诸如行业关键数据和公司核心技术专利之类的数字资产的价值正在加速增长。最小化数据安全风险，提高系统安全性和数据安全性是数字转换和业务升级的更重要指标[9]。
4.3产品发展的服务化增强以及范围广泛化
新的商业模式和新模式正迅速出现在测试城市中。随着HaierCosmo，ShugenInternet和AerospaceCloudNetwork提供的工业Internet平台的快速发展。在Siasun的“机器人智能工厂”，公司的效率提高了一倍。该工厂的新模型可以在短短三个月内扩展，能有效提高高端本地机器人的效率。
5小结
自1956年起，人工智能技术为生活的各个方面带来新的活力，随着时代的进步，现出现的痛点将会随着智能制造与人工智能技术的适度融合以及共同发展逐步被解决，但当下的AI技术大多停留在理论研究阶段。而智能制造更侧重技术问题，应广泛应用在生活各方面。在工业方面，寻求新的转机、追求智能化的风向已然出现。我国在人工智能技术的诸多领域与其他国家相比还存在劣势，在基础的理论研究、核心技术算法、关键设备、集成电路和产品输出领域，研究的优秀成果并不多，人才数量和技术无法跟上发展的迫切要求。但中国也有其他国家不具备的优势，如大量的数据以及基础设施：并且官方先后部署了智能制造等国家重点研发计划重点专项、《"互联网+"人工智能三年行动实施方案》和《新一代人工智能发展规划》[8]。从指导思想、战略目标、重点任务和保障措施、科技研发、应用推广、产业发展等方面看，我国AI发展将具有先发优势。
参考文献：
[1]谢永峰.人工智能时代工业机器人的发展趋势[J].中国科技纵横，2019（4）：63-64．
[2]王宝鑫.智能制造时代的工业机器人发展新趋势分析[J].发明与创新（职业教育），2019（1）：66-67．
[3]欧阳劲松，刘丹，汪烁，等.德国工业4.0参考架构模型与我国智能制造技术体系的思考[J].自动化博览，2016，（3）：62-65
[4]张力平.面向未来的智能工厂[J].电信快报，2017（3）：5.
[5]王春喜，王成城，汪烁.智能制造参考模型对比研究[J].仪器仪表标准化与计量，2017（4）：1-7.
[6]胡强，向凤红，张勇，等.基于Agent技术的智能制造系统综述[J].昆明理工大学学报（自然科学版），2005（30）：419-422.
[7]郭桓宇，侯悦民，李康.RFID定位方法及其在智能制造中的应用[J].电子科技，2017（4）.
[8]荣伟.工业机器人及智能制造发展现状和发展趋势[J].时代农机，2017（10）：46．
[9]李末军.智能制造领域研究现状及未来发展探讨[J].冶金丛刊，2017（3）：26．
作者：丁芷晴张雪宁陈华玲单位：上海大学
人工智能在工业互联网平台的四大应用场景
通信世界网消息（CWW）当前，以深度学习为主导的人工智能（AI）进入推广培育期，在医疗、金融、零售、安防、交通、能源等领域的探索步伐不断加快，自然语言处理、计算机视觉、精准营销、自动驾驶等人工智能应用市场增长迅猛。但在工业领域，受数据、算法、算力等因素制约，AI应用的广度和深度受到限制。近年来，随着工业互联网平台的快速崛起，其海量的数据、内嵌的高效算法和对算力的强大支撑能力，为AI在工业领域的发展应用提供了土壤。尤其是AI应用于工业互联网平台设备层、边缘层、平台层、应用层等四类应用场景，正在推动传统生产模式向实时感知、动态分析、科学决策、精准执行和优化迭代的智能化生产模式转变，为工业转型升级赋能。
一工业互联网平台是人工智能应用的重要载体
01工业互联网平台覆盖全流程生产数据
数据是应用人工智能的“燃料”。工业互联网平台从数据“量”和“质”两个维度入手，提升工业场景数据集的广度与深度，为人工智能应用提供支撑。
从“量”的方面看，工业互联网平台汇聚了数以千万计的设备和传感器，对异构系统、运营环境、人员信息等要素实施泛在感知、高效采集和云端汇聚，实现了海量数据的广泛集成。
从“质”的方面看，工业互联网平台通过构建设备、产品、系统和服务全面连接的数据交流网络，充分挖掘实时有效的工业大数据，搭建数据自动流动的赋能体系，为深度学习的模型训练提供优质的训练集、验证集和测试集，切实提高人工智能模型自学习、自决策、自适应的有效性。
02工业互联网平台推动工业知识算法化
算法是人工智能应用的关键。工业互联网平台作为工业全要素、全产业链、全价值链连接的枢纽，打通了工业知识向工业算法转化的通路，为构筑工业领域人工智能算法库提供助力。
一方面，工业互联网平台丰富了算法理论来源。依托工业机理基础和数据模型分析，工业互联网平台将隐性的工业技术原理、行业知识和专家经验进行代码化、算法化，重构了工业知识创造和应用体系，面向特定工业场景提供针对性强、鲁棒性高的算法。
另一方面，工业互联网平台降低了算法开发成本。工业互联网平台通过提供开发环境和各类工具，助力开发者打造工业APP与微服务体系，将各类工业知识封装成可交易的模块组件，推动工业算法在更大范围、更高频次、更短路径上创造、传播和复用。
03工业互联网平台构建协同算力资源池
工业场景具有环境参数复杂、工序步骤精细、实时性要求高等特点，应用人工智能技术对算力要求较高。工业互联网平台基于云架构汇聚企业内外算力资源，根据实际需要统一调配，搭建广泛聚集、高效协作的算力供给体系，为人工智能应用提供稳定的支撑保障。
在企业内部，工业互联网平台汇聚内部算力资源构建算力资源池，针对不同时段、不同用户和不同级别的算力需求，基于大数据分析统筹使用内部设备，提高设备使用效率。
在企业外部，工业互联网平台对接各类算力提供商，通过租借、购买等方式，补充企业内部算力的不足，以提升整体算力水平，缩小人工智能应用需求和实际算力之间的差距。
二多维应用场景加快人工智能与工业互联网平台融合
01设备层：机器智能构建新型人机关系
企业依托工业互联网平台，在生产、控制、研发等领域的设备上运用人工智能技术，构建人机协同、互促共进的新型人、机、物关系。
一是设备自主化运行，如复杂工料分拣、设备自运行等。机械臂、运输载具和智能机床等产品，通过搭载机器学习算法、路径自动规划等模块，实现对不同工作环境和加工对象的动态适应，提高设备操作的精度和复杂度。
二是人机智能化交互，如动作识别、语音用户界面等。应用语音识别、机器视觉等技术，打造人性化、定制化、高效化的人机交互模式，提升控制装备在复杂工作环境的感知和反馈能力。
三是生产协同化运作，比如协作机器人、仿生工位等。利用人工智能技术将人机合作场景转变成学习系统，持续优化运行参数，为操作员提供最优的生产环境。例如，德国Festo公司基于仿生协作型机器人开发人机协作生产的智能化工位，可将人从重复性、危险性高的工作中解脱出来，提高了生产效率。
02边缘层：边缘智能提升边缘侧实时分析处理能力
边缘智能技术通过协同终端设备与边缘服务器，整合计算本地性与强计算能力的互补优势，从而减少非必要的数据传输、降低模型推理延迟与能耗。
具体有以下三类应用：一是智能传感网络。东方国信、寄云科技等企业通过建设智能网关，动态实现OT与IT间复杂协议的转换，提供安全高速的数据连接与数据采集服务，强化对带宽资源不足和突发网络中断等异常场景的应对能力。
二是噪声数据处理。天云网、海尔集团等通过智能传感器采集多维数据，利用基于人工智能的软件识别减小确定性系统误差，提高数据精度，从而实现物理世界隐性数据的显性化。
三是边缘即时反馈。思科、微软等企业通过分布式边缘计算节点进行数据交换，及时比对云端广播的模型和现场提取的特征值，基于边缘端设备实现本地快速响应和操作优化，减少云端运算压力和处理延迟，实现云端协同。
03平台层：大数据分析构建“数据+认知”算法库
工业互联网平台基于PaaS架构，打造由数据存储、数据共享、数据分析和工业模型等组成的整体数据服务链，把基于数据科学和认知科学的两类工业知识经验沉淀在可移植、可复用的人工智能算法库中。
在数据科学领域，企业构建以机器学习、深度学习为核心的数据算法体系，综合利用大数据分析、机器学习和智能控制等算法，通过仿真和推理解决已知的工业问题。例如，美国康耐视公司开发了基于深度学习的工业图像分析软件，能以毫秒为单位识别缺陷，解决传统方法无法解决的复杂缺陷检测、定位等问题，使检测效率提升30%以上。
在认知科学领域，企业从业务逻辑原理出发，通过搭建以知识图谱、专家系统为代表的认知算法体系，解决机理未知或模糊的工业问题，如企业智能决策、风险管理等。实际上，西门子、IBM、华为等公司通过构建供应链知识图谱，汇集气象、媒体、交通和物流等信息资源，大大提高了供应链风险管理效率。
04应用层：商业智能提升工业APP数据挖掘深度
开发者依托工业互联网平台提供的开发工具和框架，面向不同工业应用场景，开发搭载人工智能的特定工业APP，利用人工智能手段赋能现有生产过程，为用户提供各类在平台定制开发的智能化工业应用和解决方案。
主要有以下几类：一是预测性维护。利用机器学习方法拟合设备运行复杂非线性关系，提升预测的准确率，降低运维成本与故障率。德国KONUX公司结合智能传感器及机器学习算法构建设备运行模型，使机器维护成本平均降低了30%。
二是生产工艺优化。依托深度学习绕过机理障碍，通过挖掘数据隐藏特征间的抽象关系建立模型，并找出最优参数组合。TCL格创东智针对液晶面板的成膜工序，通过机器学习算法实现了关键指标的预测与品质优化，年收益达到近千万元。
三是辅助研发设计。通过应用知识图谱、深度学习等技术构建设计方案库，对设计方案提供实时的评估反馈。美国UTC依靠知识图谱解决了多个产品研发问题，设计出的换热器传热效率能提高80%，设计周期仅为原来的1/9。
四是企业战略决策。利用人工智能拟合工业场景中的非线性复杂关系，提取非结构化数据构建知识图谱和专家系统，为企业提供战略方案选择。美国初创公司Maana聚焦石油和天然气领域，协同应用知识图谱与数据科学，为GE、壳牌、阿美等石油巨头提供企业级决策建议。
三几点建议
01夯实产业基础，突破人工智能与工业互联网平台融合的关键共性技术
一是构建高质量的公共数据集。鼓励满足条件的工业互联网平台企业开放具备一定规模的生产环境、视频图像、文本对话等数据集，建立高质量的公共测试数据库。
二是加大算法研发应用力度。推动科研院所、行业龙头企业开展协同研发和创新应用，围绕卷积神经网络、递归神经网络等算法开发相关工具，完善开发环境。
三是提升算力支撑能力。引导和培育一批算力提供商和算力交易平台，探索算力租赁、交易、托管等新服务模式。
02聚焦场景应用，引导加快面向工业互联网平台的人工智能产品开发
一是加快重点智能设备研发。加快智能传感控制、智能检测装配、智能物流仓储等重点技术装备的开发，布局和积累一批核心知识产权。
二是突破边缘智能核心技术。重点突破图形处理器、现场可编程门阵列、专用集成电路等一批关键核心技术，提高硬件基础支撑能力，实现围绕边缘设备的感知、控制、决策和执行等功能。
三是加快行业机理模型沉淀。聚焦AI工业应用，建设工业互联网模型算法公共测试验证中心，坚持以测带建、以测促用。
四是培育基于AI的工业APP。引导工业互联网平台企业搭建制造业创新中心，开放开发工具和知识组件，构建开放共享、资源富集、创新活跃的工业APP开发生态。
03完善生态体系，构建工业互联网平台跨界融合新模式
一是强化示范引领。在现有工业互联网平台相关专项和试点示范中，增添人工智能方向的应用试点，加快推动复杂环境识别、新型人机交互等人工智能技术与工业互联平台融合发展。
二是优化公共服务。面向语音识别、视觉识别、自然语言处理等领域，建设能够提供知识图谱、算法训练、产品优化等共性服务的平台和开源社区。
三是增强人才储备。鼓励高等院校设置人工智能工业应用课程，开展人工智能专题教育和培训，加紧培育一批急需的人工智能人才。
四是加强宣传推广。通过开展现场会、人工智能大赛等形式，凝聚行业共识，提高公众认识，挖掘优秀做法，推广典型案例，积极营造产业发展的良好氛围。
人工智能
STM32人工智能生态
嵌入式机器学习能以简单、快速、经济划算的方式来改进许多应用。
预测性维护、物联网产品、智能楼宇、资产追踪、人员计数……集成了人工智能之后，许多应用将变得更加智能！
面向STM32的人工智能解决方案可全面并迅速帮助您在产品中嵌入机器学习功能！
市场方向预测性维护
PredictiveMaintenance，简称PdM。是指通过对设备进行数据收集和状态监测，在故障发生之前，就预测可能出现的故障隐患。并在故障损害发生之前，提出防范措施，更换相关零部件。
数千个STM32产品型号均允许用户通过NanoedgeAIStudio和STM32Cube.AI工具链实施机器学习和神经网络，从而实现预测性维护的机器学习和深度学习算法。STM32完善全面的生态体系及工业领域的广泛应用帮助客户更好的实现预测性维护。例如：
预测性维护
类别
细分市场
工业
• 光伏逆变器上的拉弧故障检测
• 电机、风机、泵、压缩机、齿轮箱故障（不平衡、摩擦、冲击、泄露）检测
• 工业断路器老化预测
• 电池电量故障检测
• 管道流量检测
• 温度、湿度、气体检测
家电
• 照明
• 家电（如空调、洗衣机、吸尘器）的非正常震动预测
汽车和运输
• 车辆
• 轨道安全门故障检测
• 基建
计算机视觉
嵌入式计算机视觉，具有：响应速度快、带宽低、隐私性好、低成本、低功耗的优势。
STM32MCU 通过STM32Cube.AI的工具，以及STM32MPU加上X-LINUX-AI可以帮助客户快速的实现计算机视觉中图像分类和目标检测。 这些计算机视觉能力，可以广泛的应用在各种需要计算机视觉的实际场景中。同时，AI具有的这些优势能力，正在启发越来越多的客户使用场景。
计算机视觉应用
类别
细分市场
异常检测
• 产线产品缺陷检测
• 烟雾、火灾检测
• 液体喷洒检测
低精度图像处理
• 实时图像分类
• 人、物存在检测,及多目标检测,人数统计
• 人脸检测和识别
• 药片检测
• 皮肤状态检测
• 字符和数字识别，如后装数字表识别
• 农业植物病虫害识别
计算机视觉交互方式
• 手势识别
• 注意力视线检测
• 人朝向检测
视觉唤醒
• 人脸检测、人形检测触发复杂视频算法
音频和传感
低功耗语音识别，STM32的优势在于在语音识别基础上的丰富通用外设和型号组合，相比较AP方案，功功耗。All-in-1STM32可以使用场景：
显示+语音：可穿戴、智能家居
无线+语音：智慧照明
控制+语音：家电（空调、洗衣机）
基于音频和传感的应用
类别
细分市场
声音事件分类
• 家庭报警
• 侵入检测
• 玻璃破碎报警
声音事件检测
• 基于多普勒效应的车辆计数
• 多麦克风的声音方向检测
声音唤醒
• 声音检测用来唤醒复杂的算法
情景感知
• 室内、室外等各种环境场景
• 车辆环境
• 建筑物入住率
• 工厂活动
• 人存在检测
软件及工具面向STM32的人工智能解决方案，可提供以下三种工具或软件的支持。
1.NanoEdgeAIStudio，您的机器学习向导
NanoEdgeAIStudio有数以百万计可用的预构建模型，能够轻松为嵌入式设备生成库。
即使您对于AI不太熟悉，只需几天就能创建一个完整的产品！例如，基于其异常检测、分类或回归算法，该工具让您可以轻松开发预测性维护应用。
NanoEdgeAIStudio工具介绍视频
产品下载 说明
NanoEdgeAIStudio
面向STM32开发人员的自动化机器学习(ML)工具2.STM32Cube.AI，有此软件工具在手，即可助您储存和优化人工神经网络。
NanoEdgeAIStudio有数以百万计可用的预构建模型，能够轻松为嵌入式设备生成库。
即使您对于AI不太熟悉，只需几天就能创建一个完整的产品！例如，基于其异常检测、分类或回归算法，该工具让您可以轻松开发预测性维护应用。
STM32Cube.AI工具介绍视频
产品编号 说明
STM32CubeMX
STM32Cube初始化代码生成器 X-CUBE-AI STM32CubeMX的AI扩展包通过STM32功能包加速开发
为了简化应用程序开发，我们提供关于重要用例（例如计算机视觉、传感，以及状态监测）的代码示例。我们的功能包完整集成了人工神经网络与预处理/后处理功能，并连接到微控制器外设。
这些软件包帮助您节省宝贵的时间，使您能够专注于人工神经网络模型，让您的应用程序脱颖而出。
产品编号 说明 FP-AI-SENSING1 STM32Cube功能包，用于超低功耗物联网节点，具有基于音频和运动 传感的人工智能（AI）应用 FP-AI-VISION1 STM32Cube功能包，用于高性能STM32，带有用于计算机视觉的人工智能（AI）应用 FP-AI-NANOEDG1 STM32Cube的人工智能（AI）状态监测功能包 FP-AI-FACEREC STM32Cube的人工智能（AI）面部识别功能包 FP-AI-CTXAWARE1 STM32Cube功能包，用于分布式人工智能（AI）的超低功耗情景感知 FP-AI-MONITOR1 STM32Cube功能包面向超低功耗STM32，基于多种传感器实现人工智能(AI)监控应用3.STM32MPU的Linux扩展包
产品编号 说明 X-LINUX-AI 用于AI计算机视觉应用的STM32MPUOpenSTLinux扩展包 STEVAL-STLKT01V1 SensorTile开发套件 硬件面向STM32的人工智能解决方案
STM32芯片对AI工具的支持
可用于AI评估的STM32开发板
产品编号 说明 B-L475E-IOT01A STM32L4探索套件，包含IoT节点、低功耗无线解决方案、BLE、NFC、SubGHz和Wi-Fi STEVAL-STLKT01V1 SensorTile开发套件 STEVAL-STWINKT1B 用于工业IoT应用的STWINSensorTile无线工业节点开发套件和参考设计 STM32L562E-DK 配备STM32L562QEMCU的探索套件 STM32H747I-DISCO配备STM32H747XIMCU的探索套件
STM32MP157C-DK2 配备STM32MP157CMPU的探索套件 STM32MP157F-DK2 配备STM32MP157FMPU的探索套件 Avenger96 基于STM32MP157A的Avenger96板源自96Boards B-CAMS-OMV 摄像头模块套装，用于STM32板设计资源*点击编号/文档可查看下载
STM32人工智能相关资料如何在OpenMV生态系统中集成STM32Cube.AI生成的代码
实战经验
UM2526_X-CUBE-AI人工智能(AI)扩展包入门
用户手册
UM2611_STM32H7微控制器的人工智能 (AI)和计算机视觉功能包
用户手册
UM2870_用于STM32Cube通过分布式人工智能(AI)实现超低功耗环境感知
用户手册
UM2721_STM32Cube的人工智能状态监视功能包
用户手册
DB3788_STM32Cube的人工智能AI数据手册
数据手册
DB4255_X_LINUX_AI数据手册摘要
数据手册
DB4418_AI软件示例数据手册
数据手册
DB4467_STM32Cube的人工智能AI和面部识别数据手册
数据手册
DB4196_STM32Cube的人工智能（AI）状态监测功能包
数据手册
DB4494_无线工业节点多传感器AI数据监控框架，STM32Cube功能包
数据手册
Demo&Webinar视频资源
NanoEdgeAI
介绍视频
ST人工智能应用解决方案NanoEdgeAIStudioV3介绍
预测性维护
NanoEdgeAI-通过对驱动风扇的电流信号进行监测
NanoEdgeAI-STM32微控制器的TinyML预测性维护
基于机器学习的具有嵌入式预测性维护功能的电机控制
故障检测
电机控制中的异常检测X-NUCLEO-IHMO7M1板上的滤网阻塞检测
STM32Cube.AI
计算机视觉
光学字符识别（OCR）
后装AI抄表模型STM32H7双核“Tuttifrutti”什锦水果冰淇淋DEMO运行在STM32H747I-DISCOSTM32EdgeAI解决方案
人物检测
基于AI的小型家用设备手势控制系统人物检测——低功耗STM32微控制器上的神经网络(STM32H7或者STM32L4)
人脸识别
FP-AI-FACEREC1_STM32H7_面部识别应用
计算机视觉
STM32在计算机视觉上的应用如何使用STM32Cube.AI进行计算机视觉项目开发？
NanoEdgeAI
STM32Cube.AI
计算机视觉
人工智能demo-风扇滤网堵塞检测以及基于视觉的人数统计
培训课程及资料
意法半导体边缘人工智能解析观看视频
ST端侧人工智能之视觉检测培训课件
下载培训课件