工业人工智能发展现状、应用实践及未来趋势
工业人工智能发展现状、典型应用及未来趋势唐露新张儒锋姜德志2022-06-30
人工智能 工业人工智能导语：简述工业人工智能技术的含义背景要素和现状分析其发展历程和典型应用
近年来，智能制造是很多工业发达国家积极推进和重点发展的领域，美国、欧洲和日本等都将目光转向人工智能等核心技术，并不断取得新的突破和应用。2016年，美国发布了《国家人工智能研究和发展战略计划》和《为人工智能的未来做好准备》等重要报告，前者提出了投资、人机协同、社会、安全、培训测试、标准和人才等7个人工智能领域的战略方向，后者从政府与治理角度探讨人工智能的挑战与治理问题。美国2020—2021年财务预算优先智能和数字化制造，特别是结合工业物联网、机器学习和人工智能的制造系统等领域。
2017年，德国发布“工业4.0”，并提出面向经济的人工智能战略，启动开发和应用“学习系统”计划，使工作和生产更加灵活和节省资源，从5个方面推进数字策略，期望德国在2025年成为人工智能领军者。2018年，欧盟发布《人工智能协调计划》，制定了投资、研究应用、人才、数据、伦理、公用和合作等7项具体行动，希望使欧洲成为人工智能开发应用的领先者。日本人工智能发展规划稍迟一些，由人工智能技术战略委员会、总务省、文部科学省以及经济产业省负责人工智能规划，2017—2019年相继出台《人工智能技术战略》《人工智能技术战略执行计划》《人工智能战略2019》等战略计划，以本国优势及社会问题为导向的发展思路，主要集中在工业、医疗和交通等三大领域。
2017年，我国发布《新一代人工智能发展规划》，提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，部署科技创新体系、产业、社会、军民融合、基础设施和重点科技项目等6项重点工作，投资1500亿发展人工智能产业，加快建设创新型国家和世界科技强国。随后发布《促进新一代人工智能产业发展三年行动计划(2018—2020年)》，并在《“十三五”国家科技创新规划”》《“十三五”国家战略性新兴产业发展规划》以及“科技创新2030－重大项目”等规划文件中，都将人工智能列入发展重点，充分体现了我国政府发展人工智能的决心和魄力。
在人工智能战略布局和时间起点方面，美国、德国、中国和日本都差不多，但相对政府层面而言，中国的规划、支持和执行力度更大，其中工业领域人工智能的应用是美国、德国、中国和日本等国家智库和高科技公司高度关注的焦点，成为公认的提升制造业整体竞争力的国家战略。
对于近年来国内外人工智能的发展状况有很多报告，其中包括国家智库层面和企业民间层面的，评价体系也各有不同，因此也只是一个侧面反应。针对1990—2019年中美德英日韩等六国，对比产业核心技术专利数量，中国在产业人工智能方面前进步伐较大，如图1所示。浙江大学顾国达等构建了一个系统全面的人工智能评价指标体系，涵盖人工智能的环境支撑力、知识创造力、产业竞争力3个主要评价领域，2个具体指标，既可从整体掌握经济体人工智能的综合实力，又可从多维度对人工智能的发展成效进行国际比较和动态追踪。利用2010—2018年人工智能领域的数据，对中国、美国、欧洲、日本、韩国和加拿大等6个代表性经济体的人工智能发展水平进行测度，虽然整体水平呈现上升趋势，但增速并不稳定，各经济体间相对差距逐步扩大，中国已进入国际领先集团，发展潜力巨大，但产业竞争力领域与美国差距不小，人力资本和企业经营等重点领域的短板亟须弥补。
图1人工智能产业核心专利数和国家分布示意
在2020年7月世界人工智能大会云端峰会开幕式上，工信部部长苗圩致辞:“整体来看，我国人工智能产业发展势头良好，技术创新日益活跃，产业规模持续壮大，与行业融合应用不断深入，发展前景可期。”
1工业人工智能系统框架
人工智能概念是1956年在美国达特茅斯学院人工智能研讨会上提出的。人工智能是计算机科学或智能科学的分支，主要研究用机器和算法模仿和执行人脑的某些思维和智力功能，期间经历了计算智能、感知智能和认知智能等3个发展阶段。通过不断演进，特别是脑科学、超级计算、大数据、工业互联网、视觉检测等领域的新理论新技术取得的突破和进展，使得人工智能发展突飞猛进。人工智能可以替代劳动、增加劳动供给;赋能一、二、三产业，提高生产效率;创造消费者剩余，提高社会福利;赋能政府、提高政府效率，矫正失灵，具有显著作用。
人工智能也不断推进到工业领域。工业人工智能是指利用人工智能技术改造工业的生产方式和决策模式，达到系统性的降本、增效、提质的作用，是当前工业发展的重要趋势，其实质是实现设计模式创新、生产智能决策、资源优化配置和生产过程智能感知等创新应用，使工业系统具备自感知、自学习、自执行、自决策、自适应的能力，以适应复杂多变的工业环境，完成多样化的工业设计生产任务，提高生产效率和产品质量。工业人工智能成为公认的提升制造业整体竞争力的国家战略。
工业人工智能集成了人工智能、工业互联网、大数据、云计算和信息物理系统等新科技，使得工业生产运行更加灵活、高质量、高效率和节能，其应用前景广阔。阿里云强大的人工智能“工业大脑”集成了设备数据、产品生命周期数据以及相关数据等，与行业知识机制相融合，形成以数据、算力和算法三者融合为核心的智能制造技术体系，实现工业生产的降本、增效、提质和安全。
当前产品生产所得利润不仅与制造本身相关，还与市场环境和产品定位相关，将来的工业人工智能技术会涉及更多产品制造相关因素。本文作者研究的人工智能技术结合工业制造的应用关系如图2所示。
图2工业制造过程人工智能技术应用框架示意
工业人工智能包含产品市场需求、物流、生产和产品销售等环节，其中涉及内容包括:在生产时具备的条件包括人员配置与素质、设备情况、环境气候与温度湿度、各种实时匹配的物料以及动态能源消耗等;生产过程主要有几个关键环节，包括各种相关工艺、精细化的生产管理、工业互联网、物流计划调度、能效和环保的要求等;生产过程中提取的工业大数据，再应用人工智能技术对生产过程进行有效控制，其中的关键技术包括人工智能的硬件、建模、决策、预测、数据、传感和检测等，最后形成高效和高质量的产品，以产生良好的经济效益和社会效益。目前工业人工智能还没有形成市场和产品链的整体应用，只是在个别环节和技术上有些相关的成功探索，主要包括生产过程控制、设备故障诊断与健康预测、对象与质量检测、物料库存管理、生产效益分析等。
2工业人工智能关键技术
本文从实际应用角度将工业人工智能的关键技术分为硬件、传感、检测、数据、建模、决策、预测。
(1)硬件
人工智能必须依靠算力、算法和数据，这些需要硬件为基础，必须具备专门的图像、语音等处理能力强、运算速度高的硬件。在分散处理、现场传感检测时，通常采用专门的人工智能(AI)芯片作为底层硬件，通常称为边缘计算网关。AI芯片按架构体系分为通用芯片CPU和GPU(图像处理单元)、半定制芯片FPGA、全定制芯片ASIC和模拟人脑的新型类脑芯片;按照应用场景可分为训练芯片、推断芯片、终端计算芯片等。人工智能先采用训练芯片训练数据得出核心模型，接着利用推断芯片对新数据进行判断推理得出结论，模型和推理也可以从已有的SDK(软件工具开发包)中获取，终端计算芯片主要采用简单实时性能的边缘计算控制输出。
(2)传感
人工智能场景中面对丰富多样和大量的各种数据及相关技术，其中绝大部分数据来源于传感器。传感器能将被测量的各种信息转变成相关数字信号，通常需要将电量、物理量、生物量、视觉、味觉、听觉等进行感知，涉及到感知的精度、速度等。一种新型传感器的发明，往往可以开发出相应的仪器装置。传感器分为常规传感器和智能传感器:常规传感器可以直接采集转换处理压力、温度、流量、电压等信号;智能传感器是具有信息处理功能的传感器。智能传感器带有微处理机，具有采集、处理、交换信息的能力，是传感器集成化与微处理机相结合的产物。与一般传感器相比，智能传感器通过软件技术可以实现低成本、高精度的信息采集，具有编程自动化、功能多样化等显著特点，已广泛应用于各种视觉、听觉、物理量和电量等传感检测。
(3)检测
工业人工智能系统的各个环节涉及供应链、产品生产质量、设备状态、能耗、生产环境等，这些需要大量的生产前期各种基础、生产物流、设备和环境等外界状态感知数据收集，并进行数据融合分析。这些检测的精度、速度、可靠性、分析能力等性能以及价格决定了生产应用的基础。目前成品和部件从离线集中式检测，逐步转变为加工在线、实时、嵌入到生产线及设备内部的检测;从独立的感知和检测转变为多传感器、多元异构数据的融合分析;从当前数据状态转变为数据标准化和溯源。检测延伸就包含了诊断，当生产过程异常导致产品质量下降或者事故时，利用传感器采集关键设备、生产线运行以及产品质量等获得各种智能检测数据，进行自动特征提取，采用大数据分析、深度学习等方法进行高精度智能诊断及溯源。
(4)数据
人工智能是建立在强大数据分析基础上的，现在计算机的大容量、高速运算能力和网络云平台给大数据应用提供了极大的可行性和便利性。大数据通常用来形容各行各业运行过程中发生的大量不同时序、多元异构的数据，往往看起来这些数据关联性不够紧密，在关系型数据库中分析时需要花费大量时间和资源进行处理。大数据不只是数据量大，而且数据种类多。要求实时性强。数据所蕴藏的价值大。各行各业均存在大数据，但是众多的信息和咨询是纷繁复杂的，需要搜索、处理、分析、归纳、总结其深层次的规律，获得规律性、有用的数据。
(5)建模
建模是认识生产过程对象和控制方法的最基本环节，不同产品、生产过程和控制要求涉及的模型差异较大，甚至难以找到相关的模型。特定模型包含工业生产过程的机制与知识，表达了生产设备、工艺参数、原材料和产品质量效率间的映射关系，设备或关键部件的退化机制，产线运行状况和工序之间的耦合关系。人工智能控制对象更加复杂和多样，往往是多输入多输出的多变量系统、非线性系统、时变系统。要求控制系统更快、精、复杂时，必须采用状态空间法、离散模型、人工智能等理论进行建模和控制。
(6)决策
决策包括优化、调度和控制等。由于产品、工艺和设备等不同，决策的方式差别很大。复杂工业生产通常由多工序、多台套设备和不同加工要求组成，涉及实时市场信息、生产条件以及运行工况，企业目标、计划调度、运行指标、生产指令与控制指令一体化优化等，需要协同企业管理者和生产管理者的知识并进行智能化处理。以ERP和MES变革为人机合作的管理与决策智能化系统，利用监测设备和产线运行状态的数据，借助智能优化算法，协同调度各个生产工序，控制相关的生产设备和工艺环节，实现生产全流程的产品质量、产量、消耗、成本等综合生产指标控制，保证生产全流程的整体优化运行决策。自主智能控制系统感知生产条件变化，相互协同，解决多目标冲突、干涉和多尺度现象，兼顾各种因素和权重影响，制定相应的优化决策目标，实现制造与生产全流程全局优化。
(7)预测
预测技术分为模型方法和数据驱动方法，在预测性维护、需求预测、质量预测等方面应用广泛。预测大多用于智能制造中设备维护，但是预测对工业生产整体或者其他关键环节的作用更加重要，比如产品成本价格和质量的趋势、产品原材料成本和质量的趋势、产品销售方式和市场趋势等，这些比起设备维护的预测可能更加重要。比如最近缺芯事件对汽车产业的影响、原材料涨价对产品的影响等，其影响远远超过制造产品效率的提升。大数据技术、云服务技术和人工智能技术的快速发展促进了预测技术不断提升。
预测性维护可利用工业设备运行数据和退化机制经验知识，预测设备剩余正常工况使用时间并制定维修策略，从而实现高效安全运行。需求预测根据厂商历史订单数据、市场预测及生产线运行状况，调节原料库存、指导生产出货进度，进行风险管理并减少生产浪费。质量预测通过产线、原料状态及相关生产数据分析产品质量，并将生产流程调整为最佳产出状态以避免残次品，数字孪生技术可以有效促进质量预测。
3工业人工智能典型应用
工业人工智能已在部分领域进行应用，取得较好的效果，包括智能制造体系途径、传感与检测、设备维护预测，协作机器人、智能化生产等。
(1)智能制造体系途径
工业人工智能由相关的技术体系、途径与标准化方法架构所组成，李杰、柴天佑等提出了一些系统性的方法来实现人工智能生产体系，并命名为工业人工智能，其核心技术包含数据技术、分析技术、平台技术与运筹技术。CPS的5C架构则作为实现这个闭环功能框架，5C分别代表智能感知层、智能分析层、网络层、智能认知层、智能决策与执行层。CPS集成计算、通信与控制于一体，其意义在于将物理设备连接到互联网上，让物理设备具有计算、通信、精确控制、远程协调和自治等五大功能。研制面向特定应用领域的工业人工智能系统，使系统的适应性、自主性、效率、功能、可靠安全、感知认知准确性、决策与控制精准优化远超以往的系统。
(2)传感与检测技术
工业人工智能需要使用大量传感器获取信息数据，在人工智能和一些独特的需求下，常规的传感器的处理速度和能力达不到要求。而人工智能传感器能够学习使用环境、习惯、感知，能够自我测试、验证、适应和识别，可以智能分析处理、提供对应的运算，挖掘、保存和传输用户需求的数据。
目前应用最多、最有特色的是工业人工智能视觉传感器，已经逐渐形成规模化的产业，2D向3D的转变、静态图像到动态影像的第四次视觉技术突破，主要包含3D视觉、嵌入式视觉和多元化硬件加速等三大类技术。3D视觉采用了双目视觉、结构光、ToF技术、线激光扫描技术、光谱共聚焦等技术，主要用于尺寸检测、定位引导、场景识别;嵌入式技术将用于实现图像处理和深度学习算法的AI模块集成至工业相机，实现边缘智能控制;多元化硬件可以集成GPU、CPU、FPGA和SoC硬件一起，大大加快了深度学习算法和图像处理的速度，减少了实现的难度。
在各种形状识别、产品与零部件的尺寸、外观、颜色、光洁度和场景识别等高速检测中，大大提高了检测的精度和速度，特别在人脸图像、复杂结构件等对象检测中，显示出巨大潜力。
(3)设备维护预测
使用预测平台对设备的剩余寿命进行预测，该方法要求对设备状态和运行过程进行持续监控，分析历史数据(例如机器学习技术)、完整性因素(例如视觉检测颜色和形状、磨损、成分、声音等)、统计推断方法和工程方法的推理，所以这种方法可以预测设备早期故障，并提供解决方案。机器学习具有强大的数据处理能力，可广泛应用于故障诊断与寿命预测等领域。基于机器学习的剩余寿命预测方法是预测性维护方法的一个重要分支，能够较为准确地对剩余寿命进行预测，成为维护策略评估的重要指标。
西门子推出基于工业大数据分析的预测性维护软件SiePA，在对工厂历史运行数据进行深入分析的基础上，以人工智能算法为工具，建立了预测性维护系统。ABBAbility船舶远程诊断系统能实现对电气系统的预防性连续监测，提供包括故障排除、预防性和预测性服务3个级别的服务，能够通过更大范围的预测性监测使服务工程师数量减少70%，维护工作量减少50%。
(4)协作机器人
又称智能机器人，具有结构灵活性、安全性、感知能力、人机协作、编程方便等特点，充分发挥人类智能及机器人效率，扫除了人机协作障碍;可以大量应用于对灵活性要求较高的密集劳动等场景，协助承担复杂的手动工序和负重劳动，摆脱护栏或围笼的束缚。协作机器人国外厂商主要包括ABB、KUKA、FANUC、YASKAWA、优傲(UR)等，国内有新松、遨博、节卡、艾利特、里工等公司。
协作机器人具有视觉、听觉、力觉和位置等多种传感器，需要进行机器人动力学建模、外界交互环境建模，采用多种智能控制策略，如柔顺控制、协同控制、阻抗控制、协作控制、动态行为控制、认知控制等，可以完成助力、叉车、移动和机床上下料等工作。如无人值守协作机器人，由移动小车和机械臂组成，带有深度学习视觉模块，结合XOS人机交互系统，可以替代多个操作工，自动完成加工中心、数控车床、冲压机、锻压机等多台机床的一系列上下料工作任务，简单程序切换，能够节约人工成本，提高生产效率。
(5)智能化生产
中国已经具备较完整的制造业体系和基础设施，在全球产业链中具有重要地位。在智能化生产方面也出现一批典型，从智能设计、智能产品、智能装备、智能生产和个性化定制、智能管理、智能服务等方面推动企业转型升级，初步涌现一批典型智能制造示范工程。
山西智奇铁路设备公司的高铁轮对智能制造工厂，实现了“设备网络化，数据可视化，生产过程透明化，生产环节智能化”的智能制造顶层战略规划，采用MES核心平台实现产线智能化，应用RFID管理实现仓库可视化、透明化，以集控CPS平台实现生产现场数字化与可视化，并应用AI人工智能检测与监测、预测维护。
奇瑞捷豹路虎基于5G的智能制造项目完成三大核心系统建设，建立起SAP企业管理软件与解决方案、MES全功能生产过程执行管理系统、LES物流执行系统和管理模式等一流IT解决方案，建立了企业工业互联网，产品设计生产生命周期数字一体化，供应链上下游协同优化，具有全生产过程能源优化管理，产品全生命周期可溯的质量管控能力，柔性制造的大规模个性化定制，远程智能运维服务。
中车长春轨道客车的高端轨道交通装备精益化智能制造项目，以中车长客长春高速制造中心和转向架制造中心为主，打造高端轨道交通装备智能制造核心模式，实现制造全过程优化控制、智能调度、状态监控、质量管控。该模式持续推广至全球5个国家生产基地，覆盖轨道交通全车型制造及运维业务，实现快速精准的智能制造管理范式，实现制造全业务链条数据贯通和大数据体系分析;创新信息技术手段，助力全球制造精益一体化管理;深化应用高级排程，打通供应链整体链条;实现生产效率、配送效率、能源利用率、一次合格率较大幅度提升，为企业全球标准化制造业务提供了基础。
4工业人工智能技术难点
虽然目前工业人工智能还只在特殊的方面应用，但已经体现良好效果，整体生产过程、关键环节的应用还存在很多难点，有很大改善潜力和发展空间，其主要难点在于:
(1)多源异构数据的挖掘与应用
工业生产涉及各行业、不同加工过程、不同环境和不同市场，表现不完全、无标注、无直接关联样本的动态特性和多源异构数据。如何利用人工智能深度学习进行完全标注大样本静态特性的学习，进而进行归类、分析、发掘和多维应用;另外需要采用多源数据机器学习，研究现象、问题和效果的知识发现，这些是工业人工智能的基础和迫切需求。
(2)多目标整体决策与过程优化
其中包含多层次多尺度决策与控制过程集成优化、复杂系统多冲突目标的实施动态求优等。基于各种层次的信息感知，运行决策与控制面向不同时间尺度和空间尺度。制造过程中的智能决策面临着开放环境、信息不完全、规则不确定等难题。制造过程当中难以建立决策仿真模型，同时最终决策需要权衡质量、效率、消耗和市场等多冲突目标，全局最优解随生产条件和运行工况变化，控制系统设定值会随全局最优解变化。
(3)产品生产全产业链预测
产品生产最终获得的是效益，不只是与产品生产的质量和效率有关，往往物流、市场需求更加重要。比如产品原材料和人力资源成本、产品销售方式和市场趋势等，这些比起单一的设备维护预测、产品生产质量预测更加重要。比如新冠疫情对相关产业的巨大影响，某些国家对芯片的封锁造成缺芯事件、对汽车产业的影响，经济通胀使原材料大幅涨价对产品的影响等，目前这些都难以建立有效的预测模型，实现较准确的预测控制。
(4)智能制造装备
虽然我国在互联网、物联网、大数据、云计算等数字化技术以及5G的应用上有一定优势地位，但制造最后的执行单元还得是机床设备，我国大部分设备还落后于欧美和日本企业，比如在工业机器人、3D打印、大余量高速切削机床、芯片光刻机、高精度测量测试设备等方面存在很大差距。而工业人工智能对当前世界的装备则提出了更高要求，必将是一个极具创新的挑战过程。
5工业人工智能发展趋势
从总体上看，目前大部分制造企业仍处于自动化、数字化阶段，部分龙头企业和智能制造试点示范企业逐步开展智能化应用，人工智能与制造业融合还处于起步期。2021年后人工智能在制造业中的6个应用趋势，现归纳整理如下:
(1)基于深度学习的机器视觉缺陷检测，可以通过单目和双目的2D、3D视觉检测，分析辨别物体属性、表面特征、立体特征、运动趋势等。
(2)通过机器学习预测设备故障。采用预测剩余使用寿命模型、预定时间段内预测故障的分类模型、异常检测模型可以标记设备等方式进行预测。
(3)生产过程的数字孪生技术，生产过程的实时诊断和评估，产品性能的预测和可视化等。可以设计未来产品、模拟其性能。
(4)智能制造的生成设计，其思想是基于机器学习的给定产品的所有可能设计选项，根据约束条件生成独特设计思想的新产品。具有人工智能的设计生成器和鉴别器，其中生成器网络为给定产品生成新设计，而鉴别器网络对真实产品的设计和生成产品进行分类和区分。
(5)基于人工智能的能耗预测与优化。制造商可以估算能源账单，了解能源的消耗方式，由数据驱动优化生产过程能源消耗。
(6)智能供应链。采用机器学习驱动的认知供应链管理系统，自动分析库存、装运、市场趋势、消费者情绪和天气等数据，具有需求预测、运输优化、物流路线优化、仓库控制、人力资源规划、供应链安全、端到端的透明度等功能。
结合制造业的发展现状和工业人工智能的发展目标，指出工业人工智能今后研究方向有:
(1)复杂工业环境下运行工况的多尺度多源信息的智能感知与识别。
(2)复杂工业环境下基于5G的多源信息快速可靠的传输技术。
(3)系统辨识与深度学习相结合的复杂工业系统智能建模、数字孪生与可视化技术。
(4)关键工艺参数与生产指标的预测与追溯。
(5)复杂工业系统的智能自主控制技术。
(6)人机合作的智能优化决策。
(7)智能优化决策与控制一体化技术。
(8)“端－边－云”协同实现工业人工智能算法实现技术。
6结论
传统人工智能技术较多应用于大量的、感性的日常生活、社会交流、金融等行业，取得良好效果。工业人工智能用于解决特定工业问题，不仅需要采用AI算法和AI系统，还需要将人工智能、自动化、工业互联网与各种制造领域知识紧密融合。
当前人工智能技术正在飞速发展，也体现出强大的生命力，但是工业人工智能的整体技术、关键技术仍处于起步阶段，工业和工程界的许多实际难题还没有得到有效解决，根据社会发展需求、科技创新发展方向，未来研究方向是将工业人工智能方法体系服务实际工业生产并创造更多价值。虽然我国建立了工业人工智能相关的顶层设计与政策引导，在制度层面支撑保障体系也不断完善，但是工业人工智能需要大批具有跨学科研究能力的创新型科技领军人才，也需要大批工程技术应用人才。同时需要加快打造工业人工智能示范项目，建设工业人工智能公共服务平台建设，加快发展工业人工智能单项技术，推动各类人工智能要素向企业数字化领域集聚，加快工业人工智能技术引领，这样才能使我国在工业人工智能的研究与应用走在世界前列，取得巨大的社会和经济效益。
原文刊载于《机床与液压》2022年5月作者：唐露新张儒锋姜德志林建文周书兴
暂无评论,等你抢沙发
人工智能在制造业中的应用及其对未来工厂的重要性
制造业中的人工智能是什么?制造业中的人工智能是如何演变的？人工智能在制造业中的现状人工智能在制造业中的发展前景如何？制造业和人工智能：应用和益处完全自主的工厂一直有太多的臆想成分，往往出现在推理小说中。在这种情景中，机器人生产线几乎不需要人工操作而完全由人工智能（AI）系统来指挥。但在可预见的时间内，以这种方式在制造业使用人工智能还不太可能。
人工智能在制造业中的现实概念更像是集合在一起的应用程序，这些应用程序用于紧凑却又离散的系统，管理着特定的制造流程。它们或多或少地自主操作，并以日益智能甚至人性化的方式对外部事件做出反应，这些事件包括工具磨损、系统中断、发生火灾或自然灾害等事件。
制造业中的人工智能是什么？制造业中的人工智能就是机器自主地执行类似人类任务的智能：对内部和外部事件做出响应，甚至预测事件。机器可以检测到工具磨损或意外的情况（甚至预期会发生的情况），并且可以对问题做出反应并加以解决。
历史学家在追踪人类从石器时代到青铜时代、铁器时代等不同时期的发展，根据人类对自然环境、材料、工具和技术的掌握来衡量人类进化的发展轨迹。人类目前处于信息时代，也称为“硅谷时代”。在这个以电子产品为基础的时代，人类能力通过计算机的使用在总体上得到了提升，对自然界施加的影响是前所未有的，在几十年前人们根本无法想象的一些事情现在通过协同能力已经可以完成。
电子数值积分器与计算机（ENIAC）是世界上第一台数字电子可编程计算机，此处显示的是费城弹道研究实验室，大约在1947至1955年之间。计算机技术越来越有能力做原来由人类自己做的事情，随着这种趋势的发展，人工智能已成为一种水到渠成的发展成果。人们可以选择如何利用机器学习和人工智能。人工智能擅长的一件事是帮助有创意的人做更多的事情。这并不意味着人工智能一定要取代人工；理想的应用程序可以帮助人们发挥他们在制造过程中的优势，而这种优势可以是在工厂制造一个部件或设计一种产品或部件。
人工智能越来越多地涉及到人类和机器人之间的协作。尽管工业机器人普遍被视为有自主能力和“智能”，但它们中的大多数还需要人们大量的监督。通过人工智能的不断创新，这些机器人会变得更加智能，使得人类和机器人之间的协作更加安全和高效。
制造业中的人工智能是如何演变的？如今，大多数制造业的人工智能被用来进行测量、无损测试（NDT）和其他流程。人工智能正在协助人们设计产品，不过在实际制造领域的应用仍处于初期阶段。机械工具仍然显得相对迟钝。在车间使用自动化工具已有不少新闻报道了，但世界上许多工厂仍然依赖着旧设备，这些设备通常只有一个机械的或非常有限的数字界面。
在较新的制造机器中，工人可以在屏幕上（无论是在系统自己的屏幕上还是通过计算机）直观地看到自己正在执行的操作。传感器可以提供各种因素的有关信息，包括材料供应和能量消耗。较新的制造系统安装有屏幕（人机协作界面）和电子传感器，可对原材料供应、系统状态、能量消耗和许多其他因素提供反馈。工人可以在计算机的屏幕上或机器上看到自己正在执行的操作。人工智能在制造业的应用范围越来越广泛，未来的发展方向也越来越明确。
近期的发展前景包括对实时加工流程和包括工具磨损在内的状态信息显示进行监控。此类应用属于“预测性维护”的范畴。这对人工智能来说是一个明显的机会：读懂来自传感器的连续数据流的算法，找到有意义的模式，通过分析来预测问题，并提醒维护团队在问题发生前把问题解决掉。机器内部的传感器可以监控正在发生的情况。它可能是一个用于监听皮带或齿轮开始磨损的声学传感器，也可能是一个用于监听工具磨损情况的普通传感器。这些信息将与一个可以预测该工具剩余寿命的分析模型连接在一起。
在车间里，增材制造正在成为一种重要的生产模式，并促使在系统中添加了许多新型传感器，监控影响材料和制造技术的新情况，而这些新的制造技术在过去10年中才被广泛引用。
人工智能在制造业中的现状当制造过程出现缺陷时，人工智能正在通过使用数字孪生的手段，实现更精确的制造工艺设计，以及对问题的诊断和解决。数字孪生是对实际部件、机床或者正在制作的部件进行精确的虚拟复制。这不仅仅是一种计算机辅助设计（CAD）模型。它是对部件以及在出现缺陷的情况下该部件会表现出的行为进行的精确的数字表示。（所有部件都有缺陷，这就是为什么它们会出现故障。）将数字孪生应用于制造流程设计和维护离不开人工智能。
大型企业拥有对这些创新活动进行资助的财务实力，同时也可从人工智能的采用中获得巨大的收益。但是，一些最具想象力的应用程序是由中小型企业资助的，例如为技术密集型行业（如航空航天）提供服务的合同设计师或制造商。
许多中小企业正试图通过迅速引用新的机械或技术来超越更大的竞争者。提供这些服务在制造领域显示出与众不同，但有时，它们是在没有必要的知识或经验的情况下实施新的工具和流程。从设计或制造的角度来看，这种情况可能是真实的；因此，要想进入增材制造，挑战相当大。在这种情况下，与大型企业相比，中小企业引用人工智能的动力可能更大：使用能够提供反馈并协助设置和操作的智能系统可以帮助小型初创企业在市场上抢占一席之地。
实际上，端到端工程专业知识可以融入到制造过程中。举例来说，在交付装有人工智能的工具时，可以采取打包的方式，将指导安装、引用的知识、传感器以及对检测操作和维护问题的分析手段一并提供给买方。（这些分析可能包括所谓的“unsupervisedmodels”（“无人监督模型”），这种模型经过培训，可通过寻找奇怪的或“错误的”表现来查找与已知问题无关的传感器的反馈模式。）
这一概念的一个真实例子是DRAMA（用于航空航天的数字化可重构增材制造设施），这是一个于2017年11月启动的，耗资1940万美元的合作研究项目。欧特克是与制造技术中心（MTC）合作以建立“digitallearningfactory”（“数字学习工厂”）原型的公司联盟成员之一。整个增材制造流程链都采用了数字孪生手段；该设施将进行重新配置以满足不同用户的要求，并允许对不同的硬件和软件进行测试。开发人员正在构建一个增材制造的“知识库”，以帮助人们对技术和流程的利用。
航空航天只是众多行业的一个例子，它们可以从制造流程链创建的数字孪生中获益。在前边谈到的DRAMA中，欧特克在设计、仿真和优化方面发挥着关键作用，同时充分考虑到制造过程的下游流程。了解制造流程对每个零件的影响是非常关键的，人类可对这一信息进行自动化处理，然后通过衍生式设计将其引入设计流程，从而使数字设计的性能更接近实际零件。
人工智能在制造业中的发展前景如何？上述情况表明，有关厂商有机会有效地对端到端工作流程进行打包，然后销售给制造商。它可以包括从软件到工厂的实际机械、对机械制作的数字孪生、与工厂供应链系统交换数据的订购系统，以及在输入的信息通过系统时监控流程并收集数据的分析手段。实际上，这就是要创建“盒装工厂”系统。
盒装工厂这样的系统可以让制造商查看今天生产的部件，将其与昨天生产的部件进行比较，确保质量保证措施正在得到实施，并分析生产线上每个流程的无损测试。这种反馈将帮助制造商准确了解制造这些部件所用的参数，然后从传感器数据中查看什么地方存在缺陷。
此处展示的是增材制造“工具箱”的一个示例：集装箱内的机器人正在建筑工地待命作业。该过程的乌托邦构想就是，在一端装入材料，在另一端取出部件，人们只需要对系统进行维护。尽管最终该系统中的大部分工作可以由机器人完成，但在目前的概念中，在设计、决策、监督制造以及一系列生产线的工作仍由人工来完成。该系统可帮助人们了解他们的决策带来的实际影响。
机器学习和自主的人工智能人工智能的力量在很大程度上来自机器学习、神经网络、深度学习和其他自我组织系统在没有人为干预的情况下从自己的经验中进行学习的能力。这些系统可以从大量数据中快速发现重要发模式，而处理这样海量的数据是人类分析师无法完成的工作。不过，在当今的制造业中，人类专家仍在在很大程度上指导着人工智能应用程序的开发，把他们从之前的工程活动中获得的专业知识编码到新的程序中。在该过程中，人类专家借鉴已经发生的情况、出现错误的情况以及工作良好的情况。
尽管人工智能在制造业变得越来越普遍也越来越重要——因为它能够比人类更快地在大量数据中检测模式，但人工智能应用程序的开发仍需要人类专家的指导。因为人工智能可对机载传感器的数据进行分析以进行预防性维护和改进工艺流程，最终，自主人工智能将利用这一专业知识体系，使工人（如增材制造领域的新员工）从操作反馈中受益。这是迈向创新（如自我校正机器）的中间步骤，当工具磨损时，系统会自行调整以保持工作性能，同时建议工人更换磨损的组件。
工厂规划和布局优化人工智能应用程序并不局限于制作流程本身。让我们从工厂规划的角度看一下这个问题。工厂布局是由多种因素决定的，从操作员的安全到流程的效率。这可能需要对工厂进行重新配置以适应短期的系列项目或经常变化的流程。
频繁的变化可能导致原来没有注意到的空间和实际冲突，从而产生效率或安全问题。但是，这些冲突可以使用传感器进行跟踪和测量，人工智能在优化工厂布局方面可以发挥作用。
人工智能可以在工厂的车间布局和优化方面发挥作用，帮助发现潜在的操作员安全问题并提高流程效率。传感器可为人工智能的实时分析捕获数据在采用存在着大量不确定性的新技术时（如增材制造），有一个重要的步骤就是在产品生产后进行无损测试。采用无损测试可能非常昂贵，特别是当它包含固定设备CT扫描仪（用于对制造部件结构完整性进行分析）的时候。在特别零件的制造过程中会获得大量的数据集，机器中的传感器可以链接到建立在该资源之上的一些模型之上。一旦可以使用传感器的数据，便可进行很多有意义的活动，例如通过将该数据与CT扫描中观察到的缺陷联系在一起的方法，构建机器学习模型。传感器数据可以对分析模型认为可能存在缺陷的零件进行标记，而不需要对该零件进行CT扫描。只有那些有可能存在缺陷的零件才会被扫描，而不是在所有零件脱机时都进行例行扫描。
这种操作还可以监控人员使用设备的方式。制造工程师在设计机械时要对将来该机械如何操作作一些假设。人工分析时，有时可能多出一个步骤，而有时却又会漏掉一个步骤，而传感器可以准确捕获这些信息以供人工智能分析。
在对可能被应用的制造流程和工具作业进行调整以适应各种环境条件方面，人工智能也可以发挥作用。以湿度为例，增材制造技术的开发人员发现，某些机器在某些国家并不能按照设计那样正常地工作，于是，在工厂中使用了湿度传感器对有关条件进行监测，有时还会发现一些意想不到的情况。有一次，工作人员发现，在本来被认为是湿度控制的环境中出现了湿度问题，后来发现，是有人到室外抽烟时没有随手把门关住。
有效地使用传感器数据需要开发有效的人工智能模型。这些模型必须经过训练才能理解它们在数据中看到的内容，比如导致这些问题的原因是什么，如何检测这些原因以及要采取什么措施。如今，机器学习模型可以使用传感器数据，预测问题会在何时发生，并提醒排除故障的工作人员采取行动。最终，人工智能系统将能够预测问题并对其做出实时反应。人工智能模型不久将被要求创建主动解决问题和改进制造流程的方法。
衍生式设计人工智能在衍生式设计中扮演着重要的角色，在这个过程中，工程师首先输入一组项目要求，然后由设计软件创建出多个迭代。最近，欧特克收集了大量材料数据用于增材制造，并利用这些数据来驱动一种衍生式设计的模型。对于物料属性如何根据制造过程对单个特征和几何体产生的影响而变化，该原型有一种“理解”能力。
借助人工智能，衍生式设计软件在自动执行日常任务的同时，还可以在相同的时间内比设计师创建出更多的设计迭代。衍生式设计是一种具有适应性的优化技术。许多传统的优化技术把着眼点放在了更普通的部件优化方法上。基于对材料的测试和与大学的协作，衍生式设计算法可以更加具体，侧重于单个功能，充分应用对该功能的力学性能的理解。尽管设计是理想化的，但制造过程是在现实世界中进行的，因此生产条件可能不尽相同。有效的衍生式设计算法需要考虑这一实际情况。
衍生式设计可以在软件中创建最佳设计和规格，然后使用兼容的工具将该设计分发到多个工厂。这意味着规模较小、地理位置分散的工厂也可以制造更多型号的零件。这些工厂可能离需要它们的地方很近；一个工厂今天还在为航空航天制造部件，而第二天就可为其他重要产品制造部件，从而节约了分销和运输成本。这正在成为制造业的一个重要概念，例如在汽车制造业。
灵活且可重新配置的制造流程和工厂车间布局人工智能还可用于优化制造流程，并使这些流程更加灵活和可重新配置。当前的需求可以确定工厂车间的布局并生成一种流程，而这种布局和流程也可以根据未来的需求来调整。那些模型可用来对其进行对比和比较。然后，该分析将判断出最好是使用较少的大型增材制造机器还是使用大量较小的机器，这也许会降低成本，并在市场需求放缓时将其转移到其他项目中。“假设分析”是人工智能常见的应用。
模型将用于优化车间布局和流程排序。例如，可以直接通过3D打印机对增材部件进行热处理。材料进来时可能已经预回火，或者需要重新回火，从而需要另一个热循环。工程师可以运行各种假设分析方案来确定工厂应该拥有何种设备，将流程的几个部分转包给附近的另一家公司可能更有意义。
这些人工智能应用程序可能会改变业务结构，该结构决定工厂将专注于一个封闭的工艺流程，还是接受多个产品或项目，后者将使工厂更具弹性。以航空航天业为例，这一行业正经历着衰退，其制造业务也可能改行制造医疗部件来适应目前的疲软状况。
制造业和人工智能：应用和益处设计、流程改进、减少机器磨损和优化能耗都是可以应用人工智能的制造业领域。这一演变已经开始。
机器变得越来越智能，机器之间以及机器与供应链和其他业务自动化之间，也变得越来越集成。理想的情况是，进入的是材料，出来的是部件，传感器可以监控链条中的每个环节。人们对流程保持控制，但不一定非要在该环境中工作。这将解放出重要的制造资源和工作人员，让他们专注于创新而不是那些可以被自动化代替的重复性工作，从而创造出新的设计和制造组件的方法。
与任何根本性的转变一样，人们对人工智能的采用也不是没有阻力的。人工智能所需的知识和技能可能是昂贵的，而且是稀缺的；许多制造商内部并没有这种能力。他们认为自己的优势在专业能力方面，因此为了证明投资是为了创造新的东西或改进流程，他们需要详尽的证据，并害怕承担因为扩大工厂规模而带来的风险。
这可能使“盒装工厂”的概念对这些公司更有吸引力。更多的企业，特别是中小企业，可以自信地采用端到端打包流程，在该流程中，软件可以与工具作业无缝配合，并使用传感器和分析手段来改进工作。通过增加数字孪生的功能，工程师可以对新模拟的制造流程进行尝试，这也降低了决策的风险。
人工智能在制造业的另一个重点应用领域是预测性维护。这使工程师能够为工厂机器配备经过预先训练的人工智能模型，这些模型融合了累积多时的对该工具作业的知识。根据机器的数据，这些模型可以学习现场发现的因果关系的新模式，以防止出现问题。
在质量检查中，人工智能也扮演着重要角色。这一过程会生成大量数据，因此非常适合机器学习。就拿增材制造来说，就机器如何生产零件、现场条件以及在生产过程中发现的任何问题，一次建造可生成高达万亿字节（TB）的数据。如此海量的数据超出了人类分析的能力范围，但人工智能系统现在已经能够做到这一点。原本适用于增材制造工具的分析可以轻松地用于减材制造、铸造、注塑成型和其他各种制造流程。
如果与人工智能相结合，虚拟现实（VR）和增强现实（AR）可以通过提高生产线工人的速度和精度来帮助缩短设计时间并优化装配线流程。有了虚拟现实和增强现实这类互补技术，人工智能如虎添翼，可以为缩短设计时间并优化装配线流程提供解决方案。生产线上的工人已经配备了虚拟现实和增强现实系统，他们能够看到装配的过程，从而提供可视化指导以提高工作的速度和精度。操作员可以戴上增强现实的眼镜，这种眼镜可以投射出图表以解释如何组装零件。这一系统可以监控工作并提供提示：扳手的转动已足够，扳手的转动尚不足，或者扳机尚未拉下。
在采用人工智能方面，大型企业和中小企业有着不同的关注点。中小企业往往会制造大量的零部件，而大型企业通常会从其他地方采购大量的零部件进行组装。不过也有例外：汽车制造公司对底盘进行大量点焊，但购买并组装像轴承和塑料部件那样的其他零件。
说到零部件本身，目前正出现一个新的趋势，即使用智能部件：这种部件带有嵌入式传感器，可对其自身状况、应力、扭矩等情况进行监控。不过，这种想法对汽车制造还是有一定的挑战性的，因为上述功能更多地取决于汽车的驾驶方式，而不是行驶的公里数；如果每天要在大量的坑坑洼洼的道路上行驶，汽车很可能需要更多的维护。
Tri-DDynamics使用冷金属熔融增材制造技术将传感器嵌入机器中。这种嵌入式传感器（如上图所示）可以发送各种数据，例如温度和环境的其他条件。Tri-DDynamics供图。智能部件可以告诉人们它已到达使用寿命的尽头或已经到了需要检修的时间。这些部件本身不需在外部监控数据点，而是偶尔地用人工智能系统从内部进行检查，以报告一下状态正常；当出现异常情况时，部件才提醒人们注意。这种方法减少了系统内的数据流量，这种流量如果到了一定规模可能会对分析处理性能造成重大影响。
人工智能为厂家增值的最大和最直接的机会在增材制造领域。增材制造流程是主要的目标，因为它们的产品价格更高，而体积更小。未来，随着人工智能的增长和成熟，它在整个制造业价值链中可能变得非常重要。
“人工智能+制造”的机遇与挑战
传统制造企业在全面实施“人工智能+制造”有困难时可以优先发展人工智能质量检测、预测性运营与维护、供应链管理等相对成熟的“人工智能+制造”应用。
人工智能技术可能是继蒸汽机、电力、互联网科技之后推动新一轮产业革命浪潮的革命性技术。在大量的数据、更好的算法和更强的算力的共同推动下，人工智能的应用已经在很多行业落地，逐渐渗透并开始带来实际的价值。
根据壹行研（InnovaReserch）的研究，在全球范围内，人工智能在先进制造、自动驾驶、医疗、金融、安防、电网、家居、零售等数据基础较好的行业的应用场景正在不断建立起来。相关案例包括：人工智能在金融行业的智能风险控制、智能投资顾问、市场预测、信用评级等领域的应用；在医疗领域，人工智能算法被应用到新药研制、辅助诊疗、癌症检测等方面；谷歌、百度、特斯拉、奥迪等新兴科技企业和传统汽车企业巨头纷纷进入人工智能辅助的自动驾驶领域；在制造业，人工智能可以帮助制造企业建立产品的设计模型、优化生产流程和工艺、提升生产效率、降低成本、提升质量。
“人工智能+制造”助力中国制造业升级转型
“人工智能+制造”是将人工智能技术应用到制造业，在自动化、数字化、网络化的基础上，实现智能化。其核心在于机器和系统实现自适应、自感知、自决策、自学习，以及能够自动反馈与调整。人工智能、工业互联网等相关技术的融合应用能逐步实现对制造业各流程环节效率优化。其主要路径是由工业物联网采集各种生产、物流等数据，放到云计算资源中，通过深度学习算法处理后提供流程、工艺等方面的优化建议，甚至实现自主优化，以及在未来实现人类工人与智能机器融合的协同制造。
中国是制造大国，人工智能在制造领域的应用备受重视。2017年12月16日，工业和信息化部发布《促进新一代人工智能产业发展三年行动计划（2018—2020年）》（以下简称《行动计划》），提出鼓励新一代人工智能技术在工业领域各环节的探索应用，提升智能制造关键技术装备创新能力，培育推广智能制造新模式。《行动计划》还进一步提出了加快应用人工智能技术进行制造业改造升级的具体任务，为我国智能制造的深化发展提供有力的支撑。
目前，中国的制造业面临内部和外部多种压力。来自内部的影响包括劳动力成本上升、原材料成本上升、环境压力和市场饱和。外部压力一方面来自西方发达国家的贸易摩擦、关税壁垒、技术封锁、设备和关键零部件禁运等，另一方面来自印度、东南亚低成本新兴国家的竞争。在内部、外部压力越来越大的情况下，提升效率、保证质量、降低成本和节能环保等成为中国制造业升级转型的方向，而人工智能技术在制造业的应用将会助力中国制造业实现这些升级转型的目标。
“人工智能+制造”的机遇与挑战
“人工智能+制造”是中国制造业升级转型的一个重要途径。将人工智能技术用于制造业将有效提高生产效率；实现柔性化生产；提高产品质量，降低人为错误；持续工艺改善，提升成品率，并降低生产成本。未来几年，中国制造业转型升级的巨大需求可以为“人工智能+制造”市场的拓展提供极好的机遇。不过，“人工智能+制造”机遇与挑战并存。
一方面，近年来全球人工智能应用不断拓展，人工智能领域的资金投入迅速增长，人工智能的数据、算力和算法都取得很大的进步，技术可行性越来越高。大数据相关技术在数据输入、储存、清洗、整合等方面作出了贡献，帮助提升了人工智能深度学习等算法的性能。云计算的大规模并行和分布式计算能力带来了低成本、高效率的计算力。
物联网和通信技术的持续发展也为“人工智能+制造”的发展提供了重要的基础设施。在未来5G等无线互联技术的支持下，数据的传输与处理速度将进一步提升。同时，传感器、无线传感网络等技术的发展帮助“人工智能+制造”系统收集大量的制造流程、物流等数据，高质量的海量数据对人工智能数据训练至关重要。总体而言，上述技术的发展使得人工智能赖以学习的标记数据获得的成本在不断下降。
算力增长也为“人工智能+制造”的应用提供了条件。在过去10年间，芯片处理能力提升、云服务普及以及硬件价格下降使计算能力大幅提升。成本不断下降以及算力的提高为“人工智能+制造”的实施提供了保障。
另一方面，中国发展“人工智能+制造”还面临诸多挑战。这表现在以下几点：
首先，关键技术自主能力弱。在“人工智能+制造”所涉及的关键技术上，我国的自主能力还比较弱。相关技术包括半导体芯片、核心装备部件、相关软件、算法等。这些关键技术，尤其是芯片等基础技术，需要大量的人力、物力投入以及长期的技术积累和经验沉淀，短时间内难以突破。
其次，传统制造业的管理模式陈旧。传统制造企业的根基起源于工业时代的大规模、标准化生产，其管理模式仍然以金字塔、多层次、细分化为主。这种企业管理模式灵活性差，较难适应快速变动的制造任务和客户需求。未来，人工智能的实施需要人机协同、人机分工，组织管理也需要更灵活、更高效。为了适应这种变化，很多传统制造企业的管理模式需要改变。
再则，资本投入不足。虽然人工智能行业吸引很多资本涌入，但在“人工智能+制造”应用领域的资本投入比较少。这主要是由于传统制造业利润普遍不高，而传统制造企业的改造升级涉及大量的设备、软件和硬件更新与改造，需要长期、大量的资本投入，投资周期长，短期效益很难显现。因此，虽然“人工智能+制造”的概念深入人心，但真正拿出真金白银投入的相对较少。
最后，制造业细分领域众多，每个细分的行业标准不一。即使在同一制造业领域，企业情况也是千差万别的。因此，“人工智能+制造”项目实施面临的情况十分复杂，没有什么统一的标准可言。例如，在企业车间往往有大量不同厂牌的数字化机床和其他工业自动化产品，涉及很多不同的工业以太网和现场总线标准，厂家软硬件不兼容的情况非常普遍。由于数据格式不兼容，只是进行设备改造，将底层数据收集上来就要花费很多时间和精力，还需要对这些数据进行清洗和转化。对传统制造企业来说，相关标准缺少和复杂的生产线现状使得实施“人工智能+制造”困难重重。
从相对成熟的“人工智能+制造”场景入手
“人工智能+制造”实施投入大，传统制造企业实施相关项目的复杂程度较高。不过，壹行研（InnovaResearch）研究发现，在众多的“人工智能+制造”应用场景中有一些技术相对成熟，并有了相当数量的项目落地。这些相对成熟的“人工智能+制造”的应用主要包括以下几种。
●质量检测
电子制造、汽车等行业工序复杂，在线检测的环节比较多，需要对产品进行大量的、基于视觉识别的质量检测、缺陷检查等。传统的质量检测以人工为主，人工识别精度有限，检测速度慢、误差大、成本高，工人长时间工作容易疲劳，容易出现次品漏检现象。另外，工人经验很难量化，工人流动性高，经验难以积累，难以指导生产线优化，而培训工人的时间较长、花费较高。
使用工业相机或高清摄像头捕捉产品组件、电路模块等在生产和组装过程中的图像和视频，可以提供给人工智能软件进行分析判断。在开始时用人工检查员进行二次检查和确认，人工智能技术可对当前和历史数据进行智能分析与处理，而人工的判断可以反过来帮助人工智能完善算法，指导人工智能系统持续学习。该系统的检测准确率能随着经验积累而持续改善。
例如，腾讯云帮助福耀玻璃工业集团股份有限公司实现了质量检测工序替代80%的人力，并且不良品检出率为90%以上。该系统使用的视觉洞察（VisualInsights）技术，前端使用高清摄像头，后端使用人工智能算法。云端处理器通过训练不断识别合格和异常产品图像的差异，进行快速学习、训练，并完成人工智能算法的建模。
又如，日本NEC公司推出的机器视觉检测系统可以逐一检测生产线上的产品，从视觉上判别金属、人工树脂、塑胶等多种材质产品的各类缺陷，从而快速检测出不合格品并指导生产线进行分拣，在降低人工成本的同时提升出厂产品的合格率。
人工智能视觉检测可以最终实现无须人力的机器自主质检，且全天候无间断。目前，人工智能视觉检测过程用时已经可以做到比人工检测时间缩短80%，有效节约了检测的人工成本。另外，计算机视觉检测精准度高，可以检测到肉眼无法检测的微小瑕疵，且判断标准一致，保持了检测过程的一致性。
人工智能检测在电子、汽车等制造行业的质量控制环节应用越来越广泛。在有些案例中，使用人工智能结合物联网和大数据技术已经能够实现把产品质量的自动监控扩展到整个生产流程。这不仅能提高质量检测效率，还能指导工艺、流程等改善，提高整体良品率。
●预测性运营与维护
传统上，工厂流水线车间一直采用被动式维护，只是在设备产生故障之后，才采取一定的措施来修理，也有采用工人定期巡检的方式来发现问题。这些维护方式过度依靠人工，且效率低下。
基于人工智能的预测性运维系统可以利用机器学习、处理设备的历史数据和实时数据，搭建预警模式，提前更换即将损坏的部件，从而有效地避免机器故障的发生。企业可以借助人工智能运维系统来减少设备故障和由此带来的损失，提高设备利用效率。
例如，美国初创企业Uptake公司凭借大数据、人工智能等技术提供端到端服务，以工业设备故障预测分析、性能优化为主营业务。国内科技创新型企业智擎信息技术（北京）有限公司的故障预测解决方案也可以提前2～4天预判故障，从而降低运维成本和备品备件库存成本，提升设备可利用率和整体运转性能。此外，还有公司推出基于人工智能的轴承健康状态感知系统，利用深度学习方法对轴与轴承部件的状态参数进行大量的历史数据分析，判断轴承的运行寿命。这项技术使设备年平均大修次数降低67%，系统诊断及维护响应时间少于1小时，从而大大缩短了维护周期，提高了设备利用率。
●供应链管理
电子等制造行业的零部件供应商来自全球各地，供应链比较长，涉及的元器件种类和分销渠道的流通环节非常多，容易受到国际政治、天灾人祸等因素的影响。传统供应链管理的效率低、流通成本高、需求预测不准、供应响应不足、应对供应链波动的能力不足、厂商的库存管理成本比较高。
供应链管理落后可能带来巨大损失。例如，2018年上半年存储芯片、硅片、贴片电容（MLCC）全线短缺，价格疯涨，很多电子制造业OEM厂商付出几倍甚至几十倍的价格购买芯片，甚至因为元器件缺货造成一些厂商生产线停产。
使用机器学习深入研究供应管理环节，分析需求、计划和库存，建立实时、精准匹配的供需关系，通过掌握和预测需求动态变化能够有效地促进供应链调整优化。借助人工智能，可以帮助制造业企业实施多级库存、计划生产等库存动态调整，最终实现采购和补货的半自动甚至全自动化。
人工智能可以基于大数据进行需求预测，这些大数据不仅来自供应链内部的各个环节，还来自行业外的数据，如贸易促销、媒体活动、新产品发布、季节性变化，甚至气候数据预测等。一些公司还利用机器学习算法识别需求模式，其手段是将仓库、企业资源计划（ERP）系统与客户洞察的数据合并利用，使用人工智能算法进行有效分析和判断。
在供应链运营方面，美国多式联运运输公司罗宾逊全球物流（C.H.Robinson）针对卡车货运的运营需求开发了用于预测价格的机器学习模型。模型既整合了不同路线货运定价的历史数据，又将天气、交通以及社会经济突发因素等实时参数加入其中，为每一次货运交易估算出公平的交易价格，在确保运输任务规划合理的前提下实现企业利润的最大化。
用人工智能进行供应链管理和预测可以有效地减少预测误差、提高库存周转率，并能有效地优化库存分布。人工智能掌握和预测需求的动态变化，尤其适合于电子制造、汽车及相关零配件、食品饮料等市场需求变动较大、供应链体系复杂的行业。
综上所述，“人工智能+制造”是中国制造业转型升级的重要途径，其发展的机遇与挑战并存。传统制造企业在全面实施“人工智能+制造”有困难时可以优先发展人工智能质量检测、预测性运营与维护、供应链管理等相对成熟的“人工智能+制造”应用，实现“人工智能+制造”的单点突破。这些系统可以独立运作，带来实实在在的收益，也可以在未来并入“人工智能+制造”大系统。
厉俊，壹行研（InnovaResearch）创始人、总经理。壹行研是领先的、专注于新技术的行业研究公司，研究领域涵盖新材料、新能源、工业互联网和机器人、电动汽车和储能等。
作者：厉俊
本文来自《张江科技评论》
人工智能的三大领域及其工业应用
人工智能是一门新兴的技术学科，研究和开发用于模拟人类智能的扩展和扩展的理论，方法，技术和应用系统。人工智能研究的目标是让机器执行一些复杂的任务，这些任务需要聪明的人来完成。也就是说，我们希望机器可以代替我们来解决一些复杂的任务，不仅仅是重复的机械活动，而是一些需要人类智慧才能参与的任务。
在本文中，我将解释人工智能技术的三个主要方向，即语音识别，计算机视觉和自然语言处理。
[[328302]]语音识别
语音识别使计算机能够进行聆听，包括我们可以在日常生活中使用的iPhone上的Siri;在Google语音输入中，您可以说出一个句子，然后变成文字;与Google地图通话即可说出我要去的地方，它可以自动为您生成导航。这些是语音识别的一些应用。语音识别可以分为三个方面：
语音合成，包括在线和离线语音合成;语音识别，包括语音听写和其他方面;语义理解是使用神经网络提取语音的含义，包括语音评估和我们一些常用机器翻译的某些功能。计算机视觉
计算机视觉使计算机看到。我们希望计算机可以代替人眼的某些功能。例如，有一种非常有用的文档分析技术，称为OCR。我们可以让计算机扫描文档并阅读。例如，我们可以获得发票，以便计算机可以立即对其进行扫描，然后从发票中提取有关金额，税率和我们关心的其他信息。在智能医疗诊断领域中有一些关于计算机视觉的研究。尽管它尚未在市场上出售，但我相信将来会有广泛的应用场景。同时，在军事领域，无人驾驶飞机正在取代人类观察和测量导弹的轨迹。
计算机视觉的流行方向是：
对象识别和检测。计算机可以快速检测出我们通常从照片中看到的内容。例如，如果我们拍出一个旅游区的风景照片，我们可以立即识别出上面的植物，人，动物或车辆，计算机也可以。对象运动跟踪。我们已经在某个帧上捕获了对象的图像。在随后的视频中，我们可以不断跟踪该对象的变化和状况。这不是一件容易的事。难以准确识别物体，因为物体会不断受到阳光和光线的影响。另一个是计算机查看图片和说话的功能。例如，给定图片，计算机可以识别图片中包含的内容，然后告诉一些预制的内容。现在，许多展厅已经使用了这项技术。它可以预制解释性单词和指导性单词。参观者仅需使用手机或其他设备即可扫描展品或展区中的某些指定位置，以听到相关的指导词。
自然语言处理
从现在开始，我们的计算机可以听我们说的话并看到我们看到的内容。但是我们想要更多。我们更喜欢与计算机交互，使用自然语言进行交流，这是自然语言处理的目的。现在，自然语言处理已用于机器翻译，信息检索和对话系统中。
计算机翻译：主要包括机器同声翻译。
信息检索：例如，当我告诉计算机我要寻找的内容时，它可以为我搜索相关的内容。智能的客户服务：我们通过语音与计算机互动，并让计算机回答我们的问题。自然语言处理不是那么简单。这是相对困难的。我们必须解决以下问题。第一个是语言上的歧义，有时可以用两种或更多种可能的含义或方式来理解一个句子。例如，"我去了银行。"银行可以是存放金钱的地方，也可以是河流的边缘。
[[328303]]另外，我们需要解决语言的鲁棒性。我们经常在日常演讲中说错别字，或者说少一些单词，或者说多于原始含义的单词，这会影响该语言的鲁棒性。另外，可能还有其他昵称可能指向同一个人。
另一个是知识依赖。我们通常使用知识图来解决知识依赖问题。假设"大鸭梨"(中文是大梨)是一种水果，也是北京一家非常有名的烤鸭店的名字。就像"七日游"一样，它可以代表时间，也可以代表酒店的名称。这些都取决于一些背景知识，我们需要使用知识库或知识图来解决此问题。
另一个是上下文。根据对话的上下文，我们可以准确地判断该说些什么。例如，"我想吃大亚里"，"大亚里"可能代表一种水果。"我们去大亚里"，然后"大亚里"代表一家餐馆。在不同的对话中，不同的表达方式表现出不同的含义。
摘要
在我们转向人工智能的工业应用之前，我们先总结一下在上一部分中学到的知识。我们学习了语音识别。计算机可以听到我们的声音并做出一些响应，例如将我们的单词翻译成文本。然后我们研究了计算机视觉，它让计算机看到了。计算机可以通过查看图像来识别图像中的某些对象，并且还可以跟踪连续图像中对象的变化。这些是计算机解决的一些热门话题。然后，最后，我们了解了自然语言处理，也就是说，计算机不仅需要听我们说的话，他们还可以理解我的话，然后他们才能给我们一些反馈。
人工智能的行业应用
民安
首先，让我们告诉您有关民事安全领域的信息。随着智能家居的普及，人工智能逐渐在民安领域中发挥了作用。例如，家用安全摄像机可以从视频中学习并通过日常拍摄来识别属于我们家庭的摄像机。当我们的家庭进入视频监控范围时，它不会触发警报。但是，当外人非法进入时，它将立即向我们发出警报，例如向我们发送短信或发出响亮的警报声。这些是智能安全摄像机的一些简单应用。
[[328304]]运输
在交通领域，我们可以通过人工智能分析交通视频，并利用数据做出决策。我们可以分析当前道路是否拥堵以及情况如何，然后使用人工智能自动做出决策。例如，让AI调整交通信号中的时间以指挥交通，或者实施大规模的交通联动调度以提高整个城市的运营效率。
[[328305]]公安
在公共安全领域，人工智能还具有使用图像识别和面部识别的特别明显的应用。例如，我们在大量视频信息中发现了嫌疑人的线索;或给定特定特征，人工智能从与视频特征匹配的人员或物品中提取信息，这是快速而准确的。
自动驾驶
人工智能在自动驾驶领域也有许多应用。自动驾驶实际上需要很多技术，包括对环境的感知。我们通过一系列设备(例如相关的摄像机，激光测距仪，微传感器，车辆雷达等)感知周围环境，然后通过人工智能将这些信息整合在一起，以确定周围环境的状况。在基于环境感知的结果收集了行为决策所需的所有信息之后，有必要使用人工智能来决定汽车接下来应该做什么，是应用制动器还是加速器。最后一个是动作控制模块。AI做出决定后，必须将该决定传递给运动控制模块以控制汽车，例如实际踩下制动器或实际踩下油门踏板。
智能机器人
智能机器人在服务行业，教育行业和医疗行业中具有巨大的应用潜力。例如，许多银行现在都具有自动问答机器人，该机器人可以引导来银行的人进行业务，排队排队或只是介绍一些业务，这提高了银行的效率，并且为方便客户，大多数人去银行开展业务。
人工智能在电信行业中的应用
[[328306]]
在网络领域，网络自助服务机器人，智能VoLTE语音质量测量，智能家庭宽带安装已实现了人工智能技术的大规模应用。在安全领域，反欺诈系统已经能够拦截骗局电话在中国，每月的拦截量超过1400万次。在管理领域，合同和账单的审计点也已实施。智能机器取代了人工审核，每年可以节省数亿美元的成本。在客户服务领域，智能客户服务问答机器人目前每月可以回答超过2.1亿次。在垂直行业中，电信公司正积极在各个行业中部署AI应用程序，包括智能教育，智能医疗，智能交通，智能工业，智能农业等方面。
摘要
最后，我们总结了这一部分的学习内容。在这一部分中，我们已经学习并了解了民用安全领域的人工智能安全摄像机。通过视频识别，交通领域的人工智能可以通过机器学习为我们的交通决策提供基础，甚至可以自动做出决策。在公共安全领域，图像识别可以为检测公共安全案件和嫌疑人的位置提供快速的基础。
自动驾驶汽车不仅使用人工智能技术使汽车能够感知周围环境，而且还可以让汽车做出下一步的决定，并操纵汽车以达到自动驾驶的目的。智能机器人在我们的生活中也很常见。他们通常扮演客户服务的角色来帮助我们。最后，我们简要介绍了人工智能在电信行业中的应用和发展，主要介绍了移动公司和人工智能客户服务机器人所使用的人工智能网络平台。
盘点人工智能在制造业中的应用
记者从智博会获悉，中国人工智能市场规模年均增长率超过40%，但23.4%的投资是在商业及零售领域，18.3%在自动驾驶，而制造业相关的人工智能投入不到1%。
据悉，我国将完善人工智能产业发展政策体系，今年的主要任务是推动人工智能与实体经济深度融合，近期将制定出台人工智能与实体经济融合指导意见。人工智能与制造业深度融合将成重中之重，将加快基础设施建设，实施人工智能重大科技项目，建设高水平人工智能创新基地和开放平台，打造一批优势产业集群。
人工智能应用广度深度远超预期
我国人工智能呈现爆发式增长。记者从智博会上获悉，中国人工智能市场规模年均增长率超过40%。日前发布的《中国人工智能发展报告2018》显示，2017年中国人工智能市场规模达到237亿元，同比增长67%，预计2018年市场增速将达75%。
地方纷纷制定人工智能相关规划和方案。四川省政府常务会议8月23日审议通过的《四川省新一代人工智能发展实施方案》提出，力争到2020年，人工智能核心产业规模超500亿元，带动相关产业规模3000亿元以上，促进四川人工智能产业进入全国先进行列。
8月14日发布的《广东省新一代人工智能发展规划》提出，到2020年，广东省人工智能核心产业规模突破500亿元，带动相关产业规模达到3000亿元;初步建成10个以上人工智能产业集群，力争打造成为国内人工智能创新和应用高地。
“人工智能成为推进供给侧结构性改革的新动能和振兴实体经济的新机遇。由于技术的迅猛发展、投融资力度的加大以及地方政府和科技界、工业界的广泛合作，人工智能应用的广度和深度均大大超出预期。”工信部科技司巡视员毕开春在此前工信部信息中心举办的一次活动上说。
据了解，推动人工智能和实体经济深度融合，成为今年完善人工智能产业发展政策体系的主要任务。今年上半年，工信部开展了人工智能与实体经济深度融合项目遴选工作，目前已经初步完成评审。近日工信部还组织了由各省市工业和信息化主管部门、部属单位负责人参加的人工智能与实体经济深度融合推进会。
制造业在人工智能应用中最具潜力
虽然人工智能加快向各领域渗透，但在制造业的应用仍是短板。德国思爱普全球高级副总裁李强在智博会上指出，中国的数字经济取得了举世瞩目的成就，特别是在消费互联网领域，中国已经是领军国家。因此，在新一轮人工智能热潮中，企业创业者和资本继续向消费互联网领域倾斜。通过对中国过去三年最大的300项人工智能项目进行分析显示，23.4%的投资在商业及零售领域，18.3%在自动驾驶，而对于制造业相关的人工智能投入不到1%。
“与此形成鲜明对比的是，制造业恰恰是人工智能应用场景最具潜力的区域，人工智能能够大幅度提升劳动生产力，进而推动GDP增长。”李强指出，根据分析报告，到2030年，因人工智能的推动，全球将新增15.7万亿美元的GDP，中国就占7万亿美元;到2035年人工智能将推动劳动生产力提升27%，拉动制造业的GDP高达27万亿美元。
工信部装备工业司副巡视员钱明华在智博会上指出，智能制造是新一轮产业变革的核心内容，是制造业高质量发展的必由之路。据悉，我国将加快实施智能制造工程，优先培育和发展一批战略性新兴产业集群。
“不容忽视的是，人工智能仍属于前沿领域，各地在人才储备、技术架构、实施路径、行业标准及产业生态等方面均存在一定的发展瓶颈。”中国社科院工业经济研究所副研究员渠慎宁对记者表示，我国人工智能产业总体发展尚不成熟，与现行制造体系的融合度偏弱，需要在工艺、产线、产品、服务等层面开展大量应用实践。同时，行业标准缺位。人工智能应用特别是在制造业的应用需要部署大量专用传感器，而现阶段工业现场的数据通信标准之间通常不能兼容。
产业交融将产生溢出效应
毕开春透露，近期工信部将组织研究并制定出台人工智能与实体经济融合指导意见。“制造业是实体经济的重中之重，要深化人工智能与实体经济各领域的深度融合特别是和制造业的深度融合，为制造业赋能，为实体经济助力。”据悉，下一步我国将加快基础设施建设，实施人工智能重大科技项目，突破前沿理论和关键技术，完善相关标准和测试认证体系，加快布局建设高水平人工智能创新基地和开放平台，搭建产业对接平台，加快形成一批特色突出、辐射带动作用强的人工智能产业集群。
华为公司董事长梁华在会上指出，人工智能的关键是基础研究的突破和应用的场景化，但不能为人工智能而人工智能。要针对实际应用场景，充分利用算法、算例和数据积累，来产生实际效果和收益。
中国通信工业协会区块链专委会副主任委员于佳宁对记者表示，“产业化”、“应用化”是未来几年人工智能的两大发展方向。基础设施的建设是人工智能产业发展的关键。应从基础设施开始布局，按照端、网、云的层次，从终端的传感器芯片到整个计算芯片，再到整个光通信的基础设施的布局，提升人工智能的基础计算能力。在建设行业标准层面，通过组织联盟等形式联合制定相应的标准化数据接口及应用参考架构。
“下一步还要提高人工智能技术和人工智能产业向实体经济的渗透率。”工信部信息中心高级经济师宋瑞礼在接受记者采访时指出，一是推进“人工智能技术+实体经济”深度融合。围绕人工智能芯片及传感器、机器人及智能硬件、智能无人系统及软件等领域，加大资金、人力和政策扶持投入，建设人工智能技术创新体系。二是推进“人工智能产业+实体经济”深度融合。建设一批智能制造、工业互联网创新中心，培育孵化一批智能基础产业，鼓励高端装备、集成电路、生物医药、无人驾驶等新产业与智能产业的有效衔接，提高人工智能服务实体经济的配套能力。
“面向未来，人工智能技术和产业的交融将显现出更加显著的溢出效应，从而进一步带动技术进步和产业创新，推动经济社会的高质量发展。”毕开春说。