制(zhì)造業人(rén)工智(zhì)能(néng)8大應用場景！
發(fā)布時間(jiān)：2020-12-18 15:47:13 浏覽次(cì)數：
摘要：
導讀随(suí)着智能制造熱(rè)潮的(de)到來，人工(gōng)智能應用已經貫穿(chuān)于設計、生(shēng)産、管(guǎn)理和服務等制造業的各(gè)個環節。人工智(zhì)能的(de)概(gài)念第一(yī)次被提出，是在(zài)20世紀50年代(dài)，距今(jīn)已(yǐ)六(liù)十餘年的(de)時間(jiān)。然而直到(dào)近幾年，人(rén)工智(zhì)能才(cái)迎來爆發(fā)式的
随着(zhe)智能制(zhì)造熱(rè)潮的到來(lái)，人工智能(néng)應用(yòng)已經貫穿(chuān)于設計、生産、管理和(hé)服(fú)務等制造業(yè)的各(gè)個環節。
人(rén)工智能的概念第一次被(bèi)提出(chū)，是在(zài)20世紀(jì)50年代(dài)，距今已六(liù)十餘(yú)年的時間。然而(ér)直到近幾年，人(rén)工智能才迎來(lái)爆發(fā)式的增長(zhǎng)，究其(qí)原(yuán)因，主要(yào)在于日趨成(chéng)熟(shú)的物聯網、大數(shù)據、雲(yún)計(jì)算等技(jì)術。
物聯(lián)網使得(dé)大量數據(jù)能夠(gòu)被實(shí)時獲(huò)取，大數據爲深度學(xué)習提供了數據(jù)資源(yuán)及算法支(zhī)撐，雲計算則爲(wèi)人工智能提供(gòng)了靈活的計算資源。這(zhè)些技術(shù)的有機結(jié)合，驅動(dòng)着(zhe)人(rén)工智能(néng)技術(shù)不斷發展(zhǎn)，并取得了(le)實質(zhì)性的進展(zhǎn)。alphago與李(lǐ)世石的人機大(dà)戰，更是将(jiāng)人工(gōng)智能推到了風(fēng)口浪尖，引爆了新一輪的(de)人工(gōng)智能熱潮。此後(hòu)的近幾年(nián)，關于(yú)人工智能(néng)的研(yán)究和應用開始(shǐ)遍地開(kāi)花。随着(zhe)智能(néng)制造熱潮(cháo)的到來，人工智(zhì)能應(yīng)用已經貫(guàn)穿于設計(jì)、生産(chǎn)、管理和服務等(děng)制造(zào)業的各個(gè)環節。人工(gōng)智能技術(shù)的三個層(céng)次
人工智能技(jì)術和産品經過(guò)過去幾年(nián)的實(shí)踐檢驗(yàn)，目前應(yīng)用較爲成(chéng)熟，推(tuī)動着人(rén)工智能(néng)與各行各業的(de)加(jiā)速(sù)融合。從技(jì)術層(céng)面來看，業界廣泛認(rèn)爲，人(rén)工智(zhì)能的核心(xīn)能力可以分爲(wèi)三個(gè)層面，分别(bié)是計算智能、感(gǎn)知智能、認(rèn)知智(zhì)能。計算(suàn)智能即(jí)機器具(jù)備超強的(de)存(cún)儲(chǔ)能力(lì)和超快的(de)計算能力(lì)，可以(yǐ)基于海量數據進行(háng)深度學習(xí)，利用(yòng)曆史經(jīng)驗指導(dǎo)當前環境(jìng)。随着計(jì)算力的(de)不斷發展(zhǎn)，儲存(cún)手段(duàn)的不斷升(shēng)級，計算智(zhì)能可以說已經(jīng)實現(xiàn)。例如(rú)alphago利(lì)用(yòng)增強學習(xí)技術(shù)完勝(shèng)世界圍棋冠軍(jun1)；電商平台(tái)基(jī)于(yú)對用戶購(gòu)買習慣的深(shēn)度學習(xí)，進行個性(xìng)化商品推薦(jiàn)等。感知智能是(shì)指使機(jī)器(qì)具備視覺、聽覺、觸覺(jiào)等感知(zhī)能力，可(kě)以将非(fēi)結構化(huà)的數(shù)據結構化(huà)，并用(yòng)人(rén)類(lèi)的溝通方(fāng)式與(yǔ)用戶(hù)互動。随着各類(lèi)技術發展，更多非結構化數據(jù)的價值(zhí)被重視(shì)和挖掘，語音、圖(tú)像(xiàng)、視(shì)頻、觸(chù)點等(děng)與感(gǎn)知相關的(de)感知(zhī)智(zhì)能(néng)也在快速發展(zhǎn)。無人駕駛汽車、著名的波士頓動力(lì)機器人等就(jiù)運用了感知(zhī)智能(néng)，它通過各(gè)種傳(chuán)感器(qì)，感知周圍環境并進行處(chù)理，從而有效指導其運行(háng)。相較于計算(suàn)智能(néng)和感知智(zhì)能，認知智能更(gèng)爲複雜，是(shì)指機(jī)器像人一樣，有(yǒu)理解能力、歸納(nà)能力、推理能力(lì)，有運用知識的(de)能力(lì)。目前認知(zhī)智能技術還在(zài)研究探(tàn)索(suǒ)階段(duàn)，如在(zài)公共(gòng)安全(quán)領域(yù)，對犯罪者(zhě)的微觀行(háng)爲和(hé)宏觀(guān)行爲(wèi)的特(tè)征提(tí)取和模式(shì)分析，開(kāi)發(fā)犯罪(zuì)預測(cè)、資(zī)金(jīn)穿透(tòu)、城市犯罪演化(huà)模拟(nǐ)等人工智(zhì)能模型和(hé)系統(tǒng)；在金融行業，用(yòng)于識别可疑(yí)交(jiāo)易、預(yù)測(cè)宏(hóng)觀經(jīng)濟波動(dòng)等(děng)。要将認知智能(néng)推入(rù)發展(zhǎn)的快(kuài)車道(dào)，還有很長(zhǎng)一段路要(yào)走。人工智(zhì)能制(zhì)造業應用(yòng)場景
從(cóng)應用層(céng)面來看，一項(xiàng)人(rén)工智能(néng)技(jì)術的(de)應用可能(néng)會包含計(jì)算智能、感(gǎn)知(zhī)智能等(děng)多個(gè)層次的核心(xīn)能(néng)力。工(gōng)業機器人(rén)、智能手機、無人(rén)駕駛(shǐ)汽車、無人(rén)機等(děng)智能(néng)産品(pǐn)，本身就是人工(gōng)智能的載體，其(qí)硬件與各類軟(ruǎn)件結(jié)合具備感知、判斷的能力(lì)并實時與用戶、環境互(hù)動，無不(bú)是綜合了多種人工(gōng)智能(néng)的核心能力。
例如，在(zài)制造業中(zhōng)被廣泛應用(yòng)的各種(zhǒng)智能(néng)機(jī)器人：分揀/揀選機器人(rén)，能夠自(zì)動識别(bié)并抓(zhuā)取(qǔ)不規則(zé)的物體；協(xié)作機器人能(néng)夠理解(jiě)并對周圍(wéi)環境做出(chū)反應；自動(dòng)跟随物料小車能夠通(tōng)過人臉(liǎn)識别實(shí)現(xiàn)自動跟随(suí)；借助slam（simultaneous
localization and
mapping，同步(bù)定位與(yǔ)地(dì)圖構(gòu)建）技(jì)術，自(zì)主移動機器人可以利用自(zì)身攜帶(dài)的傳感器識别(bié)未知環境中的(de)特征(zhēng)标志(zhì)，然後(hòu)根據機器(qì)人與(yǔ)特征标志之間的相對位置和(hé)裏程計(jì)的讀數(shù)估計機器人(rén)和特征标志(zhì)的全(quán)局坐(zuò)标(biāo)。無人駕(jià)駛技術(shù)在定位、環境感(gǎn)知、路徑(jìng)規劃、行(háng)爲(wèi)決策(cè)與控(kòng)制(zhì)方面，也(yě)綜合應用了多(duō)種人(rén)工智能技(jì)術(shù)與算法(fǎ)。目前(qián)制造(zào)企業中應用的人工(gōng)智能(néng)技術(shù)，主(zhǔ)要圍繞(rào)在智(zhì)能語音交(jiāo)互産(chǎn)品、人臉識(shí)别、圖像識别、圖像搜索、聲紋識(shí)别、文字(zì)識(shí)别、機器翻譯、機器學(xué)習、大數據(jù)計算(suàn)、數據可視化等(děng)方面。下文則總結制(zhì)造(zào)業中常(cháng)用的(de)八大人工(gōng)智能應用場景(jǐng)。制造業(yè)上(shàng)有許(xǔ)多需(xū)要分撿的(de)作業，如(rú)果采用(yòng)人工的作業，速(sù)度緩(huǎn)慢且成本(běn)高，而且還需要(yào)提供适宜的工作溫(wēn)度(dù)環境。如(rú)果采(cǎi)用(yòng)工業機(jī)器人進行智能(néng)分揀，可(kě)以大幅減低(dī)成本，提高(gāo)速度。
以(yǐ)分揀零(líng)件爲例。需要分撿的零件通常(cháng)并沒(méi)有(yǒu)被整齊(qí)擺放，機器人雖(suī)然有攝像頭可(kě)以看到零(líng)件，但(dàn)卻不知道(dào)如何(hé)把零(líng)件(jiàn)成功地(dì)撿起(qǐ)來。在這種(zhǒng)情況下，利(lì)用機(jī)器學(xué)習(xí)技術，先讓機器人(rén)随機(jī)進行(háng)一次分撿動作(zuò)，然(rán)後告訴(sù)它這次動(dòng)作是(shì)成功分(fèn)撿到零(líng)件還是抓(zhuā)空了(le)，經過多次(cì)訓練(liàn)之後，機器人就(jiù)會知道(dào)按照怎(zěn)樣的順序來分(fèn)撿才(cái)有更(gèng)高的(de)成功(gōng)率；分(fèn)撿時夾哪(nǎ)個位(wèi)置會(huì)有更(gèng)高(gāo)的撿起(qǐ)成功(gōng)率；知道按(àn)照怎(zěn)樣(yàng)的(de)順序(xù)分撿，成功(gōng)率會(huì)更高(gāo)。經過幾個(gè)小時(shí)的學(xué)習，機(jī)器人(rén)的分撿(jiǎn)成功率可以達到90%，和熟練(liàn)工人的水平(píng)相(xiàng)當(dāng)。基于對設(shè)備運(yùn)行數據的(de)實時監測(cè)，利(lì)用特征分析和(hé)機(jī)器學(xué)習技(jì)術，一方(fāng)面可以在事(shì)故發生前進行設備(bèi)的故(gù)障(zhàng)預測，減(jiǎn)少非計劃性停(tíng)機。另一方面，面對設(shè)備的突發(fā)故障(zhàng)，能夠(gòu)迅速(sù)進行(háng)故障診斷(duàn)，定位故障原因(yīn)并提供相應(yīng)的(de)解決方案(àn)。在制(zhì)造行業應用較(jiào)爲常見，特(tè)别是化工、重型設備(bèi)、五金加工(gōng)、3c制造、風電等行業。以(yǐ)數控機床爲例，用機(jī)器學(xué)習算(suàn)法(fǎ)模型和智能(néng)傳感(gǎn)器等技術手段監測(cè)加工(gōng)過程中的(de)切削(xuē)刀、主軸(zhóu)和(hé)進給電機(jī)的功率、電(diàn)流、電壓等(děng)信息(xī)，辯識(shí)出刀具的(de)受力、磨(mó)損、破損(sǔn)狀态(tài)及(jí)機床加工的穩定性狀态，并(bìng)根據這些狀态(tài)實時(shí)調整(zhěng)加工參(cān)數（主軸(zhóu)轉速(sù)、進給速度(dù)）和加工指令，預(yù)判何時需要換(huàn)刀，以提(tí)高加工(gōng)精度、縮(suō)短(duǎn)産線(xiàn)停工(gōng)時間(jiān)并提(tí)高設備運行的(de)安全(quán)性。
圖1 基于(yú)深度(dù)學習(xí)的刀(dāo)具磨損狀态預測（來源：華中科(kē)技大學(xué) 李斌教(jiāo)授）場景(jǐng)三：基于視(shì)覺的表(biǎo)面缺陷(xiàn)檢測
基于機器(qì)視(shì)覺的表(biǎo)面缺(quē)陷檢(jiǎn)測應用(yòng)在制造業已(yǐ)經較(jiào)爲常見(jiàn)。利用機(jī)器視覺(jiào)可以在環(huán)境(jìng)頻繁變化(huà)的條(tiáo)件下(xià)，以(yǐ)毫(háo)秒爲(wèi)單位快速(sù)識别出(chū)産(chǎn)品表面更(gèng)微小(xiǎo)、更複(fú)雜的産品(pǐn)缺陷，并進行分類，如(rú)檢測産品(pǐn)表面(miàn)是否有(yǒu)污染物(wù)、表面損傷、裂縫(féng)等(děng)。目(mù)前已有工(gōng)業智能企(qǐ)業将(jiāng)深度學習(xí)與3d顯微鏡結(jié)合(hé)，将缺(quē)陷檢測(cè)精度提(tí)高到納米級。對(duì)于檢測出(chū)的(de)有(yǒu)缺陷的産品，系統可以(yǐ)自動做(zuò)可修(xiū)複判定，并(bìng)規劃修複路徑(jìng)及方法，再由設(shè)備執行修(xiū)複動(dòng)作。
例如，pvc管(guǎn)材是(shì)最常用(yòng)的建築材(cái)料之(zhī)一，消耗(hào)量巨大，在(zài)生産(chǎn)包裝過程(chéng)中容易存(cún)在表面劃(huà)傷、凹坑，水紋，麻(má)面等(děng)諸多類型(xíng)的缺陷，消(xiāo)耗(hào)大(dà)量的人(rén)力(lì)進行(háng)檢測。采用(yòng)了表(biǎo)面缺(quē)陷(xiàn)視覺自(zì)動檢測後，通過(guò)面積(jī)、尺(chǐ)寸(cùn)最小(xiǎo)值、最大值(zhí)設定(dìng)，自動進行管材(cái)表面(miàn)雜質檢測(cè)，最小(xiǎo)檢測精度(dù)爲0.15mm²，檢出(chū)率大于(yú)99%；通過(guò)劃傷(shāng)長度、寬度的最小值(zhí)、最大值設定，自(zì)動(dòng)進行管(guǎn)材表(biǎo)面劃(huà)傷檢測，最小檢測精度爲(wèi)0.06mm，檢出率大于99%；通(tōng)過褶皺長度、寬度(dù)的(de)最(zuì)小(xiǎo)值、最(zuì)大值、片段長度、色差阈值(zhí)設定(dìng)，自動進(jìn)行(háng)管材(cái)表面(miàn)褶皺(zhòu)檢測，最小檢(jiǎn)測精度(dù)爲10mm，檢出率大于(yú)95%。圖2 pvc管材表(biǎo)面褶皺檢測(cè)（來源：維視智造）場(chǎng)景(jǐng)四：基(jī)于聲(shēng)紋的産品(pǐn)質量檢測與故障判斷
利(lì)用聲紋識别技術實(shí)現異(yì)音(yīn)的自動(dòng)檢測(cè)，發現不良(liáng)品，并比對聲紋數據庫進行故(gù)障判斷(duàn)。例如，從2018年年末開始，佛(fó)吉亞（無錫(xī)）工廠(chǎng)就與(yǔ)集團大數據科學(xué)家團隊展開(kāi)全面(miàn)合作(zuò)，緻(zhì)力于将(jiāng)ai技術應用于座(zuò)椅(yǐ)調(diào)角器的nvh性能評判（震(zhèn)動(dòng)噪聲測(cè)試）。2019年，佛吉亞（無(wú)錫）工廠将(jiāng)ai技術(shù)應用到調角器(qì)異音檢測中，實(shí)現從信(xìn)号采集(jí)、數據存儲、數據(jù)分析到自(zì)我學習全(quán)過程的自(zì)動化，檢測(cè)效率(lǜ)及準确性(xìng)遠超(chāo)傳統人(rén)工檢測(cè)。随着(zhe)基于ai（人工(gōng)智能）技(jì)術的噪(zào)聲檢測系(xì)統在(zài)無錫(xī)工廠(chǎng)投入(rù)應用，人員數量(liàng)已經(jīng)從38人(rén)下降(jiàng)至3人，同時，質量(liàng)控制能力(lì)顯著(zhe)提高，年經濟效(xiào)益高達450萬人民币。制造企(qǐ)業在(zài)産品(pǐn)質量、運營管理、能(néng)耗管理(lǐ)和刀(dāo)具管理等(děng)方面(miàn)，可以應(yīng)用(yòng)機器學習等人(rén)工智能技術，結合大(dà)數據分析(xī)，優化調度方式(shì)，提升企業決策(cè)能力。例如，一汽(qì)解放無錫柴油機廠(chǎng)的智能生(shēng)産(chǎn)管理系統，具(jù)有異常和生産(chǎn)調度數據采集(jí)、基于決策樹的(de)異常(cháng)原因診斷、基于(yú)回(huí)歸分析(xī)的設備停機時間預(yù)測、基于機器學習的調度(dù)決策(cè)優化等功(gōng)能。通過将(jiāng)曆史(shǐ)調度決策過程(chéng)數據和(hé)調(diào)度執行後的實際生(shēng)産性能指(zhǐ)标作(zuò)爲訓(xùn)練數據集(jí)，采用神經(jīng)網(wǎng)絡算法，對調(diào)度決(jué)策評價算法的(de)參數(shù)進行調優，保證調度決策符合生(shēng)産實際(jì)需求(qiú)。場(chǎng)景(jǐng)六：數字孿生(shēng)
數字孿生(shēng)是客觀事物在(zài)虛拟世界(jiè)的鏡像。創建數字孿(luán)生的過程，集成(chéng)了人工智能、機(jī)器學習和傳感(gǎn)器數據(jù)，以建(jiàn)立一個可以(yǐ)實時(shí)更新的(de)、現(xiàn)場感極強的“真(zhēn)實”模(mó)型，用(yòng)來支撐物(wù)理産品生命周(zhōu)期各項(xiàng)活動的(de)決策。在完成對(duì)數字(zì)孿(luán)生對象(xiàng)的降階建模方(fāng)面，可以把複雜(zá)性和非線(xiàn)性模型放到神經網(wǎng)絡中(zhōng)，借助(zhù)深度學(xué)習建立一個(gè)有限的目标(biāo)，基于這(zhè)個有限的(de)目标，進行降階(jiē)建模。例如，在傳(chuán)統模式下，一個(gè)冷熱水管的出(chū)水口流體(tǐ)及熱仿真，用16核(hé)的服(fú)務器每次運算需要(yào)57個(gè)小時，進(jìn)行降階建模之(zhī)後每(měi)次運(yùn)算隻(zhī)需要幾(jǐ)分(fèn)鍾。創成式設計(jì)（generative design）是(shì)一個人機(jī)交互、自我創(chuàng)新的過(guò)程。工(gōng)程師在進行産(chǎn)品設計時(shí)，隻需要在(zài)系統指引(yǐn)下(xià)，設置期(qī)望的參(cān)數(shù)及性能等(děng)約束條件(jiàn)，如材料、重量、體積等(děng)等，結合(hé)人(rén)工智能算(suàn)法，就(jiù)能根(gēn)據設(shè)計者(zhě)的意圖(tú)自動生(shēng)成(chéng)成百上千種(zhǒng)可行(háng)性方(fāng)案，然後自(zì)行進行綜(zōng)合對比(bǐ)，篩選出最優的設計方(fāng)案(àn)推送給(gěi)設計(jì)者進行(háng)最後(hòu)的決策。創(chuàng)成(chéng)式設(shè)計已經成爲一(yī)個新(xīn)的交(jiāo)叉學(xué)科，與計算(suàn)機和(hé)人工智(zhì)能技術(shù)進行深度(dù)結合(hé)，将先進(jìn)的(de)算法(fǎ)和技(jì)術應用到(dào)設計中來。得到(dào)廣泛應(yīng)用(yòng)的創(chuàng)成式算(suàn)法包括(kuò)：參數(shù)化系統、形(xíng)狀語法（shape grammars(sg)）、l-系(xì)統（l-systems）、元(yuán)胞自(zì)動機(jī)（cellular automata(ca)）、拓撲(pū)優化算法(fǎ)、進化(huà)系統和遺傳算法等。
圖3 輪(lún)輻的(de)創成(chéng)式(shì)設(shè)計（來(lái)源：安(ān)世亞(yà)太）場景(jǐng)八：需求預測，供應鏈優化(huà)
以人(rén)工智能技術爲(wèi)基礎(chǔ)，建立精準(zhǔn)的需求預測模(mó)型，實(shí)現企(qǐ)業的(de)銷量預(yù)測、維修(xiū)備料(liào)預測，做出(chū)以需(xū)求導向的(de)決策。同時，通過(guò)對外部(bù)數據的分析(xī)，基(jī)于(yú)需求預測，制(zhì)定(dìng)庫存(cún)補貨(huò)策略，以及(jí)供應商(shāng)評(píng)估、零(líng)部件選型等。
例(lì)如，爲了務實控(kòng)制生産管理成(chéng)本，美(měi)國(guó)本田公(gōng)司希望能夠掌(zhǎng)握客戶未(wèi)來的需求會(huì)在何時(shí)發生，因此将1200個(gè)經銷(xiāo)商的客戶(hù)銷售與(yǔ)維修資(zī)料建(jiàn)立預(yù)測模(mó)型，推算未來幾(jǐ)年内(nèi)車(chē)輛回到經銷商維(wéi)修的(de)數量，這些資(zī)訊進一步轉爲各項零件預先準(zhǔn)備的(de)指标。該轉(zhuǎn)變讓美國(guó)本田(tián)已做到預測準(zhǔn)确度(dù)高達(dá)99%，并降(jiàng)低3倍(bèi)的客訴時(shí)間。目(mù)前，随(suí)着越(yuè)來越多(duō)的企業(yè)、高校(xiào)、開源(yuán)組織進入(rù)人工(gōng)智能領(lǐng)域，大批(pī)成功的人工智(zhì)能開(kāi)源軟(ruǎn)件和(hé)平台不(bú)斷湧入(rù)，人工智(zhì)能迎來前所未有的爆(bào)發期。但與金融等行業相比，雖(suī)然人(rén)工智能在(zài)制造業(yè)的應用(yòng)場景(jǐng)不(bú)少(shǎo)，卻并(bìng)不(bú)突出，甚至可(kě)以說發展(zhǎn)較慢。究其(qí)原因，主要(yào)源于以下三大(dà)方面(miàn)：
一(yī)是，由于(yú)制造(zào)環節數據(jù)的采集、利用(yòng)、開(kāi)發都有較(jiào)大難(nán)度，加之(zhī)企業的(de)數據(jù)庫也(yě)以私(sī)有爲(wèi)主、數據規(guī)模有限，缺(quē)乏(fá)優質的機器學習(xí)樣本，制(zhì)約(yuē)了機(jī)器的(de)自主(zhǔ)學習(xí)過程。
二是，不同(tóng)的制造行業之間存在(zài)差異，對于人(rén)工智(zhì)能解(jiě)決方案的複雜(zá)性和(hé)定制化要(yào)求高。
三是(shì)，不同(tóng)的行業内缺乏(fá)能夠引領人工智能與制造業(yè)深度融合(hé)發展(zhǎn)趨勢的龍頭企(qǐ)業。解決以上三大問(wèn)題(tí)，人工智(zhì)能技(jì)術才能更(gèng)好地(dì)應用于制(zhì)造業。
浙(zhè)公網(wǎng)安備 33021102000870号 
當前位(wèi)置：