導 讀

在近日舉辦的2019未來工業智能峰會的主題演講中，中國工程院院士鄔賀銓分享了關于人工智能應用于工業場景中的各種實際案例，內容頗具參考價值，因此本文對有價值的信息進行了詳細整理。

人工智能與工業互聯網的結合是大勢所趨，現在只是剛剛開始。

近日，中國工程院院士鄔賀銓全方位的匯總并解讀了人工智能應用于工業場景中的各種實際案例，涵蓋設計仿真、數字化排產、生產工藝優化、個性化生產、質量監控、預防性維護、供應鏈和銷售、客服中心、企業管理等多個環節。

需要預先說明的是，雖然人工智能AI和機器學習ML被認為是黑科技，但還缺乏事實證明這些技術可以有效復用，并使企業獲得確定性的投資回報。人工智能在工業領域，也還沒有產生可以量化的重大影響。

如果AI不能在工業落地，那么人工智能賦能生產力就只會是夢想。

01

人工智能與工業互聯網的結合是大勢所趨

工業上也有IT技術，包括傳感器、執行器、監控與數據獲取系統SCADA、制造執行系統MES、可編程邏輯控制器PLC。工業上OT技術包括材料、機器、方法、測量、維護、管理、模型，這兩者需要結合，否則工業互聯網還是“兩張皮”。

人工智能AI與工業互聯網IIoT、大數據分析、云計算和信息物理系統的集成將使工業以靈活、高效和節能的方式運作。工業人工智能中需要融合數據技術（DT）、分析技術（AT）、平臺技術（PT）和運營技術（OT）等技術。

工業領域主要以企業私有數據庫為主，規模有限，要實現人工智能與制造業的深度融合，就必須要在制造業領域加強數據獲取與整合，企業必須切實做到數字化轉型，大力發展工業互聯網。

02

人工智能技術的歸類

人工智能技術怎么在工業上應用？先要明確AI的應用分類。

人工智能我們可以分成感知、理解、行動，具體又包含視覺分析、語音處理、知識表達、機器學習，其目的是為了提升效率、降低成本、改進客戶體驗、促進技術創新。

對于傳統的制造業企業來說，如果想做到人工智能的融合落地，企業首先要收集數據，這就需要比較好的傳感器、物聯網等，但是大部分企業都不具備。

所以，人工智能與制造業的深度融合發展需要以大數據作為支撐，與消費環節相比，制造環節數據的可獲得性、可通用性更弱。制造業機器設備生成的數據通常較為復雜，有接近一半的數據是沒有相關性的。

傳統制造業不擅長信息技術的研發，但有些信息技術領域的公司是愿意進入傳統產業領域的，與制造企業共同為生產力賦能。

人工智能在工業的應用，包括質量分析、裝備診斷、能源能效管理、采購管理、制造銷售等環節，都可以派上用場，下面依次來談。

03

機器學習在工業領域的應用實例

我們先說一個綜合性的機器學習與分析過程的例子。

***中鋼公司，他們引進了IBM的Power AI解決方案，用于分析軋鋼過程中的缺陷。為了將27噸的鋼坯，軋到0.5毫米的成品，預測和分析過程中的缺陷，他們收集了過去一年7000多批次的產品數據。經過數據清洗，篩選出了可能影響產品質量的特征數據，并且轉換成了可供機器學習使用的數據。

這些數據中，80%拿來做學習，20%拿來做檢驗。然后他們設計了4種數學模型，來看哪種模型更符合實際情況。最后他們根據模型分析一條產品線產生的2000多個數據，發現爐內壓力對缺陷影響最大。

最后中鋼公司在人力資源和鋼坯質量方面，都得到了很好的改進，成本大幅降低。

04

從機器人到智能機器人

現在我們很多地方會用到工業機器人，但是工業機器人買來了，工程師們還需要根據生產需求來編寫程序，否則機器人是不能完成加工任務的。

現在一些公司正在研發帶有自主程序的機器人。比如左圖這個機器手臂，它并沒有預置程序，而是跟蹤人的手臂運動，人怎么動，它就怎么動。右圖這個機器人也沒有預先編寫程序，人怎么走，它就怎么走。在這個訓練的過程中，機器人自動把編程完成了。

還有人正在嘗試，將工業機器人的大腦統一配置在云端，由云端來集中管理，而不是為工廠中大量機器人的每一臺都分別配備一個大腦。

05

AI在設計仿真中的應用

我們說大數據是從數據到建模，而仿真是從模型到數據。

仿真中，我們要先做一個模型，然后再做仿真。建模的過程往往并不容易，需要跟企業的實際相符，需要專業人員做非常艱苦的工作。現在仿真模型可以考慮用人工智能技術來做。

比如吉利，原本需要經過很多次的汽車碰撞實驗，仿真時間很長。現在通過AI技術，仿真時間可以大大縮短，碰撞的車輛損耗也可以減少。

仿真如果用上VR、AR技術，就會更加直觀。浙江大學與某汽輪機廠合作，在網絡上進行汽輪機的設計與仿真，使得整個過程更直觀、更直接。通過這套設計與仿真流程，大大節省了汽輪機產品設計的時間成本。

06

AI在數字化排產中的應用

工廠中排產過程是必不可少的。比如汽車企業的沖壓車間，排產的特性是小批次、多邊界、多約束。如果涉及到更換模具，時間長、次數多，很多時候影響生產效率。而且人工考慮的約束條件常常是不完善的，所以導致排產效率較低。

上汽在傳統沖壓車間，將手工排產轉變成數字排產，減少了物料的存放，快速響應了生產需求，提高了生產效率，減少了能耗和物流成本。

07

AI在生產工藝優化中的應用

在生產上，AI還可以應用于生產工藝的優化。這里有三個實例。

蘇州協鑫是做光伏切片的，他們是全球最大的光伏切片供應商。光伏切片，切得越薄，成本越低，然而如果越薄，可靠性和成品率都會產生問題，他們的痛點是怎么平衡切片厚度和成品率？根據蘇州協鑫積累的大量數據，利用工業大腦，他們從工藝的上千個參數中，找出60個關鍵指標。通過優化流程，良品率提了提升了1%。不要小看這1%，它意味著每年的利潤增加一個億。

天合光能也是做光伏電池的，在全世界也是很有名的一家企業。利用AI技術他們進行了業務流程的工藝優化，找出了其中最關鍵的環節，成品率提升了7%。

杭州中策是做輪胎的，全世界排名第三，每年生產5000多萬條輪胎。他們每天需要從全世界不同地區進口一千多噸橡膠，質量很難保證。他們也是借助于工業大腦，找出其中最關鍵的環節是粉凝膠環節，平均合格率提了3~5%，年增1000萬利潤。

這幾個企業的AI應用之所以能夠成功，實際上得益于他們此前通過工業互聯網，積累了大量且有價值的生產數據。

08

AI在個性化生產中的應用

伴隨個性化生產，出現了一個很有意思的現象。90年代后期，歐美的汽車企業，從訂單到交付期限是20天，現在是40天，為什么現在反而比原來還長呢？因為現在要求汽車的個性化定制。那么怎么做到個性化？

奧迪跟SAP合作，基于人工智能技術，把匈牙利的電動汽車的流水線進行了改造，做到不同車型的工序和大量零部件的廣泛協同。這種組合是幾何量級的數據，依靠人工根本不可能完成，他們最終通過人工智能將生產效率提升了20%。

中國青島的紅領，在西服制衣領域，他們有個性化的服裝數據庫，利用人工智能算法，優化了整個生產過程。所以紅領的個性化生產只比批量生產的成本提高10%，但是回報翻番。

09

AI在生產質量監控中的應用

AI在生產質量監控中的應用案例也很多。

韓國的浦項鋼鐵公司，鋼板上要鍍鋅。鍍鋅鍍厚了沒好處，還多花成本。鍍得太薄了，又達不到質量標準。怎么能準確掌握鍍層的指標呢？最終他們利用人工智能技術，浦項將原來人工控制鍍鋅，每平方米7克的重量，減少到每平方米0.5克。

普銳特公司與寶鋼合作，控制1580熱軋機上熱軋板的寬度。我們都知道鋼鐵越扎越薄，越薄就越長。怎么控制這個過程中的張力和壓力，減少偏差？這個過程是一套比較復雜的數學模型，過去靠專家的人為經驗，現在通過AI實現精軋機的動態寬度控制，提高了成品率。

印度塔塔鋼鐵公司也是個大型的鋼鐵企業，他們利用人工智能發現汽車用帶鋼的表面缺陷。PCB板的生產過程現在很成熟，線條非常密集，依靠員工的檢測，很難知道不該連的線是不是連了，該連的線是不是沒連上。清華跟英業達合作，利用包含人工智能的機器視覺，發現人工無法檢測的PCB板故障，每年增加上億元的效益。

華星光電通過機器學習與快速訓練，對LED面板進行檢驗。識別出哪些是合格的LED，節省了60%人力。

10

AI在預防性維護中的應用

我們都在講預防性維護，為什么呢？根據分析，82%的故障是隨機發生的，很難預先發現。而18%的故障是可以利用傳統方法預防的。如果我們拋開傳統方法，能不能把82%的故障也實現預防？現在利用人工智能技術，這是有可能的。

清華大學跟金風科技合作，提升風機的效率。如果葉片對不準風向，則發電效率大大下降。如果在北方地區，葉片結冰了，不但效率下降，整個風機還有可能損壞。這種情況靠人工巡查是比較困難的，利用傳感器、大數據和人工智能算法，能夠很好地建立風機設備的健康評估模型，整個維護成本可以降低50%。

數字孿生是個大家越來越熟悉的概念。右圖是機器人在網上的鏡像，也就是數字孿生，它掌握了左圖中實際運行產品的所有參數。一旦數字孿生發現正常運行的參數發生了變化，產生異常，就可以通過網絡的遠程控制進行調整。

利用數字孿生可以實現預防性維護。GE公司管理的數字風場，也是利用了這樣的技術，預先發現問題，能夠提升20%的效率。

11

AI在供應鏈和銷售環節中的應用

制造企業的產品銷售很多是經過代理商的，難以直接獲得最終用戶的情況。

聯想利用全球數據中心掌握的數據，根據國際市場狀況，與寶鋼合作建立了鋼鐵的銷量預測系統，預測精度是92.2%，庫存周轉期減少20%。

賣羽絨服的波司登，在全國有3000多家門店。門店的衣服到底是賣光了，還是有庫存，過去很難掌握。現在他們也是利用了人工智能的管理技術，減少了存貨損失。

蒙牛利用AI，貫穿于從奶源、運輸、倉儲、生產、銷售的整套環節，建立了全流程可追溯的系統。產品周轉率提高30~40%，效率提高36%。

亞馬遜，大家都知道，他很早就利用了與用戶產品屬性相關聯的知識圖譜，既向用戶做個性化推薦，也向銷售商提供建議，令其增加了10~30%的附加利潤。

12

AI在客服中心的應用

客服中心也可以用到AI技術。菜鳥經過統計分析，發現每個快遞員每天要送150到200個包裹，每遞送一個包裹要打一次電話。一個電話大概半分鐘到一分鐘，這樣統計下來，每天光打電話就要3個小時。

于是阿里設計了語音助手，幫助快遞員打電話。這個助手具備基本的人工智能，可以跟用戶約定送貨地點和時間，提高快遞員的工作效率。

印度的Infosys也是類似的情況，他們原來的客服中心里有8000多個座機員，現在被人工智能“接線員”取代。日本的保險公司也采用了人工智能技術，相當于代替了34名保險經紀人，每年節約110萬美元的開支。

13

AI在企業管理中的應用

華為的管理水平，一直是企業的樣板，但是華為仍然在不斷發現問題解決問題的過程中。華為開發了很多手機，具有不同的品牌、不同的開發團隊。這些手機型號之間的技術關聯性不大，沒有考慮手機代碼的可復用性，耗費研發人員大量的時間，影響了研發的效率。

華為本身的業務很多，還包括很多的合作方。最多的時候，華為的一個交付人員，在交付產品之前要打開20多個IT系統，實際上很影響效率。另外，2014年華為的賬實一致率只有78%，也就是有600多億元的帳與貨是對不上的，要花大量的人力物力去核對。2016年華為進行轉型，這個財務的轉型是孟晚舟女士牽頭做的，現在賬實一致率達到了98.62%，很多會計工作完成了由人到機器操作的轉變。

華為這么多的員工，每年的報銷量是120萬單。現在華為基本不是靠會計人員來做報銷，都是機器報銷。華為認為未來數字化轉型要瞄準5個方面的需要：客戶、消費者、合作伙伴、供應商、員工，做到實時的按需服務，通過將人工智能技術引入管理，來提升五方體驗和提高客戶滿意度。

14

僅有神經網絡還不夠

神經網絡是一種以輸入為導向的算法，優質的結果取決于接近無窮量的數據。實際上，工業企業長期收集全面高質量的數據，是很難做到的。數據模型往往因為參數和數據的復雜度，使得擬合過程失去的物理意義。尤其是經過深度學習算法得出的結論，可能知其然，不知其所以然。通常這個結果缺乏透明性和可解釋性，這是工業企業不愿看到的。為了讓人工智能的結果具備可解釋性，需要實施神經網絡的反向工程。

另外，機器學習根據大量統計數據得出結論，但在臨界點可能會發生誤判。所以只有神經網絡，這是不夠的。

15

目前的人工智能=人工+機器智能

工業智能需要利用AI，但更需要創造“人”和“AI”協同工作的環境。

機器學習著重于通過有限的輸入數據流，來了解環境，而人類能夠同時洞悉各種不同的環境。

基于大數據導出的數學模型，未必就優于制造業基于長期積累，對建模對象客觀規律的理解所得到的模型。不見得一開始機器模型就比人工的模型好。

在牽涉權衡利弊的復雜情況的時候，AI對沒有先例可循的非連續性變化束手無策。

群體學習是人類與生俱來的交際能力，電腦是不具備的。AI很難跟對方，無論對方是人還是物，進行深層次的交流。

人工智能還遠遠不能完全達到人的能力。日本曾經研究過，某些連續的重復性工作崗位，不到一半能被AI取代，但有一半以上還是沒辦法用機器取代。

16

工業智能時代更需要重視信息安全

人工智能要在工業領域真正落地，工業企業必須切實做到數字化轉型，大力發展工業互聯網，此外還要注重信息安全等問題。

工業互聯網有可能將企業的生產數據暴露到外部，盡管是內網，但還是躲不過病毒。工業互聯網中大量使用到傳感器和物聯網設備，目前防病毒能力還是比較弱的，有可能被木馬侵占，產生拒絕服務攻擊。

工業智能時代更需要重視網絡安全、軟件安全與數據可信。

一周以前，委內瑞拉大部分地區經歷了長達9小時的停電，到現在有部分地區還在停電。什么原因呢？委內瑞拉東南部的一個水電站，提供了他們全國電力供應的70%。這個水電站可能受到網絡攻擊了。

3月10日，埃航的飛機墜毀了。實際上不到5個月前，印尼獅航的飛機也墜海了。這兩架都是波音737 MAX8，機齡一個3個月，一個4個月，一個起飛6分鐘，一個起飛13分鐘。

獅航的故障已經基本查明，737是波音的主力機型，737 MAX8采用了更省油的CFM大發動機，這是GE與法國合資的公司生產的。發動機大，雖然省油，但發動機大，意味著半徑大，裝在飛機翅膀底下，起落架高度不夠。所以一方面要把發動機做扁，一方面要把發動機盡量往飛機前面裝。安裝到飛機前端，發動機頭部翹起來，飛機大迎角，受風力比較大。波音已經考慮到這個問題，所以他們設計了把飛機從抬頭變成俯沖的失速配平系統。

波音在機頭旁邊裝了3個迎角傳感器，檢測飛機是否抬頭。結果迎角傳感器判斷錯誤，給出了錯誤的指令，自動把飛機的頭往下壓。飛行員把機頭拉起來，系統繼續往下壓，人機大戰，飛行員打不過自動化，結果發生飛機墜毀的悲劇。

實際上波音是工業互聯網的先驅，波音在生產飛機的過程中，用到8000多種軟件，1000種是外購的，7000種是自主開發的。波音說自己是軟件公司，非常重視大數據的收集與應用。但盡管如此，如果數據不準確，軟件有缺陷，自動化也會失控。

17

工業人工智能的相關結論

人工智能推動企業向智能制造和智能運營發展，但人工智能需要跟大數據、移動互聯網、物聯網、云計算協同，而且需要與企業的運營技術緊密結合。

基于人工智能的智能制造的實現是個長期的過程，現在僅僅是開始。

目前的工業智能，實際上還是人工+機器智能。在人工智能時代，企業的工程師、工匠精神與經驗，仍將發揮不可取代的作用。

安全不能完全交給機器去做，對工業的安全要有敬畏之心。

與其他領域相比，AI在制造業的應用會產生較大的效益。但目前我國AI的投資還主要在消費領域，在制造業的投資只占AI投資的1%，需要重視工業智能的研發與創新。

----寫在最后----

調查顯示，人工智能在工業領域的滲透明顯較慢。

根據中國信通院2018年9月發布的報告，在各類垂直行業中，人工智能滲透較高的領域包括醫療健康、金融、商業、教育和安防等。其中，醫療健康領域占比居前，達22%；金融和智能商業領域占比分別為14%和11%。但在制造業和工業領域，卻面臨著融合不足的挑戰。

人工智能在工業落地之所以緩慢，一方面因為相比于數據算法的迭代，硬件升級創新相對周期較長，從而導致滯后。另一方面，工業中應用人工智能要格外小心，因為工業中使用的人工智能與消費領域的人工智能有本質區別。

工業人工智能是一門嚴謹的系統科學，它專注于開發、驗證和部署各種不同的機器學習算法，以實現具備可持續性能的工業應用。因此人工智能應用于工業，必須根據制造業的具體場景進行定制，簡單照搬模板化的人工智能解決方案并不可行。