人工智能的概念第一次被提出，是在20世紀50年代，距今已六十余年的時間。然而直到近幾年，人工智能才迎來爆發式的增長，究其原因，主要在于日趨成熟的物聯網、大數據、云計算等技術。

物聯網使得大量數據能夠被實時獲取，大數據為深度學習提供了數據資源及算法支撐，云計算則為人工智能提供了靈活的計算資源。這些技術的有機結合，驅動著人工智能技術不斷發展，并取得了實質性的進展。AlphaGo與李世石的人機大戰，更是將人工智能推到了風口浪尖，引爆了新一輪的人工智能熱潮。

此后的近幾年，關于人工智能的研究和應用開始遍地開花。隨著智能制造熱潮的到來，人工智能應用已經貫穿于設計、生產、管理和服務等制造業的各個環節。

01人工智能技術的三個層次

人工智能技術和產品經過過去幾年的實踐檢驗，目前應用較為成熟，推動著人工智能與各行各業的加速融合。從技術層面來看，業界廣泛認為，人工智能的核心能力可以分為三個層面，分別是計算智能、感知智能、認知智能。

1、計算智能

計算智能即機器具備超強的存儲能力和超快的計算能力，可以基于海量數據進行深度學習，利用歷史經驗指導當前環境。隨著計算力的不斷發展，儲存手段的不斷升級，計算智能可以說已經實現。例如AlphaGo利用增強學習技術完勝世界圍棋冠軍;電商平臺基于對用戶購買習慣的深度學習，進行個性化商品推薦等。

2、感知智能

感知智能是指使機器具備視覺、聽覺、觸覺等感知能力，可以將非結構化的數據結構化，并用人類的溝通方式與用戶互動。隨著各類技術發展，更多非結構化數據的價值被重視和挖掘，語音、圖像、視頻、觸點等與感知相關的感知智能也在快速發展。無人駕駛汽車、著名的波士頓動力機器人等就運用了感知智能，它通過各種傳感器，感知周圍環境并進行處理，從而有效指導其運行。

3、認知智能

相較于計算智能和感知智能，認知智能更為復雜，是指機器像人一樣，有理解能力、歸納能力、推理能力，有運用知識的能力。目前認知智能技術還在研究探索階段，如在公共安全領域，對犯罪者的微觀行為和宏觀行為的特征提取和模式分析，開發犯罪預測、資金穿透、城市犯罪演化模擬等人工智能模型和系統;在金融行業，用于識別可疑交易、預測宏觀經濟波動等。要將認知智能推入發展的快車道，還有很長一段路要走。

02人工智能制造業應用場景

從應用層面來看，一項人工智能技術的應用可能會包含計算智能、感知智能等多個層次的核心能力。工業機器人、智能手機、無人駕駛汽車、無人機等智能產品，本身就是人工智能的載體，其硬件與各類軟件結合具備感知、判斷的能力并實時與用戶、環境互動，無不是綜合了多種人工智能的核心能力。

例如，在制造業中被廣泛應用的各種智能機器人：分揀/揀選機器人，能夠自動識別并抓取不規則的物體;協作機器人能夠理解并對周圍環境做出反應;自動跟隨物料小車能夠通過人臉識別實現自動跟隨;借助SLAM（simultaneous localization and mapping，同步定位與地圖構建）技術，自主移動機器人可以利用自身攜帶的傳感器識別未知環境中的特征標志，然后根據機器人與特征標志之間的相對位置和里程計的讀數估計機器人和特征標志的全局坐標。無人駕駛技術在定位、環境感知、路徑規劃、行為決策與控制方面，也綜合應用了多種人工智能技術與算法。

目前制造企業中應用的人工智能技術，主要圍繞在智能語音交互產品、人臉識別、圖像識別、圖像搜索、聲紋識別、文字識別、機器翻譯、機器學習、大數據計算、數據可視化等方面。下文則總結制造業中常用的八大人工智能應用場景。

場景一：智能分揀

制造業上有許多需要分撿的作業，如果采用人工的作業，速度緩慢且成本高，而且還需要提供適宜的工作溫度環境。如果采用工業機器人進行智能分揀，可以大幅減低成本，提高速度。

以分揀零件為例。需要分撿的零件通常并沒有被整齊擺放，機器人雖然有攝像頭可以看到零件，但卻不知道如何把零件成功地撿起來。在這種情況下，利用機器學習技術，先讓機器人隨機進行一次分撿動作，然后告訴它這次動作是成功分撿到零件還是抓空了，經過多次訓練之后，機器人就會知道按照怎樣的順序來分撿才有更高的成功率;分撿時夾哪個位置會有更高的撿起成功率;知道按照怎樣的順序分撿，成功率會更高。經過幾個小時的學習，機器人的分撿成功率可以達到90%，和熟練工人的水平相當。

場景二：設備健康管理

基于對設備運行數據的實時監測，利用特征分析和機器學習技術，一方面可以在事故發生前進行設備的故障預測，減少非計劃性停機。另一方面，面對設備的突發故障，能夠迅速進行故障診斷，定位故障原因并提供相應的解決方案。在制造行業應用較為常見，特別是化工、重型設備、五金加工、3C制造、風電等行業。

以數控機床為例，用機器學習算法模型和智能傳感器等技術手段監測加工過程中的切削刀、主軸和進給電機的功率、電流、電壓等信息，辯識出刀具的受力、磨損、破損狀態及機床加工的穩定性狀態，并根據這些狀態實時調整加工參數（主軸轉速、進給速度）和加工指令，預判何時需要換刀，以提高加工精度、縮短產線停工時間并提高設備運行的安全性。

圖1 基于深度學習的刀具磨損狀態預測

場景三：基于視覺的表面缺陷檢測

基于機器視覺的表面缺陷檢測應用在制造業已經較為常見。利用機器視覺可以在環境頻繁變化的條件下，以毫秒為單位快速識別出產品表面更微小、更復雜的產品缺陷，并進行分類，如檢測產品表面是否有污染物、表面損傷、裂縫等。目前已有工業智能企業將深度學習與3D顯微鏡結合，將缺陷檢測精度提高到納米級。對于檢測出的有缺陷的產品，系統可以自動做可修復判定，并規劃修復路徑及方法，再由設備執行修復動作。

例如，PVC管材是最常用的建筑材料之一，消耗量巨大，在生產包裝過程中容易存在表面劃傷、凹坑，水紋，麻面等諸多類型的缺陷，消耗大量的人力進行檢測。采用了表面缺陷視覺自動檢測后，通過面積、尺寸最小值、最大值設定，自動進行管材表面雜質檢測，最小檢測精度為0.15mm2，檢出率大于99%;通過劃傷長度、寬度的最小值、最大值設定，自動進行管材表面劃傷檢測，最小檢測精度為0.06mm，檢出率大于99%;通過褶皺長度、寬度的最小值、最大值、片段長度、色差閾值設定，自動進行管材表面褶皺檢測，最小檢測精度為10mm，檢出率大于95%。

圖2 PVC管材表面褶皺檢測（來源：維視智造）

場景四：基于聲紋的產品質量檢測與故障判斷

利用聲紋識別技術實現異音的自動檢測，發現不良品，并比對聲紋數據庫進行故障判斷。例如，從2018年年末開始，佛吉亞（無錫）工廠就與集團大數據科學家團隊展開全面合作，致力于將AI技術應用于座椅調角器的NVH性能評判（震動噪聲測試）。2019年，佛吉亞（無錫）工廠將AI技術應用到調角器異音檢測中，實現從信號采集、數據存儲、數據分析到自我學習全過程的自動化，檢測效率及準確性遠超傳統人工檢測。隨著基于AI（人工智能）技術的噪聲檢測系統在無錫工廠投入應用，人員數量已經從38人下降至3人，同時，質量控制能力顯著提高，年經濟效益高達450萬人民幣。

場景五：智能決策

制造企業在產品質量、運營管理、能耗管理和刀具管理等方面，可以應用機器學習等人工智能技術，結合大數據分析，優化調度方式，提升企業決策能力。

例如，一汽解放無錫柴油機廠的智能生產管理系統，具有異常和生產調度數據采集、基于決策樹的異常原因診斷、基于回歸分析的設備停機時間預測、基于機器學習的調度決策優化等功能。通過將歷史調度決策過程數據和調度執行后的實際生產性能指標作為訓練數據集，采用神經網絡算法，對調度決策評價算法的參數進行調優，保證調度決策符合生產實際需求。

場景六：數字孿生

數字孿生是客觀事物在虛擬世界的鏡像。創建數字孿生的過程，集成了人工智能、機器學習和傳感器數據，以建立一個可以實時更新的、現場感極強的“真實”模型，用來支撐物理產品生命周期各項活動的決策。在完成對數字孿生對象的降階建模方面，可以把復雜性和非線性模型放到神經網絡中，借助深度學習建立一個有限的目標，基于這個有限的目標，進行降階建模。

例如，在傳統模式下，一個冷熱水管的出水口流體及熱仿真，用16核的服務器每次運算需要57個小時，進行降階建模之后每次運算只需要幾分鐘。

場景七：創成式設計

創成式設計（Generative Design）是一個人機交互、自我創新的過程。工程師在進行產品設計時，只需要在系統指引下，設置期望的參數及性能等約束條件，如材料、重量、體積等等，結合人工智能算法，就能根據設計者的意圖自動生成成百上千種可行性方案，然后自行進行綜合對比，篩選出最優的設計方案推送給設計者進行最后的決策。

創成式設計已經成為一個新的交叉學科，與計算機和人工智能技術進行深度結合，將先進的算法和技術應用到設計中來。得到廣泛應用的創成式算法包括：參數化系統、形狀語法（Shape Grammars（SG））、L-系統（L-systems）、元胞自動機（Cellular Automata（CA））、拓撲優化算法、進化系統和遺傳算法等。

場景八：需求預測，供應鏈優化

以人工智能技術為基礎，建立精準的需求預測模型，實現企業的銷量預測、維修備料預測，做出以需求導向的決策。同時，通過對外部數據的分析，基于需求預測，制定庫存補貨策略，以及供應商評估、零部件選型等。

例如，為了務實控制生產管理成本，美國本田公司希望能夠掌握客戶未來的需求會在何時發生，因此將1200個經銷商的客戶銷售與維修資料建立預測模型，推算未來幾年內車輛回到經銷商維修的數量，這些資訊進一步轉為各項零件預先準備的指標。該轉變讓美國本田已做到預測準確度高達99%，并降低3倍的客訴時間。

03結語

目前，隨著越來越多的企業、高校、開源組織進入人工智能領域，大批成功的人工智能開源軟件和平臺不斷涌入，人工智能迎來前所未有的爆發期。但與金融等行業相比，雖然人工智能在制造業的應用場景不少，卻并不突出，甚至可以說發展較慢。

究其原因，主要源于以下三大方面：

一是，由于制造環節數據的采集、利用、開發都有較大難度，加之企業的數據庫也以私有為主、數據規模有限，缺乏優質的機器學習樣本，制約了機器的自主學習過程。

二是，不同的制造行業之間存在差異，對于人工智能解決方案的復雜性和定制化要求高。

三是，不同的行業內缺乏能夠引領人工智能與制造業深度融合發展趨勢的龍頭企業。
責任編輯人：CC