随著(zhe)智能制造熱(rè)潮的(de)到來(lái)，人(rén)工智能應用(yòng)已經貫穿于設計、生産、管理(lǐ)和(hé)服務等制造業的(de)各個(gè)環節。
人(rén)工智能的(de)概念第一次被提出，是在20世紀50年代，距今已六十餘年的(de)時(shí)間。然而直到近幾年，人(rén)工智能才迎來(lái)爆發式的(de)增長(cháng)，究其原因，主要在于日趨成熟的(de)物(wù)聯網、大(dà)數據、雲計算(suàn)等技術。
物(wù)聯網使得(de)大(dà)量數據能夠被實時(shí)獲取，大(dà)數據爲深度學習(xí)提供了(le)數據資源及算(suàn)法支撐，雲計算(suàn)則爲人(rén)工智能提供了(le)靈活的(de)計算(suàn)資源。這(zhè)些技術的(de)有機結合，驅動著(zhe)人(rén)工智能技術不斷發展，并取得(de)了(le)實質性的(de)進展。AlphaGo與李世石的(de)人(rén)機大(dà)戰，更是将人(rén)工智能推到了(le)風口浪尖，引爆了(le)新一輪的(de)人(rén)工智能熱(rè)潮。此後的(de)近幾年，關于人(rén)工智能的(de)研究和(hé)應用(yòng)開始遍地開花。随著(zhe)智能制造熱(rè)潮的(de)到來(lái)，人(rén)工智能應用(yòng)已經貫穿于設計、生産、管理(lǐ)和(hé)服務等制造業的(de)各個(gè)環節。
人(rén)工智能技術和(hé)産品經過過去幾年的(de)實踐檢驗，目前應用(yòng)較爲成熟，推動著(zhe)人(rén)工智能與各行各業的(de)加速融合。從技術層面來(lái)看，業界廣泛認爲，人(rén)工智能的(de)核心能力可(kě)以分(fēn)爲三個(gè)層面，分(fēn)别是計算(suàn)智能、感知智能、認知智能。計算(suàn)智能即機器具備超強的(de)存儲能力和(hé)超快(kuài)的(de)計算(suàn)能力，可(kě)以基于海量數據進行深度學習(xí)，利用(yòng)曆史經驗指導當前環境。随著(zhe)計算(suàn)力的(de)不斷發展，儲存手段的(de)不斷升級，計算(suàn)智能可(kě)以說已經實現。例如AlphaGo利用(yòng)增強學習(xí)技術完勝世界圍棋冠軍；電商平台基于對(duì)用(yòng)戶購(gòu)買習(xí)慣的(de)深度學習(xí)，進行個(gè)性化(huà)商品推薦等。感知智能是指使機器具備視覺、聽(tīng)覺、觸覺等感知能力，可(kě)以将非結構化(huà)的(de)數據結構化(huà)，并用(yòng)人(rén)類的(de)溝通(tōng)方式與用(yòng)戶互動。随著(zhe)各類技術發展，更多(duō)非結構化(huà)數據的(de)價值被重視和(hé)挖掘，語音(yīn)、圖像、視頻(pín)、觸點等與感知相關的(de)感知智能也(yě)在快(kuài)速發展。無人(rén)駕駛汽車、著名的(de)波士頓動力機器人(rén)等就運用(yòng)了(le)感知智能，它通(tōng)過各種傳感器，感知周圍環境并進行處理(lǐ)，從而有效指導其運行。相較于計算(suàn)智能和(hé)感知智能，認知智能更爲複雜(zá)，是指機器像人(rén)一樣，有理(lǐ)解能力、歸納能力、推理(lǐ)能力，有運用(yòng)知識的(de)能力。目前認知智能技術還(hái)在研究探索階段，如在公共安全領域，對(duì)犯罪者的(de)微觀行爲和(hé)宏觀行爲的(de)特征提取和(hé)模式分(fēn)析，開發犯罪預測、資金穿透、城(chéng)市犯罪演化(huà)模拟等人(rén)工智能模型和(hé)系統；在金融行業，用(yòng)于識别可(kě)疑交易、預測宏觀經濟波動等。要将認知智能推入發展的(de)快(kuài)車道，還(hái)有很長(cháng)一段路要走。
人(rén)工智能制造業應用(yòng)場(chǎng)景
從應用(yòng)層面來(lái)看，一項人(rén)工智能技術的(de)應用(yòng)可(kě)能會包含計算(suàn)智能、感知智能等多(duō)個(gè)層次的(de)核心能力。工業機器人(rén)、智能手機、無人(rén)駕駛汽車、無人(rén)機等智能産品，本身就是人(rén)工智能的(de)載體，其硬件與各類軟件結合具備感知、判斷的(de)能力并實時(shí)與用(yòng)戶、環境互動，無不是綜合了(le)多(duō)種人(rén)工智能的(de)核心能力。
例如，在制造業中被廣泛應用(yòng)的(de)各種智能機器人(rén)：分(fēn)揀/揀選機器人(rén)，能夠自動識别并抓取不規則的(de)物(wù)體；協作機器人(rén)能夠理(lǐ)解并對(duì)周圍環境做(zuò)出反應；自動跟随物(wù)料小車能夠通(tōng)過人(rén)臉識别實現自動跟随；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(rén)可(kě)以利用(yòng)自身攜帶的(de)傳感器識别未知環境中的(de)特征标志，然後根據機器人(rén)與特征标志之間的(de)相對(duì)位置和(hé)裏程計的(de)讀數估計機器人(rén)和(hé)特征标志的(de)全局坐(zuò)标。無人(rén)駕駛技術在定位、環境感知、路徑規劃、行爲決策與控制方面，也(yě)綜合應用(yòng)了(le)多(duō)種人(rén)工智能技術與算(suàn)法。目前制造企業中應用(yòng)的(de)人(rén)工智能技術，主要圍繞在智能語音(yīn)交互産品、人(rén)臉識别、圖像識别、圖像搜索、聲紋識别、文字識别、機器翻譯、機器學習(xí)、大(dà)數據計算(suàn)、數據可(kě)視化(huà)等方面。下(xià)文則總結制造業中常用(yòng)的(de)八大(dà)人(rén)工智能應用(yòng)場(chǎng)景。
制造業上有許多(duō)需要分(fēn)撿的(de)作業，如果采用(yòng)人(rén)工的(de)作業，速度緩慢(màn)且成本高(gāo)，而且還(hái)需要提供适宜的(de)工作溫度環境。如果采用(yòng)工業機器人(rén)進行智能分(fēn)揀，可(kě)以大(dà)幅減低成本，提高(gāo)速度。
以分(fēn)揀零件爲例。需要分(fēn)撿的(de)零件通(tōng)常并沒有被整齊擺放，機器人(rén)雖然有攝像頭可(kě)以看到零件，但卻不知道如何把零件成功地撿起來(lái)。在這(zhè)種情況下(xià)，利用(yòng)機器學習(xí)技術，先讓機器人(rén)随機進行一次分(fēn)撿動作，然後告訴它這(zhè)次動作是成功分(fēn)撿到零件還(hái)是抓空了(le)，經過多(duō)次訓練之後，機器人(rén)就會知道按照(zhào)怎樣的(de)順序來(lái)分(fēn)撿才有更高(gāo)的(de)成功率；分(fēn)撿時(shí)夾哪個(gè)位置會有更高(gāo)的(de)撿起成功率；知道按照(zhào)怎樣的(de)順序分(fēn)撿，成功率會更高(gāo)。經過幾個(gè)小時(shí)的(de)學習(xí)，機器人(rén)的(de)分(fēn)撿成功率可(kě)以達到90%，和(hé)熟練工人(rén)的(de)水(shuǐ)平相當。基于對(duì)設備運行數據的(de)實時(shí)監測，利用(yòng)特征分(fēn)析和(hé)機器學習(xí)技術，一方面可(kě)以在事故發生前進行設備的(de)故障預測，減少非計劃性停機。另一方面，面對(duì)設備的(de)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(de)解決方案。在制造行業應用(yòng)較爲常見，特别是化(huà)工、重型設備、五金加工、3C制造、風電等行業。以數控機床爲例，用(yòng)機器學習(xí)算(suàn)法模型和(hé)智能傳感器等技術手段監測加工過程中的(de)切削刀(dāo)、主軸和(hé)進給電機的(de)功率、電流、電壓等信息，辯識出刀(dāo)具的(de)受力、磨損、破損狀态及機床加工的(de)穩定性狀态，并根據這(zhè)些狀态實時(shí)調整加工參數（主軸轉速、進給速度）和(hé)加工指令，預判何時(shí)需要換刀(dāo)，以提高(gāo)加工精度、縮短産線停工時(shí)間并提高(gāo)設備運行的(de)安全性。
圖1 基于深度學習(xí)的(de)刀(dāo)具磨損狀态預測（來(lái)源：華中科技大(dà)學 李斌教授）場(chǎng)景三：基于視覺的(de)表面缺陷檢測
基于機器視覺的(de)表面缺陷檢測應用(yòng)在制造業已經較爲常見。利用(yòng)機器視覺可(kě)以在環境頻(pín)繁變化(huà)的(de)條件下(xià)，以毫秒爲單位快(kuài)速識别出産品表面更微小、更複雜(zá)的(de)産品缺陷，并進行分(fēn)類，如檢測産品表面是否有污染物(wù)、表面損傷、裂縫等。目前已有工業智能企業将深度學習(xí)與3D顯微鏡結合，将缺陷檢測精度提高(gāo)到納米級。對(duì)于檢測出的(de)有缺陷的(de)産品，系統可(kě)以自動做(zuò)可(kě)修複判定，并規劃修複路徑及方法，再由設備執行修複動作。
例如，PVC管材是最常用(yòng)的(de)建築材料之一，消耗量巨大(dà)，在生産包裝過程中容易存在表面劃傷、凹坑，水(shuǐ)紋，麻面等諸多(duō)類型的(de)缺陷，消耗大(dà)量的(de)人(rén)力進行檢測。采用(yòng)了(le)表面缺陷視覺自動檢測後，通(tōng)過面積、尺寸最小值、最大(dà)值設定，自動進行管材表面雜(zá)質檢測，最小檢測精度爲0.15mm²，檢出率大(dà)于99%；通(tōng)過劃傷長(cháng)度、寬度的(de)最小值、最大(dà)值設定，自動進行管材表面劃傷檢測，最小檢測精度爲0.06mm，檢出率大(dà)于99%；通(tōng)過褶皺長(cháng)度、寬度的(de)最小值、最大(dà)值、片段長(cháng)度、色差阈值設定，自動進行管材表面褶皺檢測，最小檢測精度爲10mm，檢出率大(dà)于95%。圖2 PVC管材表面褶皺檢測（來(lái)源：維視智造）場(chǎng)景四：基于聲紋的(de)産品質量檢測與故障判斷
利用(yòng)聲紋識别技術實現異音(yīn)的(de)自動檢測，發現不良品，并比對(duì)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(dà)數據科學家團隊展開全面合作，緻力于将AI技術應用(yòng)于座椅調角器的(de)NVH性能評判（震動噪聲測試）。2019年，佛吉亞（無錫）工廠将AI技術應用(yòng)到調角器異音(yīn)檢測中，實現從信号采集、數據存儲、數據分(fēn)析到自我學習(xí)全過程的(de)自動化(huà)，檢測效率及準确性遠(yuǎn)超傳統人(rén)工檢測。随著(zhe)基于AI（人(rén)工智能）技術的(de)噪聲檢測系統在無錫工廠投入應用(yòng)，人(rén)員(yuán)數量已經從38人(rén)下(xià)降至3人(rén)，同時(shí)，質量控制能力顯著提高(gāo)，年經濟效益高(gāo)達450萬人(rén)民币。制造企業在産品質量、運營管理(lǐ)、能耗管理(lǐ)和(hé)刀(dāo)具管理(lǐ)等方面，可(kě)以應用(yòng)機器學習(xí)等人(rén)工智能技術，結合大(dà)數據分(fēn)析，優化(huà)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(de)智能生産管理(lǐ)系統，具有異常和(hé)生産調度數據采集、基于決策樹的(de)異常原因診斷、基于回歸分(fēn)析的(de)設備停機時(shí)間預測、基于機器學習(xí)的(de)調度決策優化(huà)等功能。通(tōng)過将曆史調度決策過程數據和(hé)調度執行後的(de)實際生産性能指标作爲訓練數據集，采用(yòng)神經網絡算(suàn)法，對(duì)調度決策評價算(suàn)法的(de)參數進行調優，保證調度決策符合生産實際需求。數字孿生是客觀事物(wù)在虛拟世界的(de)鏡像。創建數字孿生的(de)過程，集成了(le)人(rén)工智能、機器學習(xí)和(hé)傳感器數據，以建立一個(gè)可(kě)以實時(shí)更新的(de)、現場(chǎng)感極強的(de)“真實”模型，用(yòng)來(lái)支撐物(wù)理(lǐ)産品生命周期各項活動的(de)決策。在完成對(duì)數字孿生對(duì)象的(de)降階建模方面，可(kě)以把複雜(zá)性和(hé)非線性模型放到神經網絡中，借助深度學習(xí)建立一個(gè)有限的(de)目标，基于這(zhè)個(gè)有限的(de)目标，進行降階建模。例如，在傳統模式下(xià)，一個(gè)冷(lěng)熱(rè)水(shuǐ)管的(de)出水(shuǐ)口流體及熱(rè)仿真，用(yòng)16核的(de)服務器每次運算(suàn)需要57個(gè)小時(shí)，進行降階建模之後每次運算(suàn)隻需要幾分(fēn)鐘(zhōng)。創成式設計（Generative Design）是一個(gè)人(rén)機交互、自我創新的(de)過程。工程師在進行産品設計時(shí)，隻需要在系統指引下(xià)，設置期望的(de)參數及性能等約束條件，如材料、重量、體積等等，結合人(rén)工智能算(suàn)法，就能根據設計者的(de)意圖自動生成成百上千種可(kě)行性方案，然後自行進行綜合對(duì)比，篩選出最優的(de)設計方案推送給設計者進行最後的(de)決策。創成式設計已經成爲一個(gè)新的(de)交叉學科，與計算(suàn)機和(hé)人(rén)工智能技術進行深度結合，将先進的(de)算(suàn)法和(hé)技術應用(yòng)到設計中來(lái)。得(de)到廣泛應用(yòng)的(de)創成式算(suàn)法包括：參數化(huà)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(huà)算(suàn)法、進化(huà)系統和(hé)遺傳算(suàn)法等。
圖3 輪輻的(de)創成式設計（來(lái)源：安世亞太）場(chǎng)景八：需求預測，供應鏈優化(huà)
以人(rén)工智能技術爲基礎，建立精準的(de)需求預測模型，實現企業的(de)銷量預測、維修備料預測，做(zuò)出以需求導向的(de)決策。同時(shí)，通(tōng)過對(duì)外部數據的(de)分(fēn)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，爲了(le)務實控制生産管理(lǐ)成本，美(měi)國本田公司希望能夠掌握客戶未來(lái)的(de)需求會在何時(shí)發生，因此将1200個(gè)經銷商的(de)客戶銷售與維修資料建立預測模型，推算(suàn)未來(lái)幾年内車輛回到經銷商維修的(de)數量，這(zhè)些資訊進一步轉爲各項零件預先準備的(de)指标。該轉變讓美(měi)國本田已做(zuò)到預測準确度高(gāo)達99%，并降低3倍的(de)客訴時(shí)間。
目前，随著(zhe)越來(lái)越多(duō)的(de)企業、高(gāo)校、開源組織進入人(rén)工智能領域，大(dà)批成功的(de)人(rén)工智能開源軟件和(hé)平台不斷湧入，人(rén)工智能迎來(lái)前所未有的(de)爆發期。但與金融等行業相比，雖然人(rén)工智能在制造業的(de)應用(yòng)場(chǎng)景不少，卻并不突出，甚至可(kě)以說發展較慢(màn)。究其原因，主要源于以下(xià)三大(dà)方面：
一是，由于制造環節數據的(de)采集、利用(yòng)、開發都有較大(dà)難度，加之企業的(de)數據庫也(yě)以私有爲主、數據規模有限，缺乏優質的(de)機器學習(xí)樣本，制約了(le)機器的(de)自主學習(xí)過程。
二是，不同的(de)制造行業之間存在差異，對(duì)于人(rén)工智能解決方案的(de)複雜(zá)性和(hé)定制化(huà)要求高(gāo)。
三是，不同的(de)行業内缺乏能夠引領人(rén)工智能與制造業深度融合發展趨勢的(de)龍頭企業。解決以上三大(dà)問題，人(rén)工智能技術才能更好地應用(yòng)于制造業。
