隨著互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等信息技術(shù)的發(fā)展，以深度神經(jīng)網(wǎng)絡(luò)為代表的AI人工智能技術(shù)才得以迅速發(fā)展，實現(xiàn)了在某些領(lǐng)域的技術(shù)突破。隨著智能制造熱潮的到來，人工智能應(yīng)用已經(jīng)貫穿于設(shè)計、生產(chǎn)、管理和服務(wù)等制造業(yè)的各個環(huán)節(jié)。

物聯(lián)網(wǎng)使得大量數(shù)據(jù)能夠被實時獲取，大數(shù)據(jù)為深度學習提供了數(shù)據(jù)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(shù)的有機結(jié)合，驅(qū)動著人工智能技術(shù)不斷發(fā)展，并取得了實質(zhì)性的進展。

眾所周知，AI人工智能技術(shù)正在掀起第四次工業(yè)革命的浪潮。美國啟動“先進制造業(yè)國家戰(zhàn)略計劃”，德國正式提出工業(yè)4.0的概念，中國部署實施“中國制造2025”計劃，在新的歷史機遇下，全球范圍內(nèi)的主要國家陸續(xù)制定了新的工業(yè)發(fā)展規(guī)劃，試圖站在新一輪工業(yè)革命浪潮的潮頭，實現(xiàn)傳統(tǒng)工業(yè)生產(chǎn)方式的轉(zhuǎn)型升級，塑造數(shù)字化、智能化的新型工業(yè)形態(tài)。

人工智能制造業(yè)應(yīng)用場景

從應(yīng)用層面來看，一項人工智能技術(shù)的應(yīng)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(yè)機器人、智能手機、無人駕駛汽車、無人機等智能產(chǎn)品，本身就是人工智能的載體，其硬件與各類軟件結(jié)合具備感知、判斷的能力并實時與用戶、環(huán)境互動，無不是綜合了多種人工智能的核心能力。

目前制造企業(yè)中應(yīng)用的人工智能技術(shù)，主要圍繞在智能語音交互產(chǎn)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(shù)據(jù)計算、數(shù)據(jù)可視化等方面。下文則總結(jié)制造業(yè)中常用的八大人工智能應(yīng)用場景。

場景一：智能分揀

制造業(yè)上有許多需要分撿的作業(yè)，如果采用人工的作業(yè)，速度緩慢且成本高，而且還需要提供適宜的工作溫度環(huán)境。如果采用工業(yè)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(shù)，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(jīng)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(jīng)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(shè)備健康管理

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

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(yīng)用在制造業(yè)已經(jīng)較為常見。利用機器視覺可以在環(huán)境頻繁變化的條件下，以毫秒為單位快速識別出產(chǎn)品表面更微小、更復雜的產(chǎn)品缺陷，并進行分類，如檢測產(chǎn)品表面是否有污染物、表面損傷、裂縫等。目前已有工業(yè)智能企業(yè)將深度學習與3D顯微鏡結(jié)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(chǎn)品，系統(tǒng)可以自動做可修復判定，并規(guī)劃修復路徑及方法，再由設(shè)備執(zhí)行修復動作。

場景四：基于聲紋的產(chǎn)品質(zhì)量檢測與故障判斷

利用聲紋識別技術(shù)實現(xiàn)異音的自動檢測，發(fā)現(xiàn)不良品，并比對聲紋數(shù)據(jù)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(shù)據(jù)科學家團隊展開全面合作，致力于將AI技術(shù)應(yīng)用于座椅調(diào)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(shù)應(yīng)用到調(diào)角器異音檢測中，實現(xiàn)從信號采集、數(shù)據(jù)存儲、數(shù)據(jù)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(tǒng)人工檢測。

場景五：智能決策

制造企業(yè)在產(chǎn)品質(zhì)量、運營管理、能耗管理和刀具管理等方面，可以應(yīng)用機器學習等人工智能技術(shù)，結(jié)合大數(shù)據(jù)分析，優(yōu)化調(diào)度方式，提升企業(yè)決策能力。例如，一汽解放無錫柴油機廠的智能生產(chǎn)管理系統(tǒng)，具有異常和生產(chǎn)調(diào)度數(shù)據(jù)采集、基于決策樹的異常原因診斷、基于回歸分析的設(shè)備停機時間預測、基于機器學習的調(diào)度決策優(yōu)化等功能。通過將歷史調(diào)度決策過程數(shù)據(jù)和調(diào)度執(zhí)行后的實際生產(chǎn)性能指標作為訓練數(shù)據(jù)集，采用神經(jīng)網(wǎng)絡(luò)算法，對調(diào)度決策評價算法的參數(shù)進行調(diào)優(yōu)，保證調(diào)度決策符合生產(chǎn)實際需求。

場景六：數(shù)字孿生

數(shù)字孿生是客觀事物在虛擬世界的鏡像。 創(chuàng)建數(shù)字孿生的過程，集成了人工智能、機器學習和傳感器數(shù)據(jù)，以建立一個可以實時更新的、現(xiàn)場感極強的“真實”模型，用來支撐物理產(chǎn)品生命周期各項活動的決策。在完成對數(shù)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(jīng)網(wǎng)絡(luò)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。

場景七：創(chuàng)成式設(shè)計

創(chuàng)成式設(shè)計（Generative Design）是一個人機交互、自我創(chuàng)新的過程。工程師在進行產(chǎn)品設(shè)計時，只需要在系統(tǒng)指引下，設(shè)置期望的參數(shù)及性能等約束條件，如材料、重量、體積等等，結(jié)合人工智能算法，就能根據(jù)設(shè)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(yōu)的設(shè)計方案推送給設(shè)計者進行最后的決策。創(chuàng)成式設(shè)計已經(jīng)成為一個新的交叉學科，與計算機和人工智能技術(shù)進行深度結(jié)合，將先進的算法和技術(shù)應(yīng)用到設(shè)計中來。 得到廣泛應(yīng)用的創(chuàng)成式算法包括：參數(shù)化系統(tǒng)、形狀語法（Shape Grammars(SG)）、L-系統(tǒng)（L-systems）、元胞自動機（Cellular Automata(CA)）、拓撲優(yōu)化算法、進化系統(tǒng)和遺傳算法等。

場景八：需求預測，供應(yīng)鏈優(yōu)化

以人工智能技術(shù)為基礎(chǔ)，建立精準的需求預測模型，實現(xiàn)企業(yè)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(shù)據(jù)的分析，基于需求預測，制定庫存補貨策略，以及供應(yīng)商評估、零部件選型等。

AI人工智能賦能工業(yè)是時代發(fā)展的趨勢，5G網(wǎng)絡(luò)技術(shù)成了加速這個過程的催化劑，人工智能如何更好地在工業(yè)生產(chǎn)中創(chuàng)造價值，首先需要探索人工智能在工業(yè)場景中的應(yīng)用方式，繼而實現(xiàn)整個工業(yè)生產(chǎn)過程的智能化。在未來，工業(yè)智能將會是一個全新的圖景：技術(shù)、機器和人會以新的形式結(jié)合，形成一個高效智能的“工業(yè)有機體”。