人工智能的概念第一次被提出，是在20世紀(jì)50年代，距今已六十余年的時(shí)間。然而直到近幾年，人工智能才迎來爆發(fā)式的增長，究其原因，主要在于日趨成熟的物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算等技術(shù)。
物聯(lián)網(wǎng)使得大量數(shù)據(jù)能夠被實(shí)時(shí)獲取，大數(shù)據(jù)為深度學(xué)習(xí)提供了數(shù)據(jù)資源及算法支撐，云計(jì)算則為人工智能提供了靈活的計(jì)算資源。這些技術(shù)的有機(jī)結(jié)合，驅(qū)動(dòng)著人工智能技術(shù)不斷發(fā)展，并取得實(shí)質(zhì)性進(jìn)展。
人工智能技術(shù)的三個(gè)層次
人工智能技術(shù)和產(chǎn)品經(jīng)過過去幾年的實(shí)踐檢驗(yàn)，目前應(yīng)用較為普遍，推動(dòng)著人工智能與各行各業(yè)加速融合。從技術(shù)層面來看，業(yè)界廣泛認(rèn)為，人工智能的核心能力可以分為三個(gè)層面，分別是計(jì)算智能、感知智能、認(rèn)知智能。
1、計(jì)算智能
計(jì)算智能，是指機(jī)器具備超強(qiáng)的存儲(chǔ)能力和超快的計(jì)算能力，可以基于海量數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，利用歷史經(jīng)驗(yàn)指導(dǎo)當(dāng)前環(huán)境。隨著計(jì)算力的不斷發(fā)展，儲(chǔ)存手段的不斷升級(jí)，計(jì)算智能可以說已經(jīng)實(shí)現(xiàn)。例如，AlphaGo利用增強(qiáng)學(xué)習(xí)技術(shù)完勝世界圍棋冠軍；電商平臺(tái)基于對(duì)用戶購買習(xí)慣的深度學(xué)習(xí)，進(jìn)行個(gè)性化商品推薦等。
2、感知智能
感知智能，是指使機(jī)器具備視覺、聽覺、觸覺等感知能力，可以將非結(jié)構(gòu)化的數(shù)據(jù)結(jié)構(gòu)化，并用人類的溝通方式與用戶互動(dòng)。隨著各類技術(shù)發(fā)展，更多非結(jié)構(gòu)化數(shù)據(jù)的價(jià)值被重視和挖掘，語音、圖像、視頻、觸點(diǎn)等感知智能快速發(fā)展。無人駕駛汽車、波士頓動(dòng)力機(jī)器人等就運(yùn)用了感知智能，通過各種傳感器，感知周圍環(huán)境并進(jìn)行處理，從而有效指導(dǎo)其運(yùn)行。
3、認(rèn)知智能
認(rèn)知智能，是指機(jī)器像人一樣，有理解能力、歸納能力、推理能力，有運(yùn)用知識(shí)的能力，相較于計(jì)算智能和感知智能更為復(fù)雜。目前，認(rèn)知智能技術(shù)還在研究探索階段，如在公共安全領(lǐng)域，對(duì)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(fā)犯罪預(yù)測、資金穿透、城市犯罪演化模擬等人工智能模型和系統(tǒng)；在金融行業(yè)，用于識(shí)別可疑交易、預(yù)測宏觀經(jīng)濟(jì)波動(dòng)等。要將認(rèn)知智能推入發(fā)展的快車道，還有很長一段路要走。
人工智能制造業(yè)應(yīng)用場景
從應(yīng)用層面來看，人工智能技術(shù)的應(yīng)用包含計(jì)算智能、感知智能等多個(gè)層次的核心能力。工業(yè)機(jī)器人、智能手機(jī)、無人駕駛汽車、無人機(jī)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(shí)時(shí)與用戶、環(huán)境互動(dòng)，無不是綜合了多種人工智能的核心能力。
例如，在制造業(yè)中被廣泛應(yīng)用的各種智能機(jī)器人：分揀/揀選機(jī)器人能夠自動(dòng)識(shí)別并抓取不規(guī)則的物體，協(xié)作機(jī)器人能夠理解并對(duì)周圍環(huán)境做出反應(yīng)，自動(dòng)跟隨物料小車能夠通過人臉識(shí)別實(shí)現(xiàn)自動(dòng)跟隨，借助同步定位與地圖構(gòu)建（simultaneous localization and mapping，SLAM）技術(shù)，自主移動(dòng)機(jī)器人可以利用自身攜帶的傳感器識(shí)別未知環(huán)境中的特征標(biāo)志，然后根據(jù)機(jī)器人與特征標(biāo)志之間的相對(duì)位置和里程讀數(shù)，估計(jì)機(jī)器人和特征標(biāo)志的全局坐標(biāo)。無人駕駛技術(shù)在定位、環(huán)境感知、路徑規(guī)劃、行為決策與控制方面也綜合應(yīng)用了多種人工智能技術(shù)與算法。
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(shí)別、圖像識(shí)別、圖像搜索、聲紋識(shí)別、文字識(shí)別、機(jī)器翻譯、機(jī)器學(xué)習(xí)、大數(shù)據(jù)計(jì)算、數(shù)據(jù)可視化等方面。下文總結(jié)了制造業(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)上有許多需要分揀的作業(yè)，如果采用人工作業(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(jī)器人進(jìn)行智能分揀，可以大幅降低成本，提高速度。
以分揀零件為例。需要分揀的零件通常并沒有被整齊擺放，機(jī)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揀起來。在這種情況下，利用機(jī)器學(xué)習(xí)技術(shù)，先讓機(jī)器人隨機(jī)進(jìn)行一次分揀動(dòng)作，然后告訴它這次動(dòng)作是成功分揀到零件還是抓空了，經(jīng)過多次訓(xùn)練之后，機(jī)器人就會(huì)知道按照怎樣的順序來分揀才有更高的成功率；分揀時(shí)夾哪個(gè)位置會(huì)有更高的撿起成功率；知道按照怎樣的順序分揀，成功率會(huì)更高。經(jīng)過幾個(gè)小時(shí)的學(xué)習(xí)，機(jī)器人的分揀成功率可以達(dá)到90%，和熟練工人的水平相當(dāng)。
場景二：設(shè)備健康管理
基于對(duì)設(shè)備運(yùn)行數(shù)據(jù)的實(shí)時(shí)監(jiān)測，利用特征分析和機(jī)器學(xué)習(xí)技術(shù)，一方面可以在事故發(fā)生前進(jìn)行設(shè)備的故障預(yù)測，減少非計(jì)劃性停機(jī)。另一方面，面對(duì)設(shè)備的突發(fā)故障，能夠迅速進(jìn)行故障診斷，定位故障原因并提供相應(yīng)的解決方案。
以數(shù)控機(jī)床為例，用機(jī)器學(xué)習(xí)算法模型和智能傳感器等技術(shù)手段監(jiān)測加工過程中的切削刀、主軸和進(jìn)給電機(jī)的功率、電流、電壓等信息，辯識(shí)出刀具的受力、磨損、破損狀態(tài)及機(jī)床加工的穩(wěn)定性狀態(tài)，并根據(jù)這些狀態(tài)實(shí)時(shí)調(diào)整加工參數(shù)（主軸轉(zhuǎn)速、進(jìn)給速度）和加工指令，預(yù)判何時(shí)需要換刀，以提高加工精度、縮短產(chǎn)線停工時(shí)間并提高設(shè)備運(yùn)行的安全性。
場景三：基于視覺的表面缺陷檢測
基于機(jī)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(jī)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(shí)別出產(chǎn)品表面更微小、更復(fù)雜的產(chǎn)品缺陷，并進(jìn)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(xué)習(xí)與3D顯微鏡結(jié)合，將缺陷檢測精度提高到納米級(jí)。對(duì)于檢測出的有缺陷的產(chǎn)品，系統(tǒng)可以自動(dòng)做可修復(fù)判定，并規(guī)劃修復(fù)路徑及方法，再由設(shè)備執(zhí)行修復(fù)動(dòng)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(chǎn)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(jìn)行檢測。采用表面缺陷視覺自動(dòng)檢測后，通過面積、尺寸最小值、最大值設(shè)定，自動(dòng)進(jìn)行管材表面雜質(zhì)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(shè)定，自動(dòng)進(jìn)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(shè)定，自動(dòng)進(jìn)行管材表面褶皺檢測，最小檢測精度為10mm，檢出率大于95%。
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(shí)別技術(shù)實(shí)現(xiàn)異音的自動(dòng)檢測，發(fā)現(xiàn)不良品，并比對(duì)聲紋數(shù)據(jù)庫進(jìn)行故障判斷。例如，從2018年年末開始，佛吉亞（無錫）工廠與集團(tuán)大數(shù)據(jù)科學(xué)家團(tuán)隊(duì)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(píng)判（震動(dòng)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(shí)現(xiàn)從信號(hào)采集、數(shù)據(jù)存儲(chǔ)、數(shù)據(jù)分析到自我學(xué)習(xí)全過程的自動(dòng)化，檢測效率及準(zhǔn)確性遠(yuǎn)超傳統(tǒng)人工檢測。隨著基于AI（人工智能）技術(shù)的噪聲檢測系統(tǒng)在無錫工廠投入應(yīng)用，人員數(shù)量已經(jīng)從38人下降至3人，同時(shí)，質(zhì)量控制能力顯著提高，年經(jīng)濟(jì)效益高達(dá)450萬元。
場景五：智能決策
制造企業(yè)在產(chǎn)品質(zhì)量、運(yùn)營管理、能耗管理和刀具管理等方面，可以應(yīng)用機(jī)器學(xué)習(xí)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(jī)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(jī)時(shí)間預(yù)測、基于機(jī)器學(xué)習(xí)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(shí)際生產(chǎn)性能指標(biāo)作為訓(xùn)練數(shù)據(jù)集，采用神經(jīng)網(wǎng)絡(luò)算法，對(duì)調(diào)度決策評(píng)價(jià)算法的參數(shù)進(jìn)行調(diào)優(yōu)，保證調(diào)度決策符合生產(chǎn)實(shí)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(jī)器學(xué)習(xí)和傳感器數(shù)據(jù)，以建立一個(gè)可以實(shí)時(shí)更新、現(xiàn)場感極強(qiáng)的“真實(shí)”模型，用來支撐物理產(chǎn)品生命周期各項(xiàng)活動(dòng)的決策。在完成對(duì)數(shù)字孿生對(duì)象的降階建模方面，可以把復(fù)雜性和非線性模型放到神經(jīng)網(wǎng)絡(luò)中，借助深度學(xué)習(xí)建立一個(gè)有限的目標(biāo)，基于這個(gè)有限目標(biāo)，進(jìn)行降階建模。
例如，在傳統(tǒng)模式下，一個(gè)冷熱水管的出水口流體及熱仿真，用16核的服務(wù)器每次運(yùn)算需要57個(gè)小時(shí)，進(jìn)行降階建模之后，每次運(yùn)算只需要幾分鐘。
場景七：創(chuàng)成式設(shè)計(jì)
創(chuàng)成式設(shè)計(jì)（Generative Design）是一個(gè)人機(jī)交互、自我創(chuàng)新的過程。工程師在進(jìn)行產(chǎn)品設(shè)計(jì)時(shí)，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，結(jié)合人工智能算法，就能根據(jù)設(shè)計(jì)者的意圖自動(dòng)生成成百上千種可行性方案，然后自行進(jìn)行綜合對(duì)比，篩選出最優(yōu)的設(shè)計(jì)方案推送給設(shè)計(jì)者進(jìn)行最后的決策。
創(chuàng)成式設(shè)計(jì)已經(jīng)成為一個(gè)新的交叉學(xué)科，與計(jì)算機(jī)和人工智能技術(shù)進(jìn)行深度結(jié)合，將先進(jìn)的算法和技術(shù)應(yīng)用到設(shè)計(jì)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、L-系統(tǒng)、元胞自動(dòng)機(jī)、拓?fù)鋬?yōu)化算法、進(jìn)化系統(tǒng)和遺傳算法等。
場景八：需求預(yù)測，供應(yīng)鏈優(yōu)化
以人工智能技術(shù)為基礎(chǔ)，建立精準(zhǔn)的需求預(yù)測模型，實(shí)現(xiàn)企業(yè)的銷量預(yù)測、維修備料預(yù)測，作出以需求導(dǎo)向的決策。同時(shí)，通過對(duì)外部數(shù)據(jù)的分析，基于需求預(yù)測，制定庫存補(bǔ)貨策略，以及供應(yīng)商評(píng)估、零部件選型等。
例如，為了務(wù)實(shí)控制生產(chǎn)管理成本，美國本田公司希望能夠掌握客戶未來的需求會(huì)在何時(shí)發(fā)生，因此將1200個(gè)經(jīng)銷商的客戶銷售與維修資料建立預(yù)測模型，推算未來幾年內(nèi)車輛回到經(jīng)銷商維修的數(shù)量，這些資訊進(jìn)一步轉(zhuǎn)為各項(xiàng)零件預(yù)先準(zhǔn)備的指標(biāo)。該轉(zhuǎn)變讓美國本田已做到預(yù)測準(zhǔn)確度高達(dá)99%，并大大降低客訴時(shí)間。
結(jié)語
目前，隨著越來越多的企業(yè)、高校、開源組織進(jìn)入人工智能領(lǐng)域，大批成功的人工智能開源軟件和平臺(tái)不斷涌入，人工智能迎來前所未有的爆發(fā)期。但與金融等行業(yè)相比，雖然人工智能在制造業(yè)的應(yīng)用場景不少，卻并不突出，甚至可以說發(fā)展較慢。
究其原因，主要包括以下三大方面：
◉ 一是由于制造環(huán)節(jié)數(shù)據(jù)的采集、利用、開發(fā)都有較大難度，加之企業(yè)的數(shù)據(jù)庫也以私有為主、數(shù)據(jù)規(guī)模有限，缺乏優(yōu)質(zhì)的機(jī)器學(xué)習(xí)樣本，制約了機(jī)器的自主學(xué)習(xí)過程。
◉ 二是不同的制造行業(yè)之間存在差異，對(duì)于人工智能解決方案的復(fù)雜性和定制化要求高。
◉ 三是不同的行業(yè)內(nèi)缺乏能夠引領(lǐng)人工智能與制造業(yè)深度融合發(fā)展趨勢(shì)的龍頭企業(yè)。
解決以上三大問題，人工智能技術(shù)才能更好地應(yīng)用于制造業(yè)。
