隨著物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算等技術(shù)日趨成熟，人工智能迎來爆發(fā)式增長。放眼智能制造領(lǐng)域，人工智能應(yīng)用已經(jīng)貫穿設(shè)計(jì)、生產(chǎn)、管理和服務(wù)等制造業(yè)的各個(gè)環(huán)節(jié)，應(yīng)用于智能分揀、設(shè)備健康管理、機(jī)器視覺檢測等典型應(yīng)用場景。
目前制造企業(yè)中應(yīng)用的人工智能技術(shù)，主要圍繞智能語音交互產(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。
場景一：智能分揀
制造業(yè)有許多需要分揀的作業(yè)，如果采用人工作業(yè)，速度慢且成本高，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，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：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、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。
場景三：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。這種人工智能場景在制造行業(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(fēng)電等行業(yè)。
場景四：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。
場景五：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)有限的目標(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)行降階建模之后運(yùn)算時(shí)間縮短至幾分鐘。
場景六：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，做出以需求為導(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)貨策略以及進(jìn)行供應(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，推算未來幾年車輛回到經(jīng)銷商維修的數(shù)量，這些資訊進(jìn)一步轉(zhuǎn)化為各項(xiàng)零件預(yù)先準(zhǔn)備的指標(biāo)。該轉(zhuǎn)變讓美國本田做到了預(yù)測準(zhǔn)確度高達(dá)99%，并大幅減少了客訴時(shí)間。
由于不同的制造行業(yè)之間存在差異，對(duì)于人工智能解決方案的復(fù)雜性和定制化要求較高，因此還需產(chǎn)業(yè)界共同探索人工智能與制造業(yè)深度融合，才能更好地助力智能制造發(fā)展。
