人工智能（AI）本質(zhì)上是一種智能機(jī)器學(xué)習(xí)算法。它作為一種系統(tǒng)化的方法和規(guī)則，由機(jī)器學(xué)習(xí)并掌握后，應(yīng)用于各種行業(yè)開發(fā)、各類驗(yàn)證和各場景部署。工業(yè)人工智能的概念最初由美國國家科學(xué)基金會智能維護(hù)系統(tǒng)中心提出，它綜合工業(yè)大數(shù)據(jù)和工業(yè)運(yùn)行中的知識經(jīng)驗(yàn)，利用AI技術(shù)，通過自感知、自比較、自預(yù)測、自優(yōu)化和自適應(yīng)，形成可持續(xù)性且迭代升級的工業(yè)應(yīng)用能力，從而重復(fù)、有效、可靠地解決工業(yè)制造問題，實(shí)現(xiàn)工業(yè)生產(chǎn)過程的優(yōu)質(zhì)、高效、安全、可靠和低耗的多目標(biāo)優(yōu)化運(yùn)行。
目前看，盡管工業(yè)人工智能的規(guī)模化應(yīng)用仍任重道遠(yuǎn)，但以全球“燈塔工廠”為代表的工業(yè)人工智能領(lǐng)軍者業(yè)已證明，工業(yè)人工智能將重塑產(chǎn)品服務(wù)、生產(chǎn)運(yùn)營、組織流程等業(yè)務(wù)場景，打造具有顛覆潛力的創(chuàng)新業(yè)態(tài)，成為制造業(yè)轉(zhuǎn)型升級的助推器。
據(jù)Gartner 2020年發(fā)布的技術(shù)成熟度曲線顯示，全球處于上升期或巔峰期的新興技術(shù)中，一半以上與人工智能有關(guān)。去年，人工智能在全球完成約470億美元總收入。據(jù)麥肯錫預(yù)測，人工智能將為全球企業(yè)額外創(chuàng)造3.5萬億~5.8萬億美元的經(jīng)濟(jì)價(jià)值，這一數(shù)字已超過德國2018年的GDP總量。
同樣，工業(yè)人工智能將改變制造業(yè)的面貌。這種改變主要體現(xiàn)在七個(gè)方面。
產(chǎn)品缺陷檢測
由于深度學(xué)習(xí)的應(yīng)用，制造業(yè)生產(chǎn)線的缺陷檢測過程變得越來越智能。深度神經(jīng)網(wǎng)絡(luò)集成使計(jì)算機(jī)系統(tǒng)可以識別諸如刮擦、裂紋、泄漏等表面缺陷。
這一過程，通過應(yīng)用圖像分類，對象檢測和實(shí)例分割算法，由數(shù)據(jù)科學(xué)家以給定缺陷檢測任務(wù)訓(xùn)練視覺檢查系統(tǒng)來完成。深度學(xué)習(xí)驅(qū)動檢測系統(tǒng)，與高光學(xué)分辨率相機(jī)和GPU相結(jié)合，形成超越傳統(tǒng)機(jī)器視覺的感知能力。
例如，可口可樂構(gòu)建的基于AI視覺檢測程序，已經(jīng)可以診斷設(shè)施系統(tǒng)并檢測產(chǎn)線問題，及時(shí)把檢測到的問題反饋給技術(shù)專家進(jìn)行解決。基于此，未來質(zhì)量檢測人員被李開復(fù)列為將被人工智能替代的工種。
新的檢測技術(shù)包括合成數(shù)據(jù)、遷移學(xué)習(xí)和自監(jiān)督學(xué)習(xí)等。在合成數(shù)據(jù)中，生成對抗網(wǎng)絡(luò)(Generative Adversarial Networks，GAN）數(shù)據(jù)生成工具會檢查質(zhì)檢員認(rèn)為“正常”的圖像，并合成缺陷圖像，用于訓(xùn)練人工智能模型。同時(shí)，遷移學(xué)習(xí)與自監(jiān)督學(xué)習(xí)，用于解決特定問題。隨著數(shù)據(jù)積累，缺陷檢測算法更加精確。
即使如此，仍要解決模糊檢測的問題。模糊檢測是因?yàn)槿祟愘|(zhì)檢員的主觀判斷分歧所產(chǎn)生的，比如一個(gè)質(zhì)檢員可能認(rèn)為劃痕是有問題的，而另一個(gè)質(zhì)檢員則認(rèn)為相同的劃痕可以忽略不計(jì)。這就是人工質(zhì)檢會存在20%~30%，甚至40%誤判率的原因。而人工智能平臺可以使用實(shí)時(shí)更新的數(shù)字缺陷手冊，自動標(biāo)記歧義和不一致的地方，來解決模糊檢測問題。如，色差不一致，可重新定義色差予以糾正。
如果是傳統(tǒng)預(yù)建模機(jī)器視覺系統(tǒng)，就不能迅速適應(yīng)生產(chǎn)線環(huán)境的變化（如光線），以及缺陷標(biāo)準(zhǔn)的變化（如1毫米劃痕合格，變?yōu)?.8毫米才合格）。而工業(yè)人工智能可以監(jiān)控并跟蹤變化，持續(xù)收集數(shù)據(jù)并根據(jù)最新數(shù)據(jù)重新學(xué)習(xí)，在重新部署之前驗(yàn)證新模型等，簡化并克服變化的挑戰(zhàn)。
對于大規(guī)模制造企業(yè)來說，多家工廠的多個(gè)產(chǎn)品很容易產(chǎn)生數(shù)千個(gè)獨(dú)特的人工智能軟件模型，每一個(gè)模型都需要在不同量級的特定缺陷圖像上訓(xùn)練，是不可行的。而人工智能軟件平臺可以系統(tǒng)地開發(fā)、部署、跟蹤、維護(hù)和監(jiān)控每一個(gè)數(shù)據(jù)和每個(gè)軟件組件。即使是一家大型跨國制造業(yè)企業(yè)，其制造主管都能夠在辦公桌上快捷地查看全球所有缺陷檢測概況。
設(shè)備預(yù)測性維護(hù)
在工業(yè)制造中，設(shè)備的正常運(yùn)行是保障工廠高效、可靠和安全生產(chǎn)的關(guān)鍵環(huán)節(jié)。與其在發(fā)生故障時(shí)進(jìn)行修復(fù)或故障檢查，不如在發(fā)生問題之前做出預(yù)測。
工業(yè)設(shè)備在長期運(yùn)行中,就如人體的自然老化一樣，其性能和健康狀態(tài)不可避免地出現(xiàn)下降，同時(shí)，因?yàn)榇笮驮O(shè)備的組件眾多、運(yùn)行環(huán)境復(fù)雜，設(shè)備性能發(fā)生退化的概率增大。如果不能及時(shí)發(fā)現(xiàn)其退化或異常狀況，輕則造成設(shè)備失效或故障，重則造成財(cái)產(chǎn)損失和人員傷亡甚至生產(chǎn)環(huán)境的巨大破壞。
預(yù)測性維護(hù)（PdM）通過對設(shè)備進(jìn)行數(shù)據(jù)收集和狀態(tài)監(jiān)測，在設(shè)備發(fā)生故障前，就可以預(yù)測出故障隱患。這使工廠在提升產(chǎn)能的同時(shí)，降低維護(hù)成本，提高關(guān)鍵設(shè)備的可用性，減少非計(jì)劃性停車。在故障發(fā)生之前，提出防范措施，更換相關(guān)零部件，這要大大好過設(shè)備定期檢修，使生產(chǎn)設(shè)備的可控性、生產(chǎn)系統(tǒng)的可用性程度出現(xiàn)質(zhì)的飛躍。
實(shí)際上，預(yù)測性維修只是工業(yè)人工智能工作的一部分，另一個(gè)優(yōu)勢是故障排除。
一般，有三種機(jī)器學(xué)習(xí)模型可以預(yù)測設(shè)備故障：
第一種是預(yù)測剩余使用壽命(RUL)的回歸模型。即通過利用歷史數(shù)據(jù)和靜態(tài)數(shù)據(jù)，預(yù)測設(shè)備發(fā)生故障之前的剩余時(shí)間。
第二種是在預(yù)定時(shí)間段內(nèi)預(yù)測故障的分類模型。即為設(shè)備將要出現(xiàn)故障的時(shí)間開發(fā)一個(gè)模型，可以預(yù)測預(yù)定時(shí)間內(nèi)出現(xiàn)的設(shè)備故障。
第三種是異常檢測模型。即通過識別正常系統(tǒng)行為和故障事件之間的差異來預(yù)測故障，并標(biāo)記故障設(shè)備。
三種模型所需的PdM技術(shù)主要由數(shù)據(jù)采集與處理、狀態(tài)監(jiān)測、健康評估與RUL預(yù)測，及維修決策等模塊組成。
具體來說，RUL預(yù)測的核心是根據(jù)設(shè)備退化機(jī)理模型，或利用監(jiān)測數(shù)據(jù)和人工智能方法解鎖設(shè)備退化的映射關(guān)系，通過與失效閾值比較而框定有效剩余使用時(shí)間概率、分布以及期望值。做出維修決策的主要依據(jù)就是RUL預(yù)測。
基于設(shè)備監(jiān)測數(shù)據(jù)，設(shè)備一旦出現(xiàn)異常，工業(yè)人工智能及時(shí)檢測其異常并進(jìn)行溯源，識別設(shè)備的健康等級并預(yù)測剩余使用壽命，根據(jù)工廠現(xiàn)有資源，選用智能優(yōu)化算法，做出最優(yōu)維修決策，先行排除故障。
目前，國內(nèi)外一些公司已經(jīng)做出了一些落地項(xiàng)目，如西門子推出的基于工業(yè)大數(shù)據(jù)分析的預(yù)測性維護(hù)軟件SiePA。其在對企業(yè)歷史運(yùn)行數(shù)據(jù)進(jìn)行深入分析的基礎(chǔ)上，以工業(yè)人工智能算法為工具，建立起預(yù)測性維護(hù)系統(tǒng)，通過利用設(shè)備運(yùn)行狀態(tài)預(yù)測預(yù)警模塊與智能排查診斷模塊，在及時(shí)預(yù)測預(yù)警運(yùn)營中的故障風(fēng)險(xiǎn)的同時(shí)，幫助企業(yè)高效診斷故障背后的原因，并指導(dǎo)維修維護(hù)。
ABB Ability船舶遠(yuǎn)程診斷系統(tǒng)可以對電氣系統(tǒng)實(shí)行預(yù)防性連續(xù)實(shí)時(shí)監(jiān)測，一體化提供故障排除、預(yù)防性和預(yù)測性服務(wù)三個(gè)級別的服務(wù)。此系統(tǒng)可以使制造企業(yè)的服務(wù)工程師數(shù)量減少70%，并將維護(hù)工作量減少50%。
數(shù)字孿生
數(shù)字孿生的最常見用途是生產(chǎn)過程的實(shí)時(shí)診斷和評估，產(chǎn)品性能的預(yù)測和可視化等。
數(shù)據(jù)工程師使用監(jiān)督和無監(jiān)督的機(jī)器學(xué)習(xí)算法，教化數(shù)字孿生模型了解如何優(yōu)化物理系統(tǒng)。通過處理從連續(xù)實(shí)時(shí)監(jiān)控中收集的歷史數(shù)據(jù)和未標(biāo)記數(shù)據(jù)，機(jī)器學(xué)習(xí)算法可以查找行為模式并發(fā)現(xiàn)異常，從而優(yōu)化生產(chǎn)計(jì)劃，質(zhì)量改進(jìn)和維護(hù)。
但是，要消弭物理模型和數(shù)據(jù)驅(qū)動之間的鴻溝并非易事。而數(shù)字孿生則將工業(yè)制造通過深度學(xué)習(xí)解決這一難題。利用數(shù)字孿生技術(shù)還可以處理來自研究成果、行業(yè)報(bào)告、社交網(wǎng)絡(luò)和大眾媒體的外部數(shù)據(jù)。因此，不僅增強(qiáng)了數(shù)字孿生的功能，而且可以設(shè)計(jì)未來的產(chǎn)品，并模擬其性能。
從這個(gè)角度來看，數(shù)字孿生已經(jīng)成為實(shí)現(xiàn)信息與物理融合的有效手段。
一方面，數(shù)字孿生可以支持制造應(yīng)用的物理世界與信息流動世界之間的虛實(shí)映射與雙向交互，形成“數(shù)據(jù)感知-實(shí)時(shí)分析-智能決策-精準(zhǔn)執(zhí)行”全息實(shí)時(shí)智能閉環(huán)。
另一方面，數(shù)字孿生也可以將運(yùn)行狀態(tài)、環(huán)境變化、突發(fā)擾動等物理實(shí)況數(shù)據(jù)與仿真預(yù)測、統(tǒng)計(jì)分析、領(lǐng)域知識等信息空間數(shù)據(jù)進(jìn)行全面交互與深度融合，從而增強(qiáng)制造的物理世界與信息世界的同步性與一致性，得到不走樣的全功能共振模型。
由此，數(shù)字孿生被認(rèn)為是實(shí)踐工業(yè)人工智能的一種使能技術(shù)。
具體來說，一是數(shù)字孿生可以使能生產(chǎn)線虛擬調(diào)試。虛擬調(diào)試技術(shù)通過在數(shù)字化環(huán)境中，將生產(chǎn)線設(shè)備，如工業(yè)機(jī)器人、自動化設(shè)備、PLC和傳感器等，生成生產(chǎn)線三維布局。在現(xiàn)場調(diào)試之前，對生產(chǎn)線的數(shù)字孿生模型進(jìn)行機(jī)械運(yùn)動、工藝仿真和電氣調(diào)試，讓設(shè)備在未安裝之前完成仿真調(diào)試，解決物理設(shè)備在調(diào)試中暴露出的問題。
二是數(shù)字孿生可以使能工廠運(yùn)行狀態(tài)的實(shí)時(shí)模擬和遠(yuǎn)程監(jiān)控。對于正處在生產(chǎn)狀態(tài)的工廠，通過數(shù)字孿生模型可以實(shí)現(xiàn)生產(chǎn)過程的可視化。包括生產(chǎn)設(shè)備當(dāng)前狀態(tài)，在加工什么訂單，設(shè)備和產(chǎn)線的OEE、產(chǎn)量、質(zhì)量與能耗等。對于故障設(shè)備，瞬時(shí)提示具體故障類型。當(dāng)然，還可以定位每一臺物流設(shè)備的位置和狀態(tài)。
三是數(shù)字孿生可以使能產(chǎn)品的運(yùn)行監(jiān)控和智能運(yùn)維。通過實(shí)時(shí)采集智能裝備運(yùn)行過程中的傳感器數(shù)據(jù)，并傳遞到數(shù)字孿生模型進(jìn)行仿真分析，從而對智能裝備的健康狀態(tài)和故障征兆進(jìn)行診斷，預(yù)測故障。當(dāng)生產(chǎn)工況發(fā)生改變時(shí)，可以先行對數(shù)字孿生模型在仿真云平臺上，對于擬采取的調(diào)整措施進(jìn)行驗(yàn)證。如果順利通過驗(yàn)證，就可以對實(shí)際運(yùn)行參數(shù)進(jìn)行調(diào)整。
四是數(shù)字孿生可以使能數(shù)字營銷。對于尚未上市的新產(chǎn)品，通過發(fā)布其概念階段的數(shù)字孿生模型，讓消費(fèi)者選擇更喜歡的設(shè)計(jì)方案，甚至量身定制，根據(jù)修改后的設(shè)計(jì)，再進(jìn)行生產(chǎn)，明顯提升制造企業(yè)的銷售業(yè)績。目前，這一技術(shù)手段在汽車制造領(lǐng)域，不僅用于數(shù)字營銷，而且被用于資金募集。
工業(yè)生成設(shè)計(jì)
當(dāng)人工智能可以制造詩歌，并作畫、書寫、作曲時(shí)，這預(yù)示著它的創(chuàng)造可以伸展到幾乎所有領(lǐng)域。其中，工業(yè)生產(chǎn)設(shè)計(jì)僅僅是設(shè)計(jì)創(chuàng)新的一個(gè)方面。所謂工業(yè)生成設(shè)計(jì)是基于機(jī)器學(xué)習(xí)對于給定產(chǎn)品的所有可能設(shè)計(jì)選項(xiàng)，生發(fā)出多種設(shè)計(jì)可能。通過設(shè)計(jì)生成軟件，選擇質(zhì)量、尺寸、材料、操作和制造條件等參數(shù)，工業(yè)品設(shè)計(jì)工程師可以生成許多設(shè)計(jì)解決方案，并從中選擇最合適投產(chǎn)的設(shè)計(jì)方案。也可以說生成設(shè)計(jì)是模仿自然化的設(shè)計(jì)方法，設(shè)計(jì)師和工程師一起將更多的時(shí)間花費(fèi)在解決設(shè)計(jì)問題上，而不再是提出設(shè)計(jì)思路并存儲在電腦中。工業(yè)生成設(shè)計(jì)是人工智能和工業(yè)設(shè)計(jì)相融合而產(chǎn)生的新技術(shù)。
深度學(xué)習(xí)算法的不斷進(jìn)步，使得生成設(shè)計(jì)軟件越來越智能。
一般情況下，是運(yùn)用由人工智能構(gòu)成的對抗網(wǎng)絡(luò)(GAN)進(jìn)行生成設(shè)計(jì)。GAN被分為兩個(gè)網(wǎng)絡(luò)，即生成器網(wǎng)絡(luò)和鑒別器網(wǎng)絡(luò)。GAN使用這兩個(gè)網(wǎng)絡(luò)完成設(shè)計(jì)。其中，生成器網(wǎng)絡(luò)為給定產(chǎn)品生成新的設(shè)計(jì)，而鑒別器網(wǎng)絡(luò)則對真實(shí)產(chǎn)品的設(shè)計(jì)和生成設(shè)計(jì)進(jìn)行區(qū)分。
舉例來說，傳統(tǒng)的設(shè)計(jì)師將創(chuàng)意靈感通過計(jì)算機(jī)渲染，將設(shè)計(jì)方案輸出到圖紙中。在生成設(shè)計(jì)中，計(jì)算機(jī)不再是單純的工具，而是和設(shè)計(jì)師一起共同創(chuàng)造設(shè)計(jì)內(nèi)容。通過數(shù)據(jù)錄入、人工智能算法、云計(jì)算等，一次生成數(shù)以千計(jì)的設(shè)計(jì)方案，這就是通常意義上的生成設(shè)計(jì)。
當(dāng)然，它不是從無到有的設(shè)計(jì)，而是根據(jù)已有的數(shù)十萬張?jiān)O(shè)計(jì)素材進(jìn)行人工智能訓(xùn)練，通過GAN算法進(jìn)行智能設(shè)計(jì)而生成的。
柔性生產(chǎn)
柔性生產(chǎn)是一種新的生產(chǎn)模式，相對于傳統(tǒng)大規(guī)模量產(chǎn)模式，是一種以消費(fèi)者為導(dǎo)向的以需定產(chǎn)生產(chǎn)模式。
通常，柔性生產(chǎn)主要體現(xiàn)在如下七個(gè)方面。
一是機(jī)器柔性。機(jī)器設(shè)備對于生產(chǎn)不同類型產(chǎn)品時(shí)，可以快速響應(yīng)。即使是非標(biāo)準(zhǔn)件的生產(chǎn)，非標(biāo)終端設(shè)施的切換、控制程序仍可以自動下載、快速更換。
二是工藝柔性。在工藝流程不變時(shí)，考驗(yàn)的是適應(yīng)產(chǎn)品或原材料變化的能力。比如，協(xié)作機(jī)器人與生產(chǎn)機(jī)器人夾爪力度傳感器對不同質(zhì)量生產(chǎn)件具有較強(qiáng)的適應(yīng)能力，以及產(chǎn)線內(nèi)為適應(yīng)產(chǎn)品或原材料變化而改變相應(yīng)工藝的速度。
三是產(chǎn)品柔性。產(chǎn)品升級或更新，甚至轉(zhuǎn)產(chǎn)后，生產(chǎn)系統(tǒng)能夠高效、經(jīng)濟(jì)和迅速地產(chǎn)出新產(chǎn)品的能力。如比亞迪新能源汽車產(chǎn)線轉(zhuǎn)去生產(chǎn)防疫口罩。當(dāng)然，產(chǎn)品更新后，仍保持對原產(chǎn)品可用特性的繼承能力和兼容能力。
四是維護(hù)柔性。采用多種方式查詢、處理故障，保障生產(chǎn)正常進(jìn)行的能力。前面提到的設(shè)備預(yù)測性維護(hù)就是明顯的例子。
五是生產(chǎn)能力柔性。當(dāng)生產(chǎn)量改變時(shí)，產(chǎn)線也有能力以最經(jīng)濟(jì)地方式來應(yīng)對。如果訂單數(shù)量突然發(fā)生變化，預(yù)留工位，循環(huán)流轉(zhuǎn)工位和緩存工位，以及備料等均能迅速做出改變。
六是擴(kuò)展柔性。根據(jù)增長的生產(chǎn)需求，可以很容易地?cái)U(kuò)展產(chǎn)線能力，如增加模塊，甚至根據(jù)工藝流程，增加生產(chǎn)工位，消除瓶頸工位等擴(kuò)充產(chǎn)能。
七是運(yùn)行柔性。利用不同設(shè)備、材料、工藝流程等生產(chǎn)同質(zhì)產(chǎn)品，包括系列產(chǎn)品的能力，甚至換用不同工序仍能完成預(yù)定的生產(chǎn)。
為達(dá)成以上七方面的柔性，先是通過集成各類傳感器、機(jī)器視覺、測量設(shè)備等獲得感知；然后對采集數(shù)據(jù)進(jìn)行實(shí)時(shí)處理，分析挖掘；基于分析所獲知識，做出生產(chǎn)決策；最后由工業(yè)機(jī)器人、數(shù)控機(jī)床、各種專有設(shè)備去完成生產(chǎn)。
能耗預(yù)測
世界各國的數(shù)據(jù)中心正在消耗全球能源的3％，大型工業(yè)系統(tǒng)正消耗著全球能源的54％。工業(yè)人工智能系統(tǒng)的能耗預(yù)測能力，在解決能源消耗，助力碳排放目標(biāo)的實(shí)現(xiàn)上，將發(fā)揮不可替代的作用。
德國Borderstep研究所已經(jīng)部署了預(yù)測性機(jī)器學(xué)習(xí)算法，將節(jié)省下來的20％至25％的能源，用于加熱柏林250套公寓。
IBM的一個(gè)人工智能研究團(tuán)隊(duì)正在使用深度學(xué)習(xí)方法，預(yù)測海上風(fēng)電場的故障，以優(yōu)化維護(hù)，降低能耗。該項(xiàng)目以溫度、風(fēng)速和濕度的歷史數(shù)據(jù)“訓(xùn)練”相關(guān)模型。經(jīng)過訓(xùn)練的模型在部署之后，收集新的數(shù)據(jù)，提升了能耗預(yù)測能力。同時(shí)，通過降低渦輪機(jī)的維護(hù)成本和停機(jī)時(shí)間，更便宜地產(chǎn)生更多的綠色電力。
對于企業(yè)來說，減少碳排放可以從以下三個(gè)方面入手。
一是監(jiān)測排放。由AI驅(qū)動的數(shù)據(jù)工程跟蹤碳足跡，如從運(yùn)營、生產(chǎn)、供應(yīng)、物流等環(huán)節(jié)收集數(shù)據(jù)，并利用AI生成缺失數(shù)據(jù)的近似值，提高監(jiān)測的準(zhǔn)確性。
二是預(yù)測排放。AI可以根據(jù)企業(yè)當(dāng)前的減排工作、新的減排方法和未來需求，預(yù)測企業(yè)未來的碳排放，有助于更準(zhǔn)確地設(shè)定、調(diào)整和實(shí)現(xiàn)減排目標(biāo)。
三是減少排放。通過提供對價(jià)值鏈各個(gè)方面的詳細(xì)洞察，AI可以提高生產(chǎn)、運(yùn)輸和其他方面的效率，從而減少碳排放，降低成本。
冶煉企業(yè)是能源消耗大戶，也是能耗預(yù)測快速見效的行業(yè)。BCG幫助一家鋼鐵生產(chǎn)企業(yè)通過工業(yè)AI優(yōu)化生產(chǎn)流程，減少了碳排放并降低成本?；贏I的流程控制，布置了數(shù)千個(gè)傳感器，這些傳感器可以收集數(shù)十億個(gè)數(shù)據(jù)點(diǎn)，并輸入控制系統(tǒng)，計(jì)算并預(yù)測出該公司能源需求，同時(shí)可以追蹤和減少廢物來源。項(xiàng)目實(shí)施后，該公司碳排放量減少3%，成本降低4,000萬美元。
實(shí)際上，AI賦能的數(shù)據(jù)分析助力碳減排，不僅僅局限于工業(yè)生產(chǎn)，其在交通運(yùn)輸、制藥、快消品、能源和公用事業(yè)等多個(gè)領(lǐng)域同樣發(fā)揮著重要作用。
預(yù)測能耗的最常見機(jī)器學(xué)習(xí)方法是基于順序數(shù)據(jù)的測量，所使用的工具是自回歸模型和深度神經(jīng)網(wǎng)絡(luò)。
自回歸模型的特點(diǎn)是定義趨勢、周期性、不規(guī)律性和季節(jié)性。為了彌補(bǔ)自回歸模型不充足的缺陷，提高預(yù)測的準(zhǔn)確性，就要綜合使用幾種補(bǔ)充方法，進(jìn)行校正。其中，最常用的是要素工程。該工程方法可以將原始數(shù)據(jù)轉(zhuǎn)換為關(guān)聯(lián)要素，為預(yù)測算法指定任務(wù)，避免偏移。
深度神經(jīng)網(wǎng)絡(luò)則更適合處理大型數(shù)據(jù)集和快速找到匹配模式。進(jìn)行訓(xùn)練之后，該網(wǎng)絡(luò)可以從輸入數(shù)據(jù)中自動提取特征。內(nèi)部存儲數(shù)據(jù)的提取則是利用遞歸神經(jīng)網(wǎng)絡(luò)(RNN)，因?yàn)樗瞄L梳理時(shí)間跨度較長的數(shù)據(jù)序列，有助于理解時(shí)間邏輯順序，根據(jù)既有數(shù)據(jù)，預(yù)測未來趨勢。RNN在自循環(huán)中，可以動態(tài)學(xué)習(xí)，發(fā)現(xiàn)有價(jià)值的信息，并在必要時(shí)快速跳過或更改上下文。
由此，AI可以助力制造企業(yè)估算能源消耗數(shù)量，清晰未來能源消耗方式，在降低能源消耗的同時(shí)，選用綠色能源，優(yōu)化能源結(jié)構(gòu)。整個(gè)能耗預(yù)測完全由數(shù)據(jù)驅(qū)動。
認(rèn)知供應(yīng)鏈
如果說，智能供應(yīng)鏈?zhǔn)沁x擇正確的解決方案，那么，人工智能和機(jī)器學(xué)習(xí)不僅使供應(yīng)鏈管理自動化，而且使認(rèn)知管理成為可能?；跈C(jī)器學(xué)習(xí)算法的供應(yīng)鏈管理系統(tǒng)可以自動分析諸如物料庫存，入站裝運(yùn)，再制品，市場趨勢，消費(fèi)者情緒和天氣預(yù)報(bào)等數(shù)據(jù)。相比較而言，認(rèn)知供應(yīng)鏈可以定義最佳解決方案并放心由數(shù)據(jù)驅(qū)動決策，就像人類自我感知需求一樣。
目前，因?yàn)槿斯ぶ悄苷诖蚱乒逃羞吔?，所有行業(yè)的供應(yīng)鏈都在面臨著重新認(rèn)知，預(yù)測性分析被廣泛應(yīng)用到所有供應(yīng)鏈流程，機(jī)器人和無人機(jī)投入生產(chǎn)與配送，則進(jìn)一步推動著數(shù)字制造、客戶服務(wù)和配送自動化。供應(yīng)鏈因人工智能訓(xùn)練，其指揮水平不斷提升，數(shù)字決策能力不斷增強(qiáng)。
AI能夠理解來自大量設(shè)備和云應(yīng)用的海量運(yùn)營數(shù)據(jù)流，物聯(lián)化特征越來越明顯。過去由人類創(chuàng)造的信息將會越來越多地由機(jī)器生成——傳感器、RFID標(biāo)簽、計(jì)量器、執(zhí)行器、GPS等。倉庫可以完成自動盤點(diǎn)，集裝箱可以自行檢測其內(nèi)部貨物。整個(gè)供應(yīng)鏈將連為一體——不僅僅包括一般意義上的客戶、供應(yīng)商和IT系統(tǒng)，還包括用于監(jiān)視供應(yīng)鏈的部件、產(chǎn)品和其他智能工具。這種廣泛的互聯(lián)互通將支持全球供應(yīng)鏈網(wǎng)絡(luò)協(xié)同規(guī)劃和決策。同時(shí)，供應(yīng)鏈決策也將變得更加智能，更好地幫助決策者分析一系列極其復(fù)雜多變的風(fēng)險(xiǎn)和制約因素，以評估各種備選方案。智能系統(tǒng)甚至可以自動制定決策——提高響應(yīng)速度，減少人為干預(yù)。
整個(gè)認(rèn)知供應(yīng)鏈管理系統(tǒng)主要體現(xiàn)以下功能：需求預(yù)測、物流優(yōu)化、倉庫自控、客戶支持、人力資源規(guī)劃、供應(yīng)鏈安全、端到端透明度與財(cái)務(wù)異常檢測。
即使工業(yè)人工智能展現(xiàn)出如此多的優(yōu)勢，但大多數(shù)制造企業(yè)仍對人工智能的前景和投資回報(bào)心存疑慮，利用工業(yè)人工智能的企業(yè)不足30%，工業(yè)人工智能的規(guī)模化應(yīng)用依然任重而道遠(yuǎn)。
原載于《中國工業(yè)和信息化》雜志
