人工智能的概念第一次被提出,是在20世紀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(lái)爆發(fā)式的增長(cháng),究其原因,主要在于日趨成熟的物聯(lián)網(wǎng)、大數據、云計算等技術(shù)。
物聯(lián)網(wǎng)使得大量數據能夠被實(shí)時(shí)獲取,大數據為深度學(xué)習提供了數據資源及算法支撐,云計算則為人工智能提供了靈活的計算資源。這些技術(shù)的有機結合,驅動(dòng)著(zhù)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(guò)過(guò)去幾年的實(shí)踐檢驗,目前應用較為普遍,推動(dòng)著(zhù)人工智能與各行各業(yè)加速融合。從技術(shù)層面來(lái)看,業(yè)界廣泛認為,人工智能的核心能力可以分為三個(gè)層面,分別是計算智能、感知智能、認知智能。
1、計算智能
計算智能,是指機器具備超強的存儲能力和超快的計算能力,可以基于海量數據進(jìn)行深度學(xué)習,利用歷史經(jīng)驗指導當前環(huán)境。隨著(zhù)計算力的不斷發(fā)展,儲存手段的不斷升級,計算智能可以說(shuō)已經(jīng)實(shí)現。例如,AlphaGo利用增強學(xué)習技術(shù)完勝世界圍棋冠軍;電商平臺基于對用戶(hù)購買(mǎi)習慣的深度學(xué)習,進(jìn)行個(gè)性化商品推薦等。
2、感知智能
感知智能,是指使機器具備視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)等感知能力,可以將非結構化的數據結構化,并用人類(lèi)的溝通方式與用戶(hù)互動(dòng)。隨著(zhù)各類(lèi)技術(shù)發(fā)展,更多非結構化數據的價(jià)值被重視和挖掘,語(yǔ)音、圖像、視頻、觸點(diǎn)等感知智能快速發(fā)展。無(wú)人駕駛汽車(chē)、波士頓動(dòng)力機器人等就運用了感知智能,通過(guò)各種傳感器,感知周?chē)h(huán)境并進(jìn)行處理,從而有效指導其運行。
3、認知智能
認知智能,是指機器像人一樣,有理解能力、歸納能力、推理能力,有運用知識的能力,相較于計算智能和感知智能更為復雜。目前,認知智能技術(shù)還在研究探索階段,如在公共安全領(lǐng)域,對犯罪者的微觀(guān)行為和宏觀(guān)行為的特征提取和模式分析,開(kāi)發(fā)犯罪預測、資金穿透、城市犯罪演化模擬等人工智能模型和系統;在金融行業(yè),用于識別可疑交易、預測宏觀(guān)經(jīng)濟波動(dòng)等。要將認知智能推入發(fā)展的快車(chē)道,還有很長(cháng)一段路要走。
人工智能制造業(yè)應用場(chǎng)景
從應用層面來(lái)看,人工智能技術(shù)的應用包含計算智能、感知智能等多個(gè)層次的核心能力。工業(yè)機器人、智能手機、無(wú)人駕駛汽車(chē)、無(wú)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(lèi)軟件結合具備感知、判斷的能力并實(shí)時(shí)與用戶(hù)、環(huán)境互動(dòng),無(wú)不是綜合了多種人工智能的核心能力。
例如,在制造業(yè)中被廣泛應用的各種智能機器人:分揀/揀選機器人能夠自動(dòng)識別并抓取不規則的物體,協(xié)作機器人能夠理解并對周?chē)h(huán)境做出反應,自動(dòng)跟隨物料小車(chē)能夠通過(guò)人臉識別實(shí)現自動(dòng)跟隨,借助同步定位與地圖構建(simultaneous localization and mapping,SLAM)技術(shù),自主移動(dòng)機器人可以利用自身攜帶的傳感器識別未知環(huán)境中的特征標志,然后根據機器人與特征標志之間的相對位置和里程讀數,估計機器人和特征標志的全局坐標。無(wú)人駕駛技術(shù)在定位、環(huán)境感知、路徑規劃、行為決策與控制方面也綜合應用了多種人工智能技術(shù)與算法。
目前,制造企業(yè)中應用的人工智能技術(shù),主要圍繞在智能語(yǔ)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(xué)習、大數據計算、數據可視化等方面。下文總結了制造業(yè)中常用的八大人工智能應用場(chǎng)景。
場(chǎng)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(méi)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揀起來(lái)。在這種情況下,利用機器學(xué)習技術(shù),先讓機器人隨機進(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(guò)多次訓練之后,機器人就會(huì )知道按照怎樣的順序來(lái)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(guò)幾個(gè)小時(shí)的學(xué)習,機器人的分揀成功率可以達到90%,和熟練工人的水平相當。
場(chǎng)景二:設備健康管理
基于對設備運行數據的實(shí)時(shí)監測,利用特征分析和機器學(xué)習技術(shù),一方面可以在事故發(fā)生前進(jìn)行設備的故障預測,減少非計劃性停機。另一方面,面對設備的突發(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的解決方案。
以數控機床為例,用機器學(xué)習算法模型和智能傳感器等技術(shù)手段監測加工過(guò)程中的切削刀、主軸和進(jìn)給電機的功率、電流、電壓等信息,辯識出刀具的受力、磨損、破損狀態(tài)及機床加工的穩定性狀態(tài),并根據這些狀態(tài)實(shí)時(shí)調整加工參數(主軸轉速、進(jìn)給速度)和加工指令,預判何時(shí)需要換刀,以提高加工精度、縮短產(chǎn)線(xiàn)停工時(shí)間并提高設備運行的安全性。
場(chǎng)景三:基于視覺(jué)的表面缺陷檢測
基于機器視覺(jué)的表面缺陷檢測應用在制造業(yè)已經(jīng)較為常見(jiàn)。利用機器視覺(jué)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(jìn)行分類(lèi),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)習與3D顯微鏡結合,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,系統可以自動(dòng)做可修復判定,并規劃修復路徑及方法,再由設備執行修復動(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(guò)程中容易存在表面劃傷、凹坑、水紋、麻面等諸多類(lèi)型的缺陷,消耗大量的人力進(jìn)行檢測。采用表面缺陷視覺(jué)自動(dòng)檢測后,通過(guò)面積、尺寸最小值、最大值設定,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(guò)劃傷長(cháng)度、寬度的最小值、最大值設定,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(guò)褶皺長(cháng)度、寬度的最小值、最大值、片段長(cháng)度、色差閾值設定,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(chǎng)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(shí)現異音的自動(dòng)檢測,發(fā)現不良品,并比對聲紋數據庫進(jìn)行故障判斷。例如,從2018年年末開(kāi)始,佛吉亞(無(wú)錫)工廠(chǎng)與集團大數據科學(xué)家團隊展開(kāi)全面合作,致力于將AI技術(shù)應用于座椅調角器的NVH性能評判(震動(dòng)噪聲測試)。2019年,佛吉亞(無(wú)錫)工廠(chǎng)將AI技術(shù)應用到調角器異音檢測中,實(shí)現從信號采集、數據存儲、數據分析到自我學(xué)習全過(guò)程的自動(dòng)化,檢測效率及準確性遠超傳統人工檢測。隨著(zhù)基于AI(人工智能)技術(shù)的噪聲檢測系統在無(wú)錫工廠(chǎng)投入應用,人員數量已經(jīng)從38人下降至3人,同時(shí),質(zhì)量控制能力顯著(zhù)提高,年經(jīng)濟效益高達450萬(wàn)元。
場(chǎng)景五:智能決策
制造企業(yè)在產(chǎn)品質(zhì)量、運營(yíng)管理、能耗管理和刀具管理等方面,可以應用機器學(xué)習等人工智能技術(shù),結合大數據分析,優(yōu)化調度方式,提升企業(yè)決策能力。
例如,一汽解放無(wú)錫柴油機廠(chǎng)的智能生產(chǎn)管理系統,具有異常和生產(chǎn)調度數據采集、基于決策樹(shù)的異常原因診斷、基于回歸分析的設備停機時(shí)間預測、基于機器學(xué)習的調度決策優(yōu)化等功能,通過(guò)將歷史調度決策過(guò)程數據和調度執行后的實(shí)際生產(chǎn)性能指標作為訓練數據集,采用神經(jīng)網(wǎng)絡(luò )算法,對調度決策評價(jià)算法的參數進(jìn)行調優(yōu),保證調度決策符合生產(chǎn)實(shí)際需求。
場(chǎng)景六:數字孿生
數字孿生是客觀(guān)事物在虛擬世界的鏡像。創(chuàng )建數字孿生的過(guò)程,集成了人工智能、機器學(xué)習和傳感器數據,以建立一個(gè)可以實(shí)時(shí)更新、現場(chǎng)感極強的“真實(shí)”模型,用來(lái)支撐物理產(chǎn)品生命周期各項活動(dòng)的決策。在完成對數字孿生對象的降階建模方面,可以把復雜性和非線(xiàn)性模型放到神經(jīng)網(wǎng)絡(luò )中,借助深度學(xué)習建立一個(gè)有限的目標,基于這個(gè)有限目標,進(jìn)行降階建模。
例如,在傳統模式下,一個(gè)冷熱水管的出水口流體及熱仿真,用16核的服務(wù)器每次運算需要57個(gè)小時(shí),進(jìn)行降階建模之后,每次運算只需要幾分鐘。
場(chǎng)景七:創(chuàng )成式設計
創(chuàng )成式設計(Generative Design)是一個(gè)人機交互、自我創(chuàng )新的過(guò)程。工程師在進(jìn)行產(chǎn)品設計時(shí),只需要在系統指引下,設置期望的參數及性能等約束條件,如材料、重量、體積等,結合人工智能算法,就能根據設計者的意圖自動(dòng)生成成百上千種可行性方案,然后自行進(jìn)行綜合對比,篩選出最優(yōu)的設計方案推送給設計者進(jìn)行最后的決策。
創(chuàng )成式設計已經(jīng)成為一個(gè)新的交叉學(xué)科,與計算機和人工智能技術(shù)進(jìn)行深度結合,將先進(jìn)的算法和技術(shù)應用到設計中來(lái)。得到廣泛應用的創(chuàng )成式算法包括:參數化系統、形狀語(yǔ)法、L-系統、元胞自動(dòng)機、拓撲優(yōu)化算法、進(jìn)化系統和遺傳算法等。
場(chǎng)景八:需求預測,供應鏈優(yōu)化
以人工智能技術(shù)為基礎,建立精準的需求預測模型,實(shí)現企業(yè)的銷(xiāo)量預測、維修備料預測,作出以需求導向的決策。同時(shí),通過(guò)對外部數據的分析,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,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(hù)未來(lái)的需求會(huì )在何時(shí)發(fā)生,因此將1200個(gè)經(jīng)銷(xiāo)商的客戶(hù)銷(xiāo)售與維修資料建立預測模型,推算未來(lái)幾年內車(chē)輛回到經(jīng)銷(xiāo)商維修的數量,這些資訊進(jìn)一步轉為各項零件預先準備的指標。該轉變讓美國本田已做到預測準確度高達99%,并大大降低客訴時(shí)間。
結語(yǔ)
目前,隨著(zhù)越來(lái)越多的企業(yè)、高校、開(kāi)源組織進(jìn)入人工智能領(lǐng)域,大批成功的人工智能開(kāi)源軟件和平臺不斷涌入,人工智能迎來(lái)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)的應用場(chǎng)景不少,卻并不突出,甚至可以說(shuō)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)節數據的采集、利用、開(kāi)發(fā)都有較大難度,加之企業(yè)的數據庫也以私有為主、數據規模有限,缺乏優(yōu)質(zhì)的機器學(xué)習樣本,制約了機器的自主學(xué)習過(guò)程。
◉ 二是不同的制造行業(yè)之間存在差異,對于人工智能解決方案的復雜性和定制化要求高。
◉ 三是不同的行業(yè)內缺乏能夠引領(lǐng)人工智能與制造業(yè)深度融合發(fā)展趨勢的龍頭企業(yè)。
解決以上三大問(wèn)題,人工智能技術(shù)才能更好地應用于制造業(yè)。