人工智能也不断推进到工业领域。工业智能是指利用人工智能技术改造工业的生产方式和决策模式，达到系统性的降本、增效、提质的作用，是当前工业发展的重要趋势，其实质是实现设计模式创新、生产智能决策、资源优化配置和生产过程智能感知等创新应用，使工业系统具备自感知、自学习、自执行、自决策、自适应的能力，以适应复杂多变的工业环境，完成多样化的工业设计生产任务，提高生产效率和产品质量。工业智能成为公认的提升制造业整体竞争力的国家战略。

工业智能系统框架

       工业智能集成了人工智能、工业互联网、大数据、云计算和信息物理系统等新科技，使得工业生产运行更加灵活、高质量、高效率和节能，其应用前景广阔。阿里云强大的人工智能“工业大脑”集成了设备数据、产品生命周期数据以及相关数据等，与行业知识机制相融合，形成以数据、算力和算法三者融合为核心的智能制造技术体系，实现工业生产的降本、增效、提质和安全。

       当前产品生产所得利润不仅与制造本身相关，还与市场环境和产品定位相关，将来的工业智能技术会涉及更多产品制造相关因素。本文作者研究的人工智能技术结合工业制造的应用关系如图所示。

图为工业制造过程人工智能技术应用框架示意

       工业智能包含产品市场需求、物流、生产和产品销售等环节，其中涉及内容包括：在生产时具备的条件，包括人员配置与素质、设备情况、环境气候与温度湿度、各种实时匹配的物料以及动态能源消耗等；生产过程主要有几个关键环节，包括各种相关工艺、精细化的生产管理、工业互联网、物流计划调度、能效和环保的要求等；生产过程中提取的工业大数据，再应用人工智能技术对生产过程进行有效控制，其中的关键技术包括人工智能的硬件、建模、决策、预测、数据、传感和检测等，最后形成高效和高质量的产品，以产生良好的经济效益和社会效益。目前工业智能还没有形成市场和产品链的整体应用，只是在个别环节和技术上有些相关的成功探索，主要包括生产过程控制、设备故障诊断与健康预测、对象与质量检测、物料库存管理、生产效益分析等。

工业智能关键技术

       本文从实际应用角度将工业智能的关键技术分为硬件、传感、检测、数据、建模、决策、预测。

       （1）硬件

       人工智能必须依靠算力、算法和数据，这些需要硬件为基础，必须具备专门的图像、语音等处理能力强、运算速度高的硬件。在分散处理、现场传感检测时，通常采用专门的人工智能（AI）芯片作为底层硬件，通常称为边缘计算网关。AI芯片按架构体系分为通用芯片CPU和GPU（图像处理单元）、半定制芯片FPGA、全定制芯片ASIC和模拟人脑的新型类脑芯片；按照应用场景可分为训练芯片、推断芯片、终端计算芯片等。人工智能先采用训练芯片训练数据得出核心模型，接着利用推断芯片对新数据进行判断推理得出结论，模型和推理也可以从已有的SDK（软件工具开发包）中获取，终端计算芯片主要采用简单实时性能的边缘计算控制输出。

       （2）传感

人工智能场景中面对丰富多样和大量的各种数据及相关技术，其中绝大部分数据来源于传感器。传感器能将被测量的各种信息转变成相关数字信号，通常需要将电量、物理量、生物量、视觉、味觉、听觉等进行感知，涉及到感知的精度、速度等。一种新型传感器的发明，往往可以开发出相应的仪器装置。传感器分为常规传感器和智能传感器:常规传感器可以直接采集转换处理压力、温度、流量、电压等信号；智能传感器是具有信息处理功能的传感器。智能传感器带有微处理机，具有采集、处理、交换信息的能力，是传感器集成化与微处理机相结合的产物。与一般传感器相比，智能传感器通过软件技术可以实现低成本、高精度的信息采集，具有编程自动化、功能多样化等显著特点，已广泛应用于各种视觉、听觉、物理量和电量等传感检测。

       （3）检测

       工业智能系统的各个环节涉及供应链、产品生产质量、设备状态、能耗、生产环境等，这些需要大量的生产前期各种基础、生产物流、设备和环境等外界状态感知数据收集，并进行数据融合分析。这些检测的精度、速度、可靠性、分析能力等性能以及价格决定了生产应用的基础。目前成品和部件从离线集中式检测，逐步转变为加工在线、实时、嵌入到生产线及设备内部的检测；从独立的感知和检测转变为多传感器、多元异构数据的融合分析；从当前数据状态转变为数据标准化和溯源。检测延伸就包含了诊断，当生产过程异常导致产品质量下降或者事故时，利用传感器采集关键设备、生产线运行以及产品质量等获得各种智能检测数据，进行自动特征提取，采用大数据分析、深度学习等方法进行高精度智能诊断及溯源。

       （4）数据

       人工智能是建立在强大数据分析基础上的，现在计算机的大容量、高速运算能力和网络云平台给大数据应用提供了极大的可行性和便利性。大数据通常用来形容各行各业运行过程中发生的大量不同时序、多元异构的数据，往往看起来这些数据关联性不够紧密，在关系型数据库中分析时需要花费大量时间和资源进行处理。大数据不只是数据量大，而且数据种类多。要求实时性强。数据所蕴藏的价值大。各行各业均存在大数据，但是众多的信息和咨询是纷繁复杂的，需要搜索、处理、分析、归纳、总结其深层次的规律，获得规律性、有用的数据。

       （5）建模

       建模是认识生产过程对象和控制方法的最基本环节，不同产品、生产过程和控制要求涉及的模型差异较大，甚至难以找到相关的模型。特定模型包含工业生产过程的机制与知识，表达了生产设备、工艺参数、原材料和产品质量效率间的映射关系，设备或关键部件的退化机制，产线运行状况和工序之间的耦合关系。人工智能控制对象更加复杂和多样，往往是多输入多输出的多变量系统、非线性系统、时变系统。要求控制系统更快、精、复杂时，必须采用状态空间法、离散模型、人工智能等理论进行建模和控制。

       （6）决策

       决策包括优化、调度和控制等。由于产品、工艺和设备等不同，决策的方式差别很大。复杂工业生产通常由多工序、多台套设备和不同加工要求组成，涉及实时市场信息、生产条件以及运行工况，企业目标、计划调度、运行指标、生产指令与控制指令一体化优化等，需要协同企业管理者和生产管理者的知识并进行智能化处理。以ERP和MES变革为人机合作的管理与决策智能化系统，利用监测设备和产线运行状态的数据，借助智能优化算法，协同调度各个生产工序，控制相关的生产设备和工艺环节，实现生产全流程的产品质量、产量、消耗、成本等综合生产指标控制，保证生产全流程的整体优化运行决策。自主智能控制系统感知生产条件变化，相互协同，解决多目标冲突、干涉和多尺度现象，兼顾各种因素和权重影响，制定相应的优化决策目标，实现制造与生产全流程全局优化。

       （7）预测

       预测技术分为模型方法和数据驱动方法，在预测性维护、需求预测、质量预测等方面应用广泛。预测大多用于智能制造中设备维护，但是预测对工业生产整体或者其他关键环节的作用更加重要，比如产品成本价格和质量的趋势、产品原材料成本和质量的趋势、产品销售方式和市场趋势等，这些比起设备维护的预测可能更加重要。比如最近缺芯事件对汽车产业的影响、原材料涨价对产品的影响等，其影响远远超过制造产品效率的提升。大数据技术、云服务技术和人工智能技术的快速发展促进了预测技术不断提升。

       预测性维护可利用工业设备运行数据和退化机制经验知识，预测设备剩余正常工况使用时间并制定维修策略，从而实现高效安全运行。需求预测根据厂商历史订单数据、市场预测及生产线运行状况，调节原料库存、指导生产出货进度，进行风险管理并减少生产浪费。质量预测通过产线、原料状态及相关生产数据分析产品质量，并将生产流程调整为最佳产出状态以避免残次品，数字孪生技术可以有效促进质量预测。

工业智能典型应用

       工业智能已在部分领域进行应用，取得较好的效果，包括智能制造体系途径、传感与检测、设备维护预测，协作机器人、智能化生产等。

       （1）智能制造体系途径

       工业智能由相关的技术体系、途径与标准化方法架构所组成，李杰、柴天佑等提出了一些系统性的方法来实现人工智能生产体系，并命名为工业智能，其核心技术包含数据技术、分析技术、平台技术与运筹技术。CPS的5C架构则作为实现这个闭环功能框架，5C分别代表智能感知层、智能分析层、网络层、智能认知层、智能决策与执行层。CPS集成计算、通信与控制于一体，其意义在于将物理设备连接到互联网上，让物理设备具有计算、通信、精确控制、远程协调和自治等五大功能。研制面向特定应用领域的工业智能系统，使系统的适应性、自主性、效率、功能、可靠安全、感知认知准确性、决策与控制精准优化远超以往的系统。

       （2）传感与检测技术

       工业智能需要使用大量传感器获取信息数据，在人工智能和一些独特的需求下，常规的传感器的处理速度和能力达不到要求。而人工智能传感器能够学习使用环境、习惯、感知，能够自我测试、验证、适应和识别，可以智能分析处理、提供对应的运算，挖掘、保存和传输用户需求的数据。

       目前应用最多、最有特色的是工业智能视觉传感器，已经逐渐形成规模化的产业，2D向3D的转变、静态图像到动态影像的第四次视觉技术突破，主要包含3D视觉、嵌入式视觉和多元化硬件加速等三大类技术。3D视觉采用了双目视觉、结构光、ToF技术、线激光扫描技术、光谱共聚焦等技术，主要用于尺寸检测、定位引导、场景识别；嵌入式技术将用于实现图像处理和深度学习算法的AI模块集成至工业相机，实现边缘智能控制；多元化硬件可以集成GPU、CPU、FPGA和SoC硬件一起，大大加快了深度学习算法和图像处理的速度，减少了实现的难度。

       在各种形状识别、产品与零部件的尺寸、外观、颜色、光洁度和场景识别等高速检测中，大大提高了检测的精度和速度，特别在人脸图像、复杂结构件等对象检测中，显示出巨大潜力。

       （3）设备维护预测

       使用预测平台对设备的剩余寿命进行预测，该方法要求对设备状态和运行过程进行持续监控，分析历史数据（例如机器学习技术）、完整性因素（例如视觉检测颜色和形状、磨损、成分、声音等）、统计推断方法和工程方法的推理，所以这种方法可以预测设备早期故障，并提供解决方案。机器学习具有强大的数据处理能力，可广泛应用于故障诊断与寿命预测等领域。基于机器学习的剩余寿命预测方法是预测性维护方法的一个重要分支，能够较为准确地对剩余寿命进行预测，成为维护策略评估的重要指标。

       西门子推出基于工业大数据分析的预测性维护软件SiePA，在对工厂历史运行数据进行深入分析的基础上，以人工智能算法为工具，建立了预测性维护系统。ABBAbility船舶远程诊断系统能实现对电气系统的预防性连续监测，提供包括故障排除、预防性和预测性服务3个级别的服务，能够通过更大范围的预测性监测使服务工程师数量减少70%，维护工作量减少50%。

       （4）协作机器人

       又称智能机器人，具有结构灵活性、安全性、感知能力、人机协作、编程方便等特点，充分发挥人类智能及机器人效率，扫除了人机协作障碍；可以大量应用于对灵活性要求较高的密集劳动等场景，协助承担复杂的手动工序和负重劳动，摆脱护栏或围笼的束缚。协作机器人国外厂商主要包括ABB、KUKA、FANUC、YASKAWA、优傲（UR）等，国内有新松、遨博、节卡、艾利特、里工等公司。

       协作机器人具有视觉、听觉、力觉和位置等多种传感器，需要进行机器人动力学建模、外界交互环境建模，采用多种智能控制策略，如柔顺控制、协同控制、阻抗控制、协作控制、动态行为控制、认知控制等，可以完成助力、叉车、移动和机床上下料等工作。如无人值守协作机器人，由移动小车和机械臂组成，带有深度学习视觉模块，结合XOS人机交互系统，可以替代多个操作工，自动完成加工中心、数控车床、冲压机、锻压机等多台机床的一系列上下料工作任务，简单程序切换，能够节约人工成本，提高生产效率。

       （5）智能化生产

       中国已经具备较完整的制造业体系和基础设施，在全球产业链中具有重要地位。在智能化生产方面也出现一批典型，从智能设计、智能产品、智能装备、智能生产和个性化定制、智能管理、智能服务等方面推动企业转型升级，初步涌现一批典型智能制造示范工程。

       山西智奇铁路设备公司的高铁轮对智能制造工厂，实现了“设备网络化，数据可视化，生产过程透明化，生产环节智能化”的智能制造顶层战略规划，采用MES核心平台实现产线智能化，应用RFID管理实现仓库可视化、透明化，以集控CPS平台实现生产现场数字化与可视化，并应用AI人工智能检测与监测、预测维护。

       奇瑞捷豹路虎基于5G的智能制造项目完成三大核心系统建设，建立起SAP企业管理软件与解决方案、MES全功能生产过程执行管理系统、LES物流执行系统和管理模式等一流IT解决方案，建立了企业工业互联网，产品设计生产生命周期数字一体化，供应链上下游协同优化，具有全生产过程能源优化管理，产品全生命周期可溯的质量管控能力，柔性制造的大规模个性化定制，远程智能运维服务。

       中车长春轨道客车的高端轨道交通装备精益化智能制造项目，以中车长客长春高速制造中心和转向架制造中心为主，打造高端轨道交通装备智能制造核心模式，实现制造全过程优化控制、智能调度、状态监控、质量管控。该模式持续推广至全球5个国家生产基地，覆盖轨道交通全车型制造及运维业务，实现快速精准的智能制造管理范式，实现制造全业务链条数据贯通和大数据体系分析；创新信息技术手段，助力全球制造精益一体化管理；深化应用高级排程，打通供应链整体链条；实现生产效率、配送效率、能源利用率、一次合格率较大幅度提升，为企业全球标准化制造业务提供了基础。

工业智能技术难点

       虽然目前工业智能还只在特殊的方面应用，但已经体现良好效果，整体生产过程、关键环节的应用还存在很多难点，有很大改善潜力和发展空间，其主要难点在于:

       （1）多源异构数据的挖掘与应用

       工业生产涉及各行业、不同加工过程、不同环境和不同市场，表现不完全、无标注、无直接关联样本的动态特性和多源异构数据。如何利用人工智能深度学习进行完全标注大样本静态特性的学习，进而进行归类、分析、发掘和多维应用；另外需要采用多源数据机器学习，研究现象、问题和效果的知识发现，这些是工业智能的基础和迫切需求。

       （2）多目标整体决策与过程优化

       其中包含多层次多尺度决策与控制过程集成优化、复杂系统多冲突目标的实施动态求优等。基于各种层次的信息感知，运行决策与控制面向不同时间尺度和空间尺度。制造过程中的智能决策面临着开放环境、信息不完全、规则不确定等难题。制造过程当中难以建立决策仿真模型，同时最终决策需要权衡质量、效率、消耗和市场等多冲突目标，全局最优解随生产条件和运行工况变化，控制系统设定值会随全局最优解变化。

       （3）产品生产全产业链预测

       产品生产最终获得的是效益，不只是与产品生产的质量和效率有关，往往物流、市场需求更加重要。比如产品原材料和人力资源成本、产品销售方式和市场趋势等，这些比起单一的设备维护预测、产品生产质量预测更加重要。比如新冠疫情对相关产业的巨大影响，某些国家对芯片的封锁造成缺芯事件、对汽车产业的影响，经济通胀使原材料大幅涨价对产品的影响等，目前这些都难以建立有效的预测模型，实现较准确的预测控制。

       （4）智能制造装备

       虽然我国在互联网、物联网、大数据、云计算等数字化技术以及5G的应用上有一定优势地位，但制造最后的执行单元还得是机床设备，我国大部分设备还落后于欧美和日本企业，比如在工业机器人、3D打印、大余量高速切削机床、芯片光刻机、高精度测量测试设备等方面存在很大差距。而工业智能对当前世界的装备则提出了更高要求，必将是一个极具创新的挑战过程。

工业智能发展趋势

       从总体上看，目前大部分制造企业仍处于自动化、数字化阶段，部分龙头企业和智能制造试点示范企业逐步开展智能化应用，人工智能与制造业融合还处于起步期。2021年后人工智能在制造业中的6个应用趋势，现归纳整理如下:

       （1）基于深度学习的机器视觉缺陷检测，可以通过单目和双目的2D、3D视觉检测，分析辨别物体属性、表面特征、立体特征、运动趋势等。

       （2）通过机器学习预测设备故障。采用预测剩余使用寿命模型、预定时间段内预测故障的分类模型、异常检测模型可以标记设备等方式进行预测。

       （3）生产过程的数字孪生技术，生产过程的实时诊断和评估，产品性能的预测和可视化等。可以设计未来产品、模拟其性能。

       （4）智能制造的生成设计，其思想是基于机器学习的给定产品的所有可能设计选项，根据约束条件生成独特设计思想的新产品。具有人工智能的设计生成器和鉴别器，其中生成器网络为给定产品生成新设计，而鉴别器网络对真实产品的设计和生成产品进行分类和区分。

       （5）基于人工智能的能耗预测与优化。制造商可以估算能源账单，了解能源的消耗方式，由数据驱动优化生产过程能源消耗。

       （6）智能供应链。采用机器学习驱动的认知供应链管理系统，自动分析库存、装运、市场趋势、消费者情绪和天气等数据，具有需求预测、运输优化、物流路线优化、仓库控制、人力资源规划、供应链安全、端到端的透明度等功能。

       结合制造业的发展现状和工业智能的发展目标，指出工业智能今后研究方向有:

       （1）复杂工业环境下运行工况的多尺度多源信息的智能感知与识别。

       （2）复杂工业环境下基于5G的多源信息快速可靠的传输技术。

       （3）系统辨识与深度学习相结合的复杂工业系统智能建模、数字孪生与可视化技术。

       （4）关键工艺参数与生产指标的预测与追溯。

       （5）复杂工业系统的智能自主控制技术。

       （6）人机合作的智能优化决策。

       （7）智能优化决策与控制一体化技术。

       （8）“端－边－云”协同实现工业智能算法实现技术。

结论

       传统人工智能技术较多应用于大量的、感性的日常生活、社会交流、金融等行业，取得良好效果。工业智能用于解决特定工业问题，不仅需要采用AI算法和AI系统，还需要将人工智能、自动化、工业互联网与各种制造领域知识紧密融合。

       当前人工智能技术正在飞速发展，也体现出强大的生命力，但是工业智能的整体技术、关键技术仍处于起步阶段，工业和工程界的许多实际难题还没有得到有效解决，根据社会发展需求、科技创新发展方向，未来研究方向是将工业智能方法体系服务实际工业生产并创造更多价值。虽然我国建立了工业智能相关的顶层设计与政策引导，在制度层面支撑保障体系也不断完善，但是工业智能需要大批具有跨学科研究能力的创新型科技领军人才，也需要大批工程技术应用人才。同时需要加快打造工业智能示范项目，建设工业智能公共服务平台建设，加快发展工业智能单项技术，推动各类人工智能要素向企业数字化领域集聚，加快工业智能技术引领，这样才能使我国在工业智能的研究与应用走在世界前列，取得巨大的社会和经济效益。

（本文转自新工业网。原文刊载于《机床与液压》2022年5月 作者：唐露新 张儒锋 姜德志 林建文 周书兴）