工业4.0时代下的人工智能新发展

工业4.0时代下的人工智能新发展

引用

CSDN

1.

https://blog.csdn.net/qq_63129682/article/details/143666745

随着德国工业4.0概念的提出和中国制造2025战略的实施，工业智能化改革正成为全球制造业发展的新趋势。本文围绕工业4.0中智能工厂、智能生产、智能物流三大主题，系统梳理了人工智能在全集成自动化、视觉缺陷检测、制造执行系统、数字化孪生、供应链优化、仓储调度规划等前沿领域的应用现状和发展前景，为推动我国工业智能化转型提供参考。

一、智能工厂

1.1 全集成自动化

"全集成自动化 (Totally Integrated Automation，TIA)" 是西门子自动化与驱动集团在1996年提出的概念，旨在响应市场对工业自动化过程控制系统的更高要求。经过近几年的发展，全集成自动化已成为工厂生产的标准格式，其网络平台结构如图1所示：

图1 全集成自动化网络系统结构图

全集成自动化系统分为4层：管理层、运行层、控制层和现场层。管理层以PC机为主，用于企业的高层管理；运行层以工业PC机、服务器、触摸屏为主，用于企业的集中监控和指令下达；控制层以工业以太网为主，用于提高网络容错的能力；现场层直接连接现场的传感器、智能仪表、执行机构等各种设备。该系统集成了整个工厂生产中管理、策划、控制与工作四个方面的整个过程链，在机器或工厂的整个生命周期内提供了大量优势。

1.2 视觉缺陷检测

随着中国制造业的快速发展，工业产品的数量和种类与日俱增，消费者和生产企业对产品的质量提出了更高的要求。基于人工智能的视觉缺陷检测方法，作为一种非接触式的自动检测技术，具有安全可靠、检测精度高、可在复杂的生产环境中长时间运行等优点，已在工业生产中完全替代人工视觉检测。

一个典型的机器视觉缺陷检测系统通常由硬件系统与软件系统组成，其详细结构组成如图2所示：

图2 典型视觉缺陷检测系统结构图

硬件系统包括工业相机、光源以及传送带，核心在于工业相机对检测目标进行成像捕捉，并将读取的光学图像转换成相应的模拟或数字信号。软件系统则对目标图像进行预处理和缺陷检测，经典且效果较好的人工智能算法有卷积神经网络（CNN）、深度置信网络（DBN）以及自编码器（AE）等。

二、智能生产

2.1 制造执行系统

制造执行系统（Manufacturing Execution System，MES）是一种用于监控和控制制造过程的信息系统，其发展起源可追溯到20世纪70年代。目前使用最为广泛的MES系统是MESA在2004年提出的c-MES，其体系结构如图3所示：

图3 c-MES体系结构图

c-MES主要包括8个功能：资源分配与状态监控、生产计划调度、数据采集、操作者管理、质量管理、过程管理、产品跟踪与谱系、性能分析，覆盖了制造过程管理的全过程，并与企业经营计划层的ERP、CRM、CAD/CAM等集成，形成在价值链和企业中各种系统和人的更好集成能力。

2.2 数字化孪生

数字孪生的概念模型最早出现于2003年，由Grieves M.W.教授在美国密歇根大学的产品全生命周期管理（PLM）课程上提出。近年来，数字孪生技术在工业制造领域发展迅速，世界著名咨询公司Gartner连续两年将其列为十大战略性科技趋势之一。

数字孪生技术体系按照从基础数据采集层到顶层应用层依次可以分为数据保障层、建模计算层、数字孪生功能层和沉浸式体验层4层，其技术体系图如图4所示：

图4 数字孪生技术体系图

数据保障层负责收集、存储和管理与物理实体相关的数据；建模计算层利用收集到的数据建立数字孪生模型；数字孪生功能层是数字孪生系统的核心部分，负责将建模计算层中的模型与实时数据结合起来，实现对物理实体的监测、仿真和优化；沉浸式体验层是数字孪生系统与用户交互的界面，通过可视化、VR、AR等技术将数字孪生模型呈现给用户。

三、智能物流

3.1 供应链优化

供应链作为工业经济的命脉，其优化对于提升产品物流效率至关重要。相关研究表明，人工智能在供应链优化领域具有巨大优越性。基于人工智能的神经网络原理，制造商和客户之间的多种角色可以抽象为多个生产阶段，进而建造制造商与客户之间的非线性模型。人工智能模型可以预测需求和供应的变化，并对供应链各个环节的数据进行实时监控与反馈，优化库存管理、订单处理和物流规划等决策，减少人为错误和成本。

3.2 仓储调度规划

随着市场经济的迅猛发展，传统模式的仓库中工人有60%到70%的时间都耗费在取货上。以亚马逊的Kiva Systems为代表的基于智能机器人的仓储配送正在兴起。各个工厂纷纷仿效亚马逊将自主移动机器人引入仓储空间中，代替人工搬运货物，降低工人的劳动强度与维护成本，提高仓储调度的运行效率。

为实现完善的仓储调度规划，需先通过二维码、RFID、室内GPS等技术对智能机器人进行定位，根据不同机器人的所在位置进行货物搬运、货架补充等任务分配，常用的分配算法有最小成本匹配、拍卖算法等。在智能机器人执行其任务的过程中，根据A*、Dijkstra等算法规划最佳移动路径，并通过传感器感知环境，及时更新地图和避障。通过上述人工智能算法，可在利用机器人代替人力劳作的同时，极大程度上缩短仓储调度的时间及空间成本。

四、总结

围绕工业4.0中智能工厂、智能生产、智能物流这三大主题，本文探讨了人工智能在全集成自动化、视觉缺陷检测、制造执行系统、数字化孪生、供应链优化、仓储调度规划等方面的前沿应用。虽然人工智能在这些领域中的应用尚处于发展的初级阶段，但均具有巨大的应用前景。期望通过对这些领域的应用发展进行梳理，可以为人工智能在工业4.0时代下的新发展提供相应参考，推动我国工业水平的提升和产业结构的升级。

参考文献

1. Hydrology; Data from Henan University of Technology Advance Knowledge in Hydrology[J].Science Letter,2013,
2. Genetic Algorithms; Reports Outline Genetic Algorithms Study Findings from RWTH Aachen University (Global Footprint Design based on genetic algorithms - An Industry 4.0 perspective)[J].Journal of Technology Science,2014,
3. Blau ,John.Revolutionizing Industry the German Way[J].Research Technology Management,2014,57(6):2-3.
4. Singer ,Pete.Are you ready for Industry 4.0?[J].Solid State Technology,2015,58(8):2-2.
5. 中国社会科学院工业经济研究所课题组,史丹,杨丹辉,等.现代化进程中的中国工业:发展逻辑、现实条件与政策取向[J/OL].中国工业经济,2024,(03):5-23[2024-05-02].https://doi.org/10.19581/j.cnki.ciejournal.2024.03.001.
6. 张鹏.工业4.0背景下我国机器人产业发展的双重定位及政策选择[D].陕西师范大学,2017.
7. 黄宇.工业4.0背景下GBE公司发展战略研究[D].桂林理工大学,2023.DOI:10.27050/d.cnki.gglgc.2023.000547.
8. 徐学孟.中国制造2025产业政策对企业全要素生产率的影响[D].齐鲁工业大学,2023.DOI:10.27278/d.cnki.gsdqc.2023.000827.
9. 逯宇铎,孙博宇.技术进步、效率增进对我国出口贸易结构影响机制研究——基于技术含量角度的实证分析[J].世界经济研究,2012,(02):27-32+88.DOI:10.13516/j.cnki.wes.2012.02.004.
10. 技术创新模式对中国制造业出口贸易影响的实证研究[J]. 胡小娟;陈欣.国际经贸探索,2017(01)
11. 吕越,谷玮,包群.人工智能与中国企业参与全球价值链分工[J].中国工业经济,2020(05):80-98.DOI:10.19581/j.cnki.ciejournal.2020.05.016.
12. 王文泽.以智能制造作为新质生产力支撑引领现代化产业体系建设[J].当代经济研究,2024(02):105-115.
13. 苏雄,李小龙,贺杰伟.基于三维GIS的煤矿数据集成自动化监测系统[J].自动化与仪表,2024,39(03):121-125.DOI:10.19557/j.cnki.1001-9944.2024.03.026.
14. 王建国,孙付仲,苑子龙,等.基于改进Faster RCNN的瓷砖表面缺陷检测算法[J/OL].南京工业大学学报(自然科学版),1-7[2024-05-02].http://kns.cnki.net/kcms/detail/32.1670.n.20240424.1604.008.html.
15. 潘美俊,饶运清.MES现状与发展趋势[J].中国制造业信息化,2008,(09):43-46+49.
16. 刘俊琳,朱振山,温步瀛.基于V2G潜力模糊评估与移动储能协调调度的灾后供电恢复策略[J/OL].电力自动化设备,1-16[2024-05-02].https://doi.org/10.16081/j.epae.202404011.
17. 马帅,冷杰武,陈祝云,等.基于数字孪生和深度迁移学习的电主轴热误差建模方法[J/OL].机械工程学报,1-15[2024-05-02].http://kns.cnki.net/kcms/detail/11.2187.TH.20240426.1008.031.html.
18. Supun P ,H G M B ,J C M B .Network science approach to modelling the topology and robustness of supply chain networks: a review and perspective.[J].Applied network science,2017,2(1):33.
19. 郑志娴,雷庆.基于人工智能的移动互联网供应链协调方法[J].廊坊师范学院学报(自然科学版),2022,22(03):52-56.
20. Sony Corporation; Cogitai; Cogitai Announces Addition of Dr. Peter Wurman, Co-Founder of Kiva Systems[J].Journal of Engineering,2017,434-.