资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

人工智能在智能制造典型场景的应用研究 | 特别策划：新质生产力

创作时间:

作者:

@小白创作中心

人工智能在智能制造典型场景的应用研究 | 特别策划：新质生产力

引用

来源

http://www.360doc.com/content/25/0225/15/3552233_1147601952.shtml

随着新一轮科技革命和产业变革的孕育兴起，人工智能（AI）技术正加速融入智能制造的各个环节。本文基于对中国300余家制造企业的问卷调研，深入分析了AI在智能制造典型场景中的应用现状、存在问题，并提出了相应的对策建议。

发展现状

1.1 人工智能产业生态基本形成

我国人工智能产业加速发展，硬件计算能力、软件算法和解决方案实现快速进步并不断成熟，初步形成了从基础支撑、核心技术到上层应用的完整产业链条。

软硬件基础设施方面，涵盖CPU、GPU、专用AI 芯片、存储设备等硬件基础设施，以景嘉微、寒武纪、紫光国微、大族激光和科大国创等企业为代表，提供大规模计算和数据处理所需的基础能力。软件设施包括AI 开发框架（如TensorFlow、PyTorch）、编程语言（如Python）、开发工具包（如CUDA）、数据处理工具（如Spark）和平台，以美林数据、美亚柏科、用友科技等数据服务企业为主，主要为AI 提供数据及算力支撑。

核心技术方面，形成涵盖机器学习、计算机视觉、算法理论、智能语音和自然语言处理等通用技术提供商、算法模型提供商和开发平台提供商，如海天瑞声、格林深瞳、赛为智能、佳都科技、百度集团和阿里巴巴等，以模拟人的智能相关特征为出发点，构建技术路径。

应用和服务生态方面，由解决方案供应商、标准制定与检测相关机构、云平台和安全工具提供企业及有关高校等构成，通过集成一类或多类AI 技术，面向特定应用场景提供成套解决方案。目前，已涌现包括AI+ 视觉检测、AI+ 分拣配送、AI+ 预测维护等解决方案供应商，如华为、凌云光、阿丘科技等[1]。

1.2 AI 在制造企业应用的驱动因素较为理性

调研企业拟通过AI 技术解决的问题如图1 所示，企业拟通过AI 解决的问题主要为提升产品质量、降低成本、缩短交货周期、支持产品开发、提升计划效率和提高生产柔性等。此外，发展新业务模式也是其中一项重要驱动因素。获取政府支持、提升人气、追逐热门话题、了解新趋势等非理性因素占比均较少，反映出当前企业主要着眼自身需求推进AI 技术的应用。

1.3 企业在产品生命周期各环节应用AI的程度存在明显差异

AI 技术在调研企业应用比例分析如图2所示，人工智能技术集中应用在交互、设计及生产环节，采购、销售、物流和服务等环节应用较少。其中，计算机视觉、机器学习、分布式问题解决、智能机器人、知识表示、获取和推理等技术应用较多，计算机视觉技术应用比例高达82.8%。从产品生命周期各环节应用情况来看，约有40%的企业在交互环节应用了计算机视觉技术，40%~~50% 的企业在设计环节应用计算机视觉，机器学习，知识表示、获取与推理以及计划与调度等技术，40%~~50% 或以上企业，在生产环节应用了计算机视觉、机器学习、智能机器人等AI 技术。

人工智能在智能制造典型场景的应用情况

目前，全球主要国家和地区都在加紧布局人工智能，试图抢占未来产业竞争制高点。在智能制造领域，AI 应用已覆盖研发、生产、物流和营销等各关键环节，驱动智能制造向数据和知识驱动的更高水平迈进。

2.1 研发设计环节，AI辅助设计和AI仿真技术正逐渐替代传统的研发模式

通过应用大数据和机器学习技术，基于海量数据建模分析，快速生成设计方案，提高设计效率和质量。应用AI 仿真技术在虚拟环境中模拟产品的制造过程，预测加工缺陷并改进工艺方案和参数，从而在产品投放市场前发现并修正潜在问题，形成数据驱动产品设计优化、可制造设计、虚拟试验与调试等典型场景。

1）生成式设计。如硅谷公司Atomwise研发的AtomNet虚拟药物发现平台，通过使用强大的深度学习算法和计算能力，分析数以百万计的潜在新药数据，数字化模拟药品研发过程。目前，AtomNet 已学会识别氢键、芳香度和单键碳等重要的化学基团，并通过分析化合物的构效关系，识别医药化学中的基础模块，用于新药发现和评估新药风险[2]。

2）可制造设计。如上海及瑞公司通过应用创成式设计、铸造工艺模拟仿真形成设计和工艺的正向设计，利用机器深度学习的算法，形成以目标驱动研发的正向设计研发流程，帮助北汽福田设计了前防护、转向支架等零部件，一次性通过台架测试。零部件从最初的4 个零件变为1 个，重量减轻70%，强度增强 18.8%，成本、制造工艺和装配效率、性能等都实现极大优化[3]。

3）虚拟试验与调试。如京信通针对产品调试工序复杂，调试成本占总生产成本比重达到30%~40%，单个产品平均耗时超过1h 的痛点，打通生产关键环节数据，以测试/ 检测数据为主题，利用数据模型进行制程能力的综合分析、评估、优化，最终将检测指标项从平均300 个点位降低至200 个，产品整体调试效率优化35%。

2.2 生产环节，AI大模型、机器视觉相关技术应用，推动复杂工业场景下的工艺优化和流程重塑，掀起质检革命

AI 大模型与计算机视觉技术如同智能制造的“大脑”和“眼睛”，具备强大的数据处理和分析能力，通过对海量数据的学习和训练，赋予生产线全新的感知与决策能力，为复杂工业场景下的工艺流程优化、生产过程控制、能源智能管控等带来了前所未有的变革。AI 机器视觉技术应用，用于自动识别产品缺陷、预测产品性能，并在生产过程中进行实时反馈和调整，掀起了质检革命的新篇章。

1）精准过程控制。如天合光能作为太阳能电池片生产企业，通过把从车间实时采集到的上千个生产参数传输至控制系统，基于AI 算法对所有关联参数进行深度学习计算，精准分析出与生产质量最相关的30 个关键参数，搭建参数曲线模型，在生产过程中实时监测和调控变量，最终将最优参数在大规模生产中精准落地，电池片生产A 品率提升7%。

2）工艺自动调优。如在光伏基材生长，金属冶炼成型，食品粉末干燥/ 液体蒸脱等工艺环节中，西门子基于原有自动化机理模型编写的控制逻辑基础上，结合AI 技术增加了质量趋势的动态预测，可以针对不同参数进行动态寻优，并回馈指令。通过优化控制将成分控制精度提升到新台阶，能够有效减少废料产生，实现单位时间单位资源下的产能最大化。

3）设备智能诊断及系统智能运维。如盾安集团作为风电企业，利用物联网与算法模型提前预测风机故障。通过温度传感器对整个风机的温度测点进行实时监控，并对海量温度数据进行深度学习，构建风机故障检测与感知预测模型，最终做到提前1~2 周预测风机微小故障并预警，大幅降低单台风机单次重大事件维护成本[4]。

4）实时智能质检。如山东能源集团依托华为盘古大模型建设了集团人工智能训练中心，通过盘古矿山大模型和AI 应用的视觉识别能力，将原恶劣作业环境下每天巡检改为每周巡检一次。联通打造的5G+AI 智能质检解决方案，让“东方红”拖拉机装上智能新引擎，助力其质检实现全程无人化作业和自学习模式，检测效率提升500%。

5）能源在线管控。如化纤行业作为高耗能行业，每年仅煤炭消耗即达到几亿元人民币。恒逸石化以提升燃煤发电效率为主要目标，利用喷煤到产出蒸汽整个流程中采集到的数据，基于构建的算法优化模型，准确实时预测蒸汽量，并向燃煤工程师推荐最优燃煤工艺参数指导实际生产，进而降低总体燃煤消耗，通过人工智能技术提升燃煤效率2.6%，为企业每年节省千万元左右的燃煤成本。

2.3 物流环节，AI 算法与机器人集成应用，打造基于环境感知、多机协同的智能物流系统，改变传统物流模式

智能物流系统核心是AI 算法和物流机器人的集成应用。通过利用先进的机器学习、深度学习等技术，实现对环境的感知和理解，使物流机器人具备自主导航、智能搬运、协同作业等能力，构建了一个高效、智能、自动化的物流系统，彻底改变了传统的物流模式[5]。

1）仓储自主优化。如牧星智能以世界领先的AI 算法为核心，以稳定高效的智能物流机器人为执行载体，形成一套智能物流整体解决方案。一是使用智慧存储算法，通过大数据自动分析，商品ABC 自动分类并优化位置，依托动态热度算法实现货架布局的实时优化，实时动态智慧存储；二是采取高低密度混合存储，针对热销商品使用低密度存储方式，提升拣选效率，对于长尾或滞销商品则采用高密度存储方式，减少20% 的仓储面积占用；三是独创流程拣选算法，拣选效率提升100%；四是利用AlphaGo 的蒙特卡洛树算法，确保每次任务都分配给合适的机器人，通过路径实时协调算法实现任意通道双向通行。

2）柔性物流运输。如旷视科技打造的3A 智慧物流解决方案，依托其AI 算法优势，赋能AS/RS 智能立体仓储物流设备，如托盘四向车、人工智能堆垛机等，使其能够灵活应对节点物流的流量峰值，并能自适应场景变化，满足顾客对于运输、交付和服务的需求，推动物流向数智化、柔性化、低碳化升级。帮助国药控股广州公司的物流中心实现智能化改造，整体效率提升25%，作业完成时间提前2h，未来五年将节约上千万元成本。

2.4 销售环节，AI 机器学习推动形成以用户导向的营销变革，重塑企业与客户间的互动模式

通过收集整合各个渠道的消费者信息，描绘消费者画像，应用AI 机器学习对大量用户数据进行分析，更深入地了解客户的偏好、需求和行为模式，进而制定个性化的营销策略。推动以用户导向的营销变革，重塑企业与客户之间的互动模式，推动营销环节向更加个性化、智能化的方向发展。

市场快速分析预测：如美国的AutomotiveMastermind 公司通过搜集社会人口学特征、社交网络、市场数据和产品生命周期等大数据，并利用机器学习预测模型发现隐藏于消费者行为背后对于产品、性能、价位等的需求，利用自有的行为预测评分算法对超1 000个数据点进行清洗和分析，对消费者进行排名，筛选出目标消费者，销售收入提升了30%，客户留存率提高了16.7%。

人工智能在智能制造典型场景应用的问题

3.1 智能制造领域数据质量不高

智能制造需要依托大量的数据来驱动AI 系统的运行和优化，在大规模的数据模型训练前提下人工智能技术才能够落地应用。但在实际生产过程中，仍存在数据难以有效获取和利用、数据质量不高、数据标注不准等问题，导致AI 系统运行性能下降，甚至产生误导性结果。数据质量和标注精度不高问题成为制约AI 在智能制造中应用的重要因素。

3.2 系统解决方案供给仍显不足

西门子、ABB、基恩士等国际巨头逐步由技术输出商向解决方案提供商转变，基于深度学习、知识图谱、计算机视觉等技术对现有和未来产品体系进行了整体规划，形成基于新一代人工智能的软硬件产品体系，开展“软件+ 硬件+ 平台+ 解决方案”的全方位产品布局。但国内相关供应商由于场景体系性不足且创新性不足，导致解决方案定制化程度高，多数企业尚未形成以“平台+工具”为核心的生态化整体解决方案，限制了先进技术成果在智能制造的全面复制推广。

3.3 融合应用标准仍不够完备

目前，全球范围内关于人工智能在智能制造领域的相关标准制定相对较少，我国在该领域具备先发优势。机器视觉、知识图谱等相关技术标准已经研制发布，但部署指南、安全与保护、算法结构等人工智能应用部署及算法相关标准仍然欠缺。其中，与人工智能在智能制造中应用部署相关的标准化需求包括安全与保护、计算能力、存储能力、数字基础设施、实施指南和性能评估等。

推动AI在智能制造领域融合应用建议

4.1 加强面向智能制造的AI 产品和解决方案供给

引导阿里巴巴、腾讯、商汤、依图和科大讯飞等AI技术供应商面向各行业智能制造广泛应用需求加大研发投入力度，聚焦智能制造关键环节和典型场景，鼓励支持视觉检测、机器学、工业知识图谱等AI 技术产品研制及产业化，推动实现大规模应用。依托智能制造系统解决方案供应商联盟，分行业、分区域总结培育、示范推广智能制造场景下AI 典型应用模式，结合行业智能制造发展特点，加强面向智能制造应用的AI 技术解决方案能力培养，总结提炼典型应用示范案例，在全国范围内复制推广。