【工业智能】人工智能在制造业转型中的作用；人工智能时代下的制造业

2018 年 6 月 1 日 产业智能官

如今，我们终于迎来了第四次工业革命。传感器、计算力、以及网络传输的指数级增长，产生着巨大的力量。从德国的“工业 4.0”到“中国制造2025”,制造业迎来了新一轮的革新。

制造业的转型是从数字化到自动化最后到智能化的过程。
数字化

就目前来看，国内工业物联网处于早期阶段，不论是网络及硬件设备都尚未成熟，基础设施建设和数据采集这一步还没有全部完成。工厂首先需要为生产设备装上传感器和控制装置，打通生产设备、生产管理、制造执行及规划系统，更实时透明地掌控生产进度。
自动化

除了汽车制造业，中国大量的工厂自动化程度仍然偏低。2015年，根据经济学人发布的统计，中国虽然每年采购全球最多的机器人，但整个国家平均每万工人只配备了50个机器人，而在自动化程度相对发达的德国和日本这个数字是约300个，在韩国甚至是500个之多。如果要继续提高生产效率，那么自动化生产系统一定会在工厂普及。
智能化

历史上，“自动化”代表着机器可以执行某个具体独立的任务，例如根据定义好的规则开启和关闭泵。自动化是取代人做重复性的劳动，而智能化是做人做不了的事情。智能工厂的定义是一个灵活的协同系统，自主运行整个生产流程，在全局范围内自我优化，实时地适应新的环境。它代表着一个持续的自适应的过程，而不是过去“一劳永逸”的升级改造。
人工智能在制造业的主要应用
1、大数据分析 - 设备预测性维护
在传统工厂里，生产设备依然不能联网，只有在设备出现故障后再去维修，或者采取定期维护的方式而不考虑设备实际的运行情况。一旦出现计划外的宕机就需要临时性地采购零件，花高额费用做紧急检修，以便尽快恢复正常的生产。就算没有宕机，当人发现机器故障时，它可能已经制造了不合格的产品，给工厂带来经济损失。
美国的AI工业预测平台Uptake，通过在工厂的设备里置入传感器，可以采集前端设备的各项运营数据，结合大数据分析以及机器学习技术为工业客户提供设备的预测性诊断和能效优化等管理建议。工厂可以实时监测运行状态，对比历史数据，预判潜在的设备故障，有效规避正常生产的中断。
如果以后将设备预测性维护的数据整合到ERP系统中，企业就可以实现生产流程的最优化，通过动态调整生产计划，将设备故障带来的经济损失降到最低。对不同数据源，生产设备以及管理系统进行集成和分析将成为未来制造企业进行决策的标准配置。
2、自动质量控制 - 机器视觉检测
在深度神经网络发展起来之前，机器视觉已经应用在工业自动化系统中了，如拾取放置、对象跟踪、计量、缺陷检测等。其中，将近80%的工业视觉系统集中在缺陷检测。

微信截图_20180428192633.png

人眼也可以发现产品的异常，即使这种异常我们从未见过。但由于眼睛容易疲劳，人的判断也很主观，这样就会造成产品检验的不一致甚至有漏检的情况。人眼也很难适应高速生产的需求，比如对于图形复杂的印刷电路板，人工检查需要很长的时间。通常只能基于抽样检查，无法像自动化系统可以进行实时全面的检查。目前在PCB和IC的生产线上，大约60％的检测任务都是由机器视觉来完成的。
机器视觉则凭借快速、精确和客观等优势，在现代工业中得到越来越广泛的应用。举例来说，在生产线上，自动检测系统每分钟能对成百上千个元件进行检测。如果配备了适当分辨率的相机和光学器件，机器还能检验到人眼无法看到的细节特征。另外，由于消除了人与被检验元件之间的直接接触，机器视觉减少了元件磨损的成本，也能让工人免受危险环境的威胁。
但机器视觉仍然面临着适应不同工业生产环境的挑战，因为很少有企业会专门为了某一种类型的产品而部署自动化检测系统。在不同的环境下，相机的镜头方向、与元件的相对位置、元件表面的强反射光都会影响检测精度。所以视觉算法本身必须有很强的适应力。
3、智能协作机器人
传统的机器人由于运动路径是固定的，每一个动作都需要工程师编程、调试和手工配置来适应具体的生产环境。当机器人要应对不断变化的场景时，手工调整就无用武之地了。深度学习已经带来了一场变革，赋予机器人“柔性”学习能力。随着时间的推移，机器人可以从数据中学习，在不同的任务之间自主切换，新任务的导入也可以在数分钟之内完成。最终这些机器人不但可以互通互联，还可以安全地与人类一起工作，甚至观察工人演示生产流程，自动学会新技能。
目前高端工业机器人主要还是由国外公司主导，瑞士的ABB、德国的库卡、日本的发那科和安川电机并称四大家族，他们占据着国内机器人市场50%以上的份额。四大家族也在积极地推动智能协作。例如库卡机器人就具备相互沟通的能力，可以根据生产线上的工序来合作分配各自执行的生产任务。类似地，ABB也推出了双臂机器人YuMi（缩写自You and Me)，针对3C产品生产线上的焊接和装配场景。它可以与工人一起安全地肩并肩工作，一旦处于运动状态的手臂可能触碰到工人，它就会自动放慢速度或者停止运动。
除了直接销售协作机器人，很多公司也在尝试新的租赁方式，让使用机器人像雇佣工人一样按时计费。传统的机器人不具备安全性，需要与工人隔离，不但无法满足即插即用的场景还造成了额外的部署成本。机器人即服务（RaaS, Robot as a Service) 这种新兴的商业模式，降低了初期的付费门槛，也更强调了硬件产品以外软件和服务的部分。可以反复重新编程以完成新的任务，帮助企业应对小批量多订单的生产挑战。

人工智能时代下的制造业

原创： Linkwin 励云科技

近年来，人工智能加速发展，实现了战略性突破，是制造业数字化、网络化、智能化转型发展的关键领域，形成新一代智能制造。在政策引导和技术发展的双重推动下，人工智能正在逐渐融入制造业，驱动企业智能化制造转型升级。以人工智能为代表的新技术正在对其生产流程、生产模式和供应链体系等生产运营过程产生巨大影响。

新一代智能制造的主要特征表现在制造系统具备学习能力，通过深度学习、增强学习等技术，应用于制造领域。知识产生、获取、运用和传承，都发生了革命性变化，显著提高创新与服务能力。例如，机器部分取代了人的工作，实现智能自动化，可以弥补由于老龄化、人力资源成本提升带来的劳动力短缺问题；加速新产品的开发过程，彻底颠覆原有的生产流程。人工智能程序不仅可以自动完成任务，而且还可以实现全新的业务流程。根据客户的个性化需求自定义产品配置，将是人工智能在制造业领域的最终目标。

目前，人工智能技术正在被不断地应用到图像识别、语音识别、智能机器人、智能驾驶、故障诊断、预测性维护和质量监控等各个领域，覆盖从研发创新、生产管理、质量控制、故障诊断等多个方面。

产品研发方面

创新的软件平台和3D打印软件集成了人工智能和机器学习模块。它能理解设计师的需求，掌握造型、结构、材料和加工制造等数字化设计生产要素的性能参数。在系统的智能化指引下，设计师只需设置期望的尺寸、重量及材料等约束条件，即可由系统自主设计出成百上千种可选方案。制造新产品，无论是设计还是生产过程，都是一个迭代的过程。人工智能可以缩短这一过程，提升新产品制造过程中设计、制造的效率。

生产制造方面

机器视觉检测系统可以逐一检测生产线上的产品，从视觉上判别金属、人工树脂、塑胶等多种材质产品的各类缺陷，快速侦测出不合格产品，指导生产线进行分拣，在降低人工成本的同时，提升出厂产品的合格率。人工智能可以对复杂过程进行智能化指引，在生产制造管理方面发挥作用，创新生产模式，提高生产效率和产品质量。通过调节和改进生产过程中的参数，对制造中使用的很多机器进行参数设置，收集所有这些数据，优化生产过程。

供应链运营方面

针对卡车货运的运营需求，开发出用于预测价格的机器学习模型。模型中既整合了不同路线货运定价的历史数据，又将天气、交通等实时参数加入其中，为每一次货运交易估算出公平的交易价格，在确保运输任务规划合理的前提下，实现企业利润的最大化。

市场营销方面

基于机器学习模型对用户的购买习惯和产品属性进行深度学习，形成全面的知识图谱，再向用户进行个性化推荐，也向销售方提供相关的生产与营销建议。

产品服务方面

系统利用传感器对设备状态进行监测，通过机器学习建立设备故障的分析模型，在故障发生前，将可能发生故障的工件替换，从而保障设备的持续无故障运行。

人工智能的应用不仅涵盖了3C、纺织、冶金、汽车等传统制造业，还涉及高端装备制造、机器人、新能源等战略新兴产业。人工智能正在从多方面支撑传统制造走向智能制造，为中国制造业“由大变强”的发展注入新动能。

传统企业向人工智能转型面临的挑战

尽管当前人工智能与制造业的融合发展已经显露出一些成效，但该领域仍然较为前沿，在技术架构、实施路径、行业标准及产业生态等方面都存在一定的发展瓶颈。

产业总体发展尚不成熟

作为一项基础性、通用性的技术，人工智能在工业领域的应用实践，需要产业界多方合作，开展大量的融合创新探索。对相关产品、解决方案的成本、可靠性等指标也有较高的要求。当前人工智能在制造业的创新主要是由数据、知识密集型的制造企业与具备人工智能技术优势的互联网企业或软件企业联合推进的，其开发成本、技术壁垒较高，应用覆盖面较窄。这使得人工智能技术暂时不能在制造业大范围推广。

行业标准有待完善

工业领域的人工智能应用需要基于大样本的数据建模，这些数据通常是来自智能装备和现场部署的独立传感器。然而，工业现场目前的数据通信标准之间通常不能兼容，无法满足人工智能技术对优化建模数据量基本需求。以工业现场总线为例，目前在工业界常见的通信协议达二十余种，这些协议之间不能直接互联互通，使得信息孤岛的情况在工业界广泛存在。

产业发展保障体系有待健全

人工智能技术作为信息技术的一种，其自身就存在一定的安全风险，引入工业领域后，将与工业系统自身的功能风险叠加放大。此外，在面对与伦理道德相关的问题时，人工智能系统的研发也缺乏相关的法律标准。例如，在工业事故中，人工智能应急管理系统在面对重大资产与人员安全无法兼顾时，没有权威的处理标准。

当前，人工智能技术向制造领域的渗透在快速推进，各制造企业为了重塑自身在竞争中的优势，高度重视智能制造，因为，它可以降低生产单位价值产品所需付出的成本，合理优化资源结构，提高生产效率。但产业界对其应用还处于探索阶段，对部分环节的应用模式还存在较大争议。多数企业仍处于观望状态，距全行业普及应用还有较大距离。未来，中国制造企业还会大面积转型升级，结合人工智能技术，通过对智能制造各个环节的布局，将释放巨大潜力。

传统制造业智能化趋势，势不可挡。中国制造业实现“华丽转身”，任重而道远！

制造业+人工智能，将创造3.7万亿美元新机遇

英特尔知IN

温度达到3000°F的熔融金属从钢水包流至浇铸机，经过冷却形成滚烫的橙色板坯。过去70年，这一过程发生在全球各地的钢厂中，已经重复数十亿次。

从表面来看，现代工业可能变化不大，但一场变革悄然上演：制造商正在向线上转变。过去十年，传感器成本大幅下降，让企业能够在各个生产阶段采集数据。

目前，有150亿台机器连接了互联网；到2020年，这一数值将超过500亿台。麦肯锡预测，到2025年，“智能工厂”的产值将高达3.7万亿美元。

这些现代制造商不断产生海量的数据，需要借助人工智能才可以从这些数据中挖掘出价值。

正如数据科学家Alp Kucukelbir所说：“只靠人类掌握的专业知识，根本无法梳理出想要的洞察。机器学习可以从大量杂乱的数据集中，揭示人类难以或者无法发现的模式和规律。”

看到这个机会，Kucukelbir与其他人一起创立了Fero Labs，这家公司的平台把传感器数据从工厂推送到云端，然后用机器学习算法对数据进行处理。他们的软件能够提供有关如何提高工业产量、预防成本高昂的机器故障以及减少浪费的洞察，所有这些都有利于提高产品质量和降低成本。

运用传感器后，钢铁公司每年可以节省数百万美元的成本，因为这样做可以减少铁合金（一种昂贵的材料）的用量并防止“氧化铁皮”（一种有害的钢铁氧化）。Kucukelbir表示，Fero Labs能预测“氧化铁皮”，准确率高达78-100%，可使这种现象减少15%。

大多数制造商已经部署了传感器，但能够充分利用传感器的制造商非常少。Fero Labs的一个客户在一家钢厂里安装了1200个传感器，但经常使用的只有5个。在建立人工智能平台时，Fero Labs只是把以前未使用的信息传至人工智能算法，就能使传感器数据的利用率提高40倍，无需安装任何新设备，即可全面了解工厂活动。

但实时运行这些巨大的工作负载需要强大的计算能力。Fero Labs采用英特尔至强处理器来加快算法速度，这帮助他们在客户系统正式上线之前改进了机器学习模型。

Fero Labs只是英特尔与众多生态伙伴携手推动制造业转型的一个代表。而除钢铁行业之外，人工智能在其他领域甚至能带来更大的回报。

弗若斯特沙利文咨询公司 (Frost & Sullivan) 工业自动化高级研究分析师 Nandini Natarajan 表示：“我相信，汽车、航空和石油天然气行业将是人工智能技术的主要受益者。”这些制造商都有复杂的供应链，涉及数以千计的各类零部件和专用工具。

任何延迟、故障或错误都可能导致生产“单元”中断，而生产单元是精益制造系统中的独立装配点。只有人工智能可以预测各个生产单位之间的复杂交互，从而实现零部件、人力、工具和维修请求自动化，最大限度地提高效率。

信息技术与创新基金会 (Information Technology and Innovation Foundation) 全球创新策略专家Stephen Ezell称，未采用数据驱动型战略的制造商将会掉队，“如果您墨守成规，坚持老一套做法，并且没有能力实现制造流程的数字化，您的成本很可能会上涨，产品的上市周期可能会拉长，您向客户提供独特附加值的能力也会大打折扣。”

在英特尔公司首席执行官科再奇看来，AI战略决定每家企业的未来胜负，“每家公司都应当制定人工智能战略，刻不容缓。随着数字化革命进程的加快，数据越来越多、越来越复杂、越来越多样，企业必须迅速做出关键决策。为了驾驭数据洪流，企业需要人工智能战略，否则就会落后于时代。”

人工智能赛博物理操作系统

AI-CPS OS

“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。

AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。

领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：

重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？

AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：

精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。

AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：

创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。

给决策制定者和商业领袖的建议：

超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。

子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和人工智能，像君子一般融合，一起体现科技就是生产力。

如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！

新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。

产业智能官 AI-CPS

用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。