隨著物聯網、大數據、云計算等技術日趨成熟，人工智能迎來爆發式增長。放眼智能制造領域，人工智能應用已經貫穿設計、生產、管理和服務等制造業的各個環節，應用于智能分揀、設備健康管理、機器視覺檢測等典型應用場景。

目前制造企業中應用的人工智能技術，主要圍繞智能語音交互產品、人臉識別、圖像識別、圖像搜索、聲紋識別、文字識別、機器翻譯、機器學習、大數據計算、數據可視化等方面。

場景一：智能分揀

制造業有許多需要分揀的作業，如果采用人工作業，速度慢且成本高，而且還需要提供適宜的工作溫度環境。如果采用工業機器人進行智能分揀，可以大幅降低成本、提高速度。以分揀零件為例，經過幾個小時的“學習”，機器人的分揀成功率可以達到90%，和熟練工人的水平相當。

場景二：基于視覺的表面缺陷檢測

基于機器視覺的表面缺陷檢測應用在制造業已經較為常見。利用機器視覺可以在環境頻繁變化的條件下，以毫秒為單位快速識別出產品表面更微小、更復雜的產品缺陷，并進行分類，如檢測產品表面是否有污染物、損傷、裂縫等。目前已有工業智能企業將深度學習與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品，系統可以自動做可修復判定，并規劃修復路徑及方法，再由設備執行修復動作。

場景三：設備健康管理

基于對設備運行數據的實時監測，利用特征分析和機器學習技術，一方面可以在事故發生前進行設備的故障預測，減少非計劃性停機。另一方面，面對設備的突發故障，能夠迅速進行故障診斷，定位故障原因并提供相應的解決方案。這種人工智能場景在制造行業應用較為常見，特別是化工、重型設備、五金加工、3C制造、風電等行業。

場景四：智能決策

制造企業在產品質量、運營管理、能耗管理和刀具管理等方面，可以應用機器學習等人工智能技術，結合大數據分析，優化調度方式，提升企業決策能力。例如，一汽解放無錫柴油機廠的智能生產管理系統，具有異常和生產調度數據采集、基于決策樹的異常原因診斷、基于回歸分析的設備停機時間預測、基于機器學習的調度決策優化等功能。通過將歷史調度決策過程數據和調度執行后的實際生產性能指標作為訓練數據集，采用神經網絡算法，對調度決策評價算法的參數進行調優，保證調度決策符合生產實際需求。

場景五：數字孿生

數字孿生是客觀事物在虛擬世界的鏡像。創建數字孿生的過程，集成了人工智能、機器學習和傳感器數據，以建立一個可以實時更新、現場感極強的“真實”模型，用來支撐物理產品生命周期各項活動的決策。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性模型放到神經網絡中，借助深度學習建立一個有限的目標，基于這個有限的目標，進行降階建模。例如，在傳統模式下，一個冷熱水管的出水口流體及熱仿真，用16核的服務器每次運算需要57個小時，進行降階建模之后運算時間縮短至幾分鐘。

場景六：需求預測，供應鏈優化

以人工智能技術為基礎，建立精準的需求預測模型，實現企業的銷量預測、維修備料預測，做出以需求為導向的決策。同時，通過對外部數據的分析，基于需求預測，制定庫存補貨策略以及進行供應商評估、零部件選型等。例如，為了務實控制生產管理成本，美國本田公司希望能夠掌握客戶未來的需求會在何時發生，因此將1200個經銷商的客戶銷售與維修資料建立預測模型，推算未來幾年車輛回到經銷商維修的數量，這些資訊進一步轉化為各項零件預先準備的指標。該轉變讓美國本田做到了預測準確度高達99%，并大幅減少了客訴時間。

由于不同的制造行業之間存在差異，對于人工智能解決方案的復雜性和定制化要求較高，因此還需產業界共同探索人工智能與制造業深度融合，才能更好地助力智能制造發展。

來源：人民郵電報