人工智能技术在制造业中的应用场景

在信息安全行业，支持向量机算法和运行模式的外部经济个人行为和宏观经济个人行为的肇事者，开发和设计人工智能技术的实体模型和系统软件，如犯罪预测，资产渗透，以及模拟大城市犯罪的演变；建立数字结对的整个过程集成了人工智能技术、深度学习和传感器数据信息，从而创建一个可自动更新、存在感强的“真实”实体模型，用于支持物理商品生命周期中各种主题活动的管理决策。

人工智能技术的定义于20世纪50年代首次提出，至今已有60多年。众所周知，人工智能技术近年来才进入突飞猛进的发展。归根结底，关键在于物联网、互联网大数据、云计算这些日益完善的技术。

物联网技术促进了大量数据信息的即时获取，互联网大数据为深层神经网络展示了公共数据和优化算法支持点，云计算技术为人工智能技术展示了便捷的云计算服务器。这种技术性的有机结合推动了人工智能技术的不断发展趋势，并取得了实际进展。AlphaGo和李世石的人机大战也将人工智能技术推向舆论漩涡，点燃了人工智能技术的新浪潮。

此后，近年来，人工智能技术的科学研究和应用才刚刚开始蓬勃发展。随着智能制造系统的到来，人工智能技术的应用早已围绕着加工制造业的重要环节，如设计方案、制造、管理方法、服务项目等。

01人工智能技术的三个技术层次。

人工智能技术和商品这两年经过实践活动的检验，现在应用的很好，促进了人工智能技术和各个领域的结合。从技术角度来看，业界普遍认为，人工智能技术的核心概念可以分为三个方面，即计算智能、认知智能和认知智能。

1.计算智能。

计算智能是指设备具有强大的存储能力和极快的数学计算能力，可以根据海量信息开发深度神经网络，利用历史时间工作经验来指导今天的自然环境。随着计算能力的不断发展趋势和存储方式的不断升级，计算智能已经完成。比如AlphaGo利用强化学习技术完成全球Go冠军；电子商务平台根据客户习惯性购物的深层神经网络进行人性化的产品推荐。

2.认知智能。

认知智能是激发设备具有视觉效果、听觉系统、触觉等感知能力，设计非结构化算法，通过人的交流方式与客户进行交互。随着各种技术发展趋势，大量非结构化数据的使用价值得到高度重视和发掘，与认知相关的视频、语音、图像、视频、接触点等认知智能也在快速发展。自动驾驶汽车、知名波士顿动态智能机器人等等都应用了认知智能，认知智能根据各种ADUM1201ARZ传感器识别周围环境并求解，进而合理具体地指导其操作。

3.智能认知能力。

与计算智能和认知智能相比，认知智能更加复杂，这意味着设备和人一样，具有逻辑思维、梳理工作、推理和应用专业知识的能力。现阶段，认知智能技术还处于科研探索环节。例如，在信息安全行业，支持向量机算法和运行模式的外部经济个人行为和宏观经济个人行为的肇事者，开发和设计人工智能技术的实体模型和系统软件，如犯罪预测，资产渗透，以及模拟大城市犯罪的演变；在金融行业，用于识别异常交易，预测分析宏观经济周期等。要把认知能力的智能纳入快速发展的趋势，还有很长的路要走。

人工智能技术在制造业中的应用领域。

从应用的角度来看，人工智能技术的一个技术应用很可能包含计算智能、认知智能等几个层次的核心概念。智能家居产品，如工业机器人、智能机器、自动驾驶汽车、无人飞机等，本身就是人工智能技术的媒介。他们的硬件配置集成了各种手机软件，具有识别和区分自己工作的能力，能够即时与客户和自然环境互动，这是集成各种人工智能技术的核心思想。

比如加工制造行业广泛使用的各种服务机器人:快递分拣/拣选智能机器人，可以自动检索和攀爬不规则物体；工业机械手能了解和反映周围环境；全自动后续原料车可以根据面部识别完成全自动后续；独立搬运机器人依靠SLAM(同步定位与映射)技术，可以充分利用传送带上的传感器识别未知自然环境中的特征标记，然后根据智能机器人与特征标记的相对位置以及智能机器人与特征标记的全局坐标。自动驾驶技术在精确定位、自然环境认知、最短路径算法、个人行为管理决策和操纵等方面也综合运用了各种人工智能技术和优化算法。

目前，人工智能技术在制造企业中应用的技术性关键在于智能语音交互产品、人脸识别、图像识别技术、图像搜索、语音识别技术、文本识别、翻译机、深度学习、互联网大数据计算、大数据可视化等方面。以下总结了人工智能技术在加工制造业中的八个常见应用领域。

场景一:智能快递分拣。

加工制造业有很多工作是必须整理的。如果选择人工工作，速度会慢，成本会增加，需要表现出合适的工作温度和自然环境。如果选择工业机械手进行智能快递分拣，可以大大降低成本，提高速度。

以快递分拣件为例。必须分拣的零件一般不会摆放整齐。虽然智能机器人可以用监控摄像头看到零件，但它们不知道如何成功地拾取零件。在这种情况下，利用深度学习技术，智能机器人会先任意进行一个排序姿势，然后告诉它这个姿势是成功排序成零件还是空的。经过几次训练，智能机器人会按照如何排序来理解，以便有更高的通过率；哪一部分提货时会有较高的提货通过率；知道怎么按顺序排序，通过率会更高。经过几个小时的学习和训练，智能机器人的分拣通过率可以达到90%，与熟练工人的水平相比是非常高的。

场景二:机械设备卫生服务。

通过对机械设备运行数据和信息的实时监控，利用现状分析和深度学习技术，一方面可以在安全事故发生前预测和分析机械设备的常见故障，减少非故意停机。另一方面，为了应对机械设备突发的常见故障，可以快速进行故障检测，准确定位常见故障的原因，并给出相应的解决方案。它广泛应用于制造业，尤其是化工厂、中重型机械设备、五金加工、3C制造、风力发电等领域。

以数控车床为例，采用深度学习优化算法实体模型和传感器技术，检测生产过程中钻具、主轴轴承和进给电机的输出功率、电流和工作电压等信息内容，识别数控刀片的承载能力、磨损和损伤以及机床加工的可靠性。根据这种情况，立即调整生产加工的主要参数(主轴轴承速比、进给速度)和生产加工顺序，并预测何时必须更换刀具。

场景三:基于视觉效果的表面缺陷检测。

基于机器视觉技术的表面缺陷检测在制造业中得到了广泛的应用。利用机器视觉技术，在自然环境经常变化的标准下，以ms为企业，可以快速识别商品表面更细小、更复杂的缺陷，并进行分类，如检查商品表面是否有空气污染物、表面损伤、裂纹等。目前，现有的智能工业生产公司将深度神经网络与三维光学显微镜相结合，将缺陷检测的精度提高到纳米。针对被检查的残次品，系统软件可以完全自动做出可回收判断，统筹规划回收方式和模式，然后机械设备实施回收姿态。

比如PVC管是最常见的建筑装饰材料之一，使用量很大。在制造和包装的整个过程中，存在多种缺陷，如表面划痕、凹痕、波浪线和表面，进行检验需要耗费大量的人力资源。自动识别表面缺陷的视觉效果后，根据规格的总面积、最小值和最大值自动进行管件的表面残留检验。最低检测精度0.15毫米，诊断率99%以上；根据划痕长度和总宽度的最小值和最大值，自动进行管道表面划痕检测，最小检测精度为0.06mm，诊断率达99%以上；根据折皱长度的最小值、最大值、高光长度和色偏阈值设置，最小检测精度为11毫米，诊断率达到95%以上。

场景四:基于声纹识别的产品质量检测及常见故障解决。

利用语音识别技术自动识别异常声音，找出缺陷产品，并查看声纹识别数据库查询进行常见故障解决。比如佛吉亚(无锡)加工厂从2018年底开始，全面与集团公司大数据工程师精英团队合作，重点将AI关键技术应用于座椅调角器的NVH特性评估(振动和噪声检测)。2019年，佛吉亚(无锡)加工厂将AI关键技术应用于调角器异响检测，完成了从数据信号采集、数据存储、数据统计分析到自主学习的自动化技术。检验效率和准确度远远超过传统的人工检验。随着基于人工智能技术的技术噪声检测系统软件在无锡加工厂的投入使用，员工总数从38人减少到3人，质量控制得到明显改善，年经济收入达到450万元。

场景五:智能管理决策。

在产品质量、运营管理、能耗管理方法、数控刀片管理方法等方面，制造企业可以利用深度学习等人工智能技术，整合数据分析，改进生产调度方法，提高公司管理能力。

例如一汽解放无锡柴油机厂智能制造系统的智能管理系统，具有异常发生和生产管理数据采集、根据决策树算法的异常发生进行诊断、基于多元回归分析的机械设备停机时间预测分析、基于深度学习的生产调度管理决策推广等功能。根据生产调度管理决策在历史时间内的全过程数据信息和实施生产调度后的具体制造绩效参数作为训练数据，选择神经网络优化算法对生产调度管理决策评价优化算法的主要参数进行优化，以保证生产调度管理决策满足制造的具体要求。

场景六:数字结对。

数字孪生是虚幻世界中客观现实的镜像系统。建立数字结对的整个过程集成了人工智能技术、深度学习和传感器数据信息，从而创建一个可自动更新、存在感强的“真实”实体模型，用于支持物理商品生命周期中各种主题活动的管理决策。在降低数字双标的阶模型层面，可以将多元、离散的系统实体模型放入神经网络中，依靠深度神经网络创建相对有限的总体目标。根据这个相对有限的总体目标，我们可以开发降阶模型。

例如，在该模式下，用16核网络服务器进行的每一次计算，冷水和热水管道出口处的液体和热量的模拟需要57小时，而在降阶模型开发之后，每次计算只需要十多分钟。

场景七:创成式设计方案。

GenerativeDesign是人机交互技术和自主创新的全过程。技术工程师在设计产品时，只需要在系统软件的指导下设定预期的主要参数和特性，如原材料、净重、体积等。通过集成人工智能技术优化算法，他们可以根据设计者的意图自动生成大量的可行性报告，然后独立进行综合比较，选择优化后的方案设计消息，并推送给设计者进行最终的管理决策。

生成性设计已经成为一门新的交叉科学，它与电子计算机和人工智能技术深度融合，将优秀的优化算法和关键技术带入设计方案中。广泛使用的创成式优化算法包括参数化设计系统软件、ShapeGrammars(SG)、L-systems软件、cellarautomata(CA)、拓扑优化算法、进化系统和进化算法等。

场景八:市场需求分析和供应链管理改进。

基于人工智能技术的技术性，建立准确的市场需求分析实体模型，完成公司销量预测分析和维修材料准备预测分析，做出面向需求的管理决策。此外，根据对外部数据和市场需求的分析，制定了库存库存策略、供应商评估和零部件型号选择。

例如，为了更好地操纵制造管理成本，英国广州本田企业期望知道客户未来需求何时形成，于是对1200家代理商的客户市场销售和维修材料创建预测模型，计算出未来两年退回代理商维修的汽车总数。这个新闻信息进一步转化为预先为各个部分准备的指标值。这一变化使英国本田广州公司能够保证预测和分析的准确性达到99%，并将客户投诉时间减少3倍。

03总结。

现阶段，随着越来越多的公司、大学和开源系统组织进入人工智能技术行业，大量成功的人工智能技术开源项目和服务平台不断涌入，人工智能技术进入了前所未有的爆发期。但相对于金融行业等领域，人工智能技术虽然在加工制造行业有很多应用，但并不突出，甚至可以说发展趋势相对缓慢。

归根结底，关键来自以下三个层面:

第一，由于制造阶段的数据采集、应用、开发设计难度因素大，公司的数据库查询以独占使用为主，数据和信息管理的规模相对有限，缺乏高质量的深度学习模板，制约了学生自主学习的全过程。

第二，不同制造领域之间存在差异，对人工智能技术解决方案的多样性和定制化要求较高。

第三，没有不同领域的骨干企业能够推动人工智能技术与加工制造业的紧密融合。

只有处理好以上三个问题，人工智能技术才能更好地应用于加工制造行业。