制造業人工智(zhì)能8大應用場景(jǐng)！
發布時間：2025-12-13 15:47:13 浏覽(lan)次數：
摘要：
導讀(du)随着智能制造(zao)熱潮的到來，人(rén)工智能應用已(yi)經貫穿于設計(ji)、生産、管理和服(fú)務等制造業的(de)各個環節。人工(gōng)智能的概念第(di)一次被提出，是(shì)在20世紀50年代，距(ju)今已六十餘年(nian)的時間。然而直(zhí)到近幾年，人工(gōng)智能才迎來爆(bào)發式的
物聯網使(shǐ)得大量數據能(neng)夠被實時獲取(qǔ)，大數據爲深度(du)學👣習提供了數(shù)據資源及算法(fa)支撐，雲計算則(ze)爲人工智能提(tí)供了靈活的計(jì)算資源。這些技(jì)術的有機結合(he)，驅動着人工智(zhì)能技術不斷發(fā)展，并取得了實(shí)質性的進展。AlphaGo與(yǔ)李世石的人機(ji)大戰，更是将人(ren)工智能推到了(le)風口浪尖，引爆(bào)了新一輪的人(ren)工智能熱潮。人工智能(neng)技術和産品經(jing)過過去幾年的(de)實踐檢驗，目前(qián)應用較爲成熟(shú)，推動着人工智(zhi)能與各行各業(yè)的加速融合。從(cong)技術層面🏃🏻♂️來看(kan)，業界廣泛認爲(wèi)，人工智能的核(he)心能力可以分(fen)爲三個層面，分(fèn)别是計算智能(néng)、感知智能、認知(zhi)智能。計(jì)算智能即機器(qì)具備超強的存(cun)儲能力和超快(kuai)的計算能力，可(ke)以基于海量數(shu)據進行深度學(xué)習，利用曆史經(jīng)驗指導當前環(huan)境。随着計算力(lì)的不斷發展，儲(chǔ)存手段的不斷(duàn)升級✉️，計算智能(neng)可以說已經實(shi)現。例如AlphaGo利用增(zēng)強學習技術完(wán)勝世界圍棋冠(guan)軍；電商平台基(ji)于對🤞用戶購買(mǎi)習慣的深度學(xue)習，進行個性㊙️化(huà)商品推薦等。感知智能(neng)是指使機器具(ju)備視覺、聽覺、觸(chu)覺等感知能力(li)，可以将非結構(gòu)化的數據結構(gòu)化，并用人類的(de)🌏溝通方式與用(yòng)戶互動。随着各(ge)類技術發展，更(gèng)多非結構化✉️數(shu)據的價值被重(zhòng)視和挖掘，語音(yīn)、圖像、視頻、觸點(diǎn)等與感知相關(guan)的感知智能也(yě)在快速發展。無(wú)人駕駛汽車、著(zhe)名的波士頓動(dong)力機器人等就(jiu)運用了感📞知智(zhì)🔞能，它通過各種(zhong)傳感器，感知周(zhou)圍環境并進💯行(háng)處理，從而有效(xiao)指導其運行。相較于計(jì)算智能和感知(zhi)智能，認知智能(neng)更爲複雜，是指(zhǐ)機⛱️器像人一樣(yàng)，有理解能力、歸(gui)納能力、推理能(néng)力，有運用知識(shi)的能力。目前認(ren)知智能技術還(hái)在研究探索階(jiē)段，如在公共安(an)全領域😍，對犯罪(zui)者的微觀行爲(wèi)和宏觀行爲的(de)特征提取和模(mo)式分析，開發犯(fàn)罪預測、資金穿(chuān)透、城市犯罪演(yǎn)化模拟㊙️等人工(gong)智能模型和系(xi)統；在金融行業(yè)，用于識✨别可疑(yí)交易、預測宏🐪觀(guan)經濟波🎯動等。要(yào)将✂️認知智能推(tui)入發展的快車(che)道，還有很長一(yī)段路要走。
例如(ru)，在制造業中被(bèi)廣泛應用的各(gè)種智能機器人(ren)：分揀/揀選機器(qi)人，能夠自動識(shi)别并抓取不規(guī)則的物體；協作(zuo)機器人能夠理(li)解并對周圍環(huán)境做出反應；自(zì)動跟随物料小(xiǎo)車能夠通過人(ren)臉識别實現自(zì)動跟随；借助SLAM（simultaneous
localization and
mapping，同(tong)步定位與地圖(tú)構建）技術，自主(zhu)移動機器人可(ke)以利用自身攜(xie)帶的傳感器識(shi)别未知環📐境中(zhong)的特征👄标志，然(ran)後根據機器人(ren)與特征标🌈志之(zhī)間的相對🔞位置(zhì)和🔞裏程計的讀(dú)數估計機器人(ren)和特征标志的(de)全局坐标。無人(ren)駕駛技術在定(dìng)位、環境感知、路(lu)徑規劃、行爲決(jué)策與控制方面(miàn)，也綜合應用了(le)多種人工智能(neng)技術與算💰法。目(mù)前制造企業中(zhong)應用的人工智(zhi)能技術，主要圍(wei)繞在智能語音(yin)交互産品、人臉(liǎn)識别、圖像識别(bie)、圖像搜索、聲紋(wen)識别、文字識别(bié)、機器翻譯、機器(qi)學習、大數據計(ji)算、數據可視化(hua)等方面。下文則(zé)總結制造業中(zhōng)常用的八大人(ren)工智能應用場(chǎng)景。以分揀(jiǎn)零件爲例。需要(yao)分撿的零件通(tōng)常并沒有被整(zheng)齊擺放，機器人(rén)雖然有攝像頭(tóu)可以看到零件(jian)，但卻不✌️知道如(ru)何💞把零件成功(gong)地撿起來。在這(zhè)種情況下，利用(yòng)機器學習技術(shu)，先讓機器人随(sui)機進行一次分(fèn)撿動作，然後告(gào)訴它這次動作(zuo)是成功❌分撿到(dào)零件還是抓空(kōng)了，經過多次訓(xùn)練之後，機器人(ren)就會知🐉道按照(zhao)怎樣的順序來(lai)分撿才有更高(gao)的成功率；分撿(jiǎn)時夾哪個位置(zhì)會有更高的撿(jian)起成功率；知道(dào)按照怎樣的順(shùn)序分撿，成功率(lü)會更高。經過幾(ji)個小時的學習(xi)，機器人的分撿(jian)成功率可💃以達(da)到90%，和熟練工人(rén)的水平相當。基于對設備(bei)運行數據的實(shi)時監測，利用特(te)征分析和機器(qì)學習🛀🏻技術，一方(fāng)面可以在事故(gù)發生前進行設(she)備👅的故障預測(cè)，減少非計劃性(xing)停機。另一方面(mian)，面對設備的突(tu)發故障，能夠迅(xun)速進行故障診(zhen)斷，定位故障原(yuan)因并提供相應(yīng)的解決方案。在(zai)制造行業應用(yong)較爲常見，特别(bie)是化工、重型設(shè)備、五金加工、3C制(zhi)造、風電等行業(ye)。以數控機床爲(wei)例，用機器學習(xí)算法模型和智(zhì)能傳感器等技(ji)術手段監測加(jia)工過程中的切(qie)削刀、主軸和進(jìn)給電機的功率(lü)、電流、電壓等信(xìn)息，辯識出刀具(jù)的受力、磨損、破(pò)🎯損狀态💔及機床(chuáng)加工的穩定性(xìng)狀态，并根據這(zhe)些狀态實時調(diào)整加工參數（主(zhǔ)軸轉速、進✏️給速(sù)度）和加工指令(ling)，預判何時需要(yào)換刀，以提高加(jiā)工精度、縮短産(chǎn)線停工時間并(bìng)提高設備運行(háng)的安全性。
圖1 基(ji)于深度學習的(de)刀具磨損狀态(tài)預測（來源：華中(zhōng)科技大學 李斌(bin)教授）基于機(jī)器視覺的表面(mian)缺陷檢測應用(yong)在制造業已經(jing)較爲常見。利用(yong)機器視覺可以(yi)在環境頻繁變(biàn)化的條件下，以(yi)毫秒爲單位快(kuai)速識别出産品(pin)表面更微小、更(geng)複雜的産品缺(quē)陷，并進行分類(lèi)🚩，如檢測産品表(biǎo)面是否有污染(rǎn)物、表面損傷💃🏻、裂(liè)縫等。目前已有(you)工業智能企業(yè)将深度學習💋與(yǔ)3D顯微鏡結合，将(jiang)缺陷檢測精度(du)提高到納米級(ji)。對于檢測出的(de)有缺陷的産✌️品(pǐn)，系統可以自動(dong)做可修複判定(dìng)，并規劃修複路(lu)徑及方法，再由(you)設備執行修複(fu)動作。
例如，PVC管材(cái)是最常用的建(jian)築材料之一，消(xiao)耗量巨大，在生(sheng)産包裝㊙️過程中(zhong)容易存在表面(miàn)劃傷、凹坑，水紋(wén)，麻面🌂等諸多類(lèi)型的缺陷，消耗(hao)大量的人力進(jin)行檢測。采用了(le)表面缺陷視覺(jiào)自動檢測⭐後，通(tong)過面積、尺寸最(zuì)小值、最大值設(shè)定，自動進行管(guan)材表面雜⚽質檢(jiǎn)測，最小檢測精(jīng)度爲0.15mm²，檢出率大(dà)于99%；通過劃🛀🏻傷長(zhǎng)度、寬度的最小(xiao)值、最大值設定(dìng)，自動進行🈲管材(cái)表面🔞劃傷檢測(ce)㊙️，最小檢測精度(dù)爲0.06mm，檢🧡出率大于(yú)99%；通🏃過褶皺長度(du)、寬度的最小值(zhí)、最大值、片段長(zhǎng)度、色差阈值設(she)定，自動進行管(guǎn)材表面褶🏃皺檢(jiǎn)💜測，最小檢💃測精(jīng)度爲10mm，檢出率大(da)于95%。圖2 PVC管材表面(mian)褶皺檢測（來源(yuán)：維視智造）場景四(si)：基于聲紋的産(chan)品質量檢測與(yǔ)故障判斷
利用(yong)聲紋識别技術(shu)實現異音的自(zì)動檢測，發現不(bu)良品🌈，并比🔴對聲(shēng)紋數據庫進行(háng)故障判斷。例如(rú)，從2018年年末開始(shǐ)，佛吉💁亞（無錫）工(gong)廠就與集團大(da)數據科學家團(tuan)隊展開全面合(he)作，緻力于将AI技(jì)術應用于座椅(yǐ)調角器的NVH性能(néng)評判🐪（震動噪聲(shēng)測試）。2019年，佛吉亞(ya)（無錫）工廠将AI技(ji)術應用到調角(jiǎo)器異音檢測中(zhong)，實現從信号采(cǎi)集、數據存儲、數(shù)據分析到自我(wǒ)學習全過程的(de)自動化，檢測效(xiào)率及準确性遠(yuǎn)超傳統人工檢(jian)測。随着基于AI（人(ren)工智能）技術的(de)噪聲檢測系統(tǒng)在無錫工廠投(tóu)入應用，人員數(shù)量已經從38人下(xia)降至3人，同時，質(zhì)量控制能力顯(xiǎn)著提高，年經濟(ji)效益高達450萬人(ren)民币。制造企業(ye)在産品質量、運(yun)營管理、能耗管(guǎn)理和刀具管理(lǐ)等方💜面，可以應(ying)用機器學習等(deng)人工智能技術(shù)，結合大數據分(fèn)析，優化調度方(fāng)式，提升企業決(jué)策能力。例如，一(yi)汽解放無錫柴(chai)油機廠的智能(néng)生産管理系🔞統(tǒng)，具有異常和生(shēng)産調度數據采(cai)集、基于決策樹(shù)的異常原因診(zhěn)斷、基于回歸分(fèn)析的設備停機(jī)時間預🌈測、基于(yu)機器學習的調(diào)度決策優化等(děng)功能。通過将曆(lì)史調度決策過(guo)程🌂數據和調度(du)執行後的實際(ji)生産性能指标(biao)作爲訓練數🌈據(ju)集，采用神經網(wǎng)絡算法🔴，對調度(dù)決策評價算法(fǎ)的參數進行調(diao)優，保證調度決(jue)策符合生産實(shí)際需求。數字孿(luan)生是客觀事物(wu)在虛拟世界的(de)鏡像。創建數字(zì)孿生的過程，集(ji)成了人工智能(néng)、機器學習和傳(chuan)感器數據，以建(jian)立一個可以實(shi)時更新的、現場(chǎng)感極強的“真實(shi)”模型，用來支撐(cheng)物理産品生命(ming)周期各項活動(dòng)的決策。在完成(cheng)對數字孿生對(dui)象的降階🔅建模(mó)方面，可以把複(fu)雜性和非線性(xìng)模型放到神經(jing)😍網絡中，借助深(shen)度學習建立一(yi)個有限的目标(biāo)，基于👨❤️👨這個有限(xian)的目标，進行降(jiang)階建模。例如，在(zai)傳統模式下，一(yī)個冷熱水管的(de)出水口流體及(jí)熱仿真，用16核的(de)服務器每次運(yùn)算需要57個小時(shí)，進行降階建模(mo)之後每次運算(suàn)隻需要幾分鍾(zhong)。創成式設計(ji)（Generative Design）是一個人機交(jiāo)互、自我創新的(de)過程。工程♋師在(zài)😘進⁉️行産品設計(ji)時，隻需要在系(xi)統指引下，設置(zhì)期望的參數及(jí)性能等約束條(tiáo)件，如材料、重量(liàng)、體積等等，結合(hé)人工智能算法(fǎ)，就能根🌍據設計(jì)者🔅的意圖自動(dong)生成成百上千(qiān)種可行性方案(àn)，然後自行進行(háng)綜合對比，篩選(xuan)出最優的設計(jì)方案推送給設(shè)✌️計者進行最後(hou)的決策。創成式(shi)設計已經成爲(wèi)一個新的交叉(cha)學科，與計算機(ji)和人工智能技(ji)術進行深度結(jié)合，将先進的算(suan)法和技🈲術應用(yong)到設計中來。得(dé)到廣泛應用的(de)創成式算法包(bao)括：參數化系統(tǒng)、形狀語法🆚（Shape Grammars(SG)）、L-系統(tong)（L-systems）、元胞自動機（Cellular Automata(CA)）、拓(tuo)撲優化算法、進(jìn)化系統和遺傳(chuán)算法等。
圖3 輪輻(fu)的創成式設計(jì)（來源：安世亞太(tai)）以(yǐ)人工智能技術(shu)爲基礎，建立精(jīng)準的需求預測(cè)模✉️型，實現企業(ye)的銷量預測、維(wei)修備料預測，做(zuò)出以需求導🏃🏻向(xiàng)的決策。同時，通(tong)過對外部數據(jù)的分析，基于需(xū)求預測，制定庫(kù)存補貨策略，以(yǐ)及供應商評估(gū)、零部件選型等(deng)。
例如，爲了務實(shi)控制生産管理(li)成本，美國本田(tián)公司希望能💚夠(gou)掌握客戶未來(lái)的需求會在何(hé)時發生，因此将(jiāng)1200個經銷商的客(kè)戶銷🌂售與維修(xiū)資料建立預測(cè)模型，推算未來(lai)幾年内♋車輛回(hui)⚽到經銷商維修(xiū)的數量，這些資(zi)訊進一步轉爲(wèi)各項零件預先(xiān)準備的指标。該(gai)轉變讓美國本(ben)田已做到預測(ce)準确度高達99%，并(bìng)降低✔️3倍的客訴(sù)時間。目前(qián)，随着越來越多(duo)的企業、高校、開(kai)源組織進入人(ren)工智🐆能領域☔，大(da)批成功的人工(gong)智能開源軟件(jiàn)和平台不斷湧(yong)入，人工智㊙️能迎(ying)來前所未有的(de)爆發期。但⛱️與金(jīn)融等行業相比(bǐ)，雖然人工智能(néng)在制造業的應(ying)用場景不少，卻(que)并不突出，甚至(zhì)可以說發展較(jiao)慢。究其原因，主(zhu)要源于以下三(sān)大方面：
一是，由(you)于制造環節數(shù)據的采集、利用(yòng)、開發都有較大(dà)❗難度，加之企業(ye)的數據庫也以(yǐ)私有爲主、數據(jù)規模有限，缺乏(fa)優質的機器👣學(xue)習樣本，制約了(le)機器的自主學(xué)習過程。
二是，不(bú)同的制造行業(ye)之間存在差異(yì)，對于人工智能(néng)解決方案💋的複(fu)雜性和定制化(hua)要求高。
三是，不(bú)同的行業内缺(quē)乏能夠引領人(ren)工智能與制造(zào)業深度融♈合發(fa)展趨勢的龍頭(tou)企業。解決以上(shàng)三大問題，人工(gong)智能技術才能(neng)更好地應用于(yú)制造🥵業。
當前(qian)位置：
浙公網安(ān)備 33021102000870号 