赋能制造业转型，人工智能促进工业化改革的解决方案

在制造行业中，工业4.0（Industry 4.0）不仅仅是一个流行词，它已成为一种新的现实。新型冠状病毒的爆发加速了这一现实的到来。在新型冠状病毒爆发的前三个月中，企业和消费者都适应了网络世界，数字技术的发展速度相当于十年间的发展速度。

面向数字技术解决方案的投资可以帮助企业实现未来发展的关键点，即敏捷性、适应性和创新性。随着精简业务、降低成本和最大化收益压力的增大，数字化转型已成为当务之急。

数字化转型的赢家正在利用颠覆性技术来应对业务挑战，并通过实际应用推动改进。数字化运营流程对于制造商应对需求和危机的挑战至关重要，可视为制造业发展的自然进步。

高级分析和机器视觉

高级分析和机器视觉是工业人工智能领域的两大主流应用

 

在工业领域，机器学习驱动的高级分析是我们深耕多年的一项人工智能应用。该技术通过预测技术和最优化模型，助力生产效率、能源效率和产品质量获得进一步提升。

例如，在某钢铁集团的工厂，基于深度学习的炉温控制模型能够自动预测高炉温度，实现过程参数优化值的人工智能推荐，推动高炉产出增加4%，综合能耗降低0.7%；在某制药公司的工厂，通过机器学习在线分析设备关键参数，智能分析和预测设备故障根因并自动提出行动建议，将关键设备的综合效率提升了50%；某公司在无锡工厂以高级分析系统实现刀具全生命周期的最优化，根据性能根因分析调整操作方式，并结合设备效率和更换成本优化换模规则，将刀具库存降至10%以下；某大型制造企业在深圳工厂部署了集成工业大数据的中央决策云平台，并通过全局规划和智能应用将无人运营的“关灯工厂”变为现实，从而节省了88%的人力，并且提升了30%的生产效率。

机器视觉是工业人工智能的另一项主流应用。该技术通过解析非结构性图像数据来提供洞见，在质量过程控制和检验方面效果卓著。在某汽车制造工厂，集团旗下的分析卓越中心自行研发的机器视觉应用能够快速识别带钢表面缺陷，确保有质量问题的产品不流入市场，由此将该问题带来的质量成本损失降低了50%；在某集团公司的天津工厂，以三维机器视觉技术为内核的在线质量控制系统可对压缩机油面位置进行精确监控，以保证此类问题客户“零投诉”；在另一家工厂，机器视觉实现了线上操作质量的全自动控制，将单品间接人力成本降低了17%。

 

除此以外，我们也在积极探索自然语言处理、先进机器人、流程自动化、智能云等其他人工智能技术的工业应用，以期在不同行业的丰富场景中进一步释放工业人工智能的价值潜力。

人工智能+工业制造

一、人工智能产品质量检测

人工智能嵌入生产制造环节，可以使机器变得更加聪明，不再仅仅执行单调的机械任务，而是可以在更多复杂情况下自主运行，从而全面提升生产效率。在质量管理方面，制造企业采用人工智能检测技术来对产品外观缺陷进行检测，减少了人工成本，提高检测精度和效率。人工智能检测设备对产品外观缺陷检测效果惊人，与人工相比，它有着巨大优势。

人工智能检测，降低人力成本；

精确识别细微缺陷，提高检测效率；

满足客户动态品质管控需求；

根据查询系统，开展产品质量追溯。

二、人工智能实现柔性化生产

随着个性化需求时代的到来，标准化的生产模式越来越无法满足消费者的需求。人工智能技术对于挖掘消费者需求数据以及特征行为等方面发挥着重要作用，并能够对相关产品的市场前景进行预测分析，将分析结果作为生产过程中的参考依据。

人工智能技术还能有效实现柔性生产，对生产线的生产计划进行控制与管理，从产品的供应链、物流链、生产链等各个环节进行合理管控，降低相关流程的不必要成本。例如在产线物流环节，利用机器学习技术，机器人能够判断如何分拣生产线上的产品，分捡的成功率可以达到90%，和熟练工人的水平相当。

 

三、人工智能实现设备预测性维护

在24小时不停运转的工厂里，突发的停机事件会造成不小的损失。为了实现预测性维护，技术人员通过大量的设备性能和环境历史数据，借助人工智能技术分析构建预测性维护模型，对设备运行状况进行预测。

在智慧工厂里，预测性维护通过对重要资产如机床、重要机器仪表等设备的健康监测来实现。生产设备里的传感器等随时监控设备运行状态，把实时运行数据传输到云上采用人工智能和大数据进行分析，提前预知设备的异常状态，采取应对措施，从而最小化设备停机的可能。

四、人工智能的其他应用实例

库房管理与物流：比如物流公司某库房，需要按照订单和发货地分拣成品，同时回收空的料箱，并把部分废料、废品扔进废料堆放处。这个工作每个班次由两名工人合作完成，库房内有粉尘和噪音，每天累计重复分拣动作要执行2000-3000次，虽然重物搬运由机械手完成，但仍是强度大、环境差、技术含量低的重复性工作。

企业用一台机器人替换每天三班倒的两个工位，机器人带有机器视觉系统，订单和发货地分拣可以扫RFID码，成品、空箱、废料废品的判断由AI学习算法逐步提高识别率，最初识别率只有62%左右，需要每个班次配合一个工人拾遗补缺，随着数据积累，AI识别模型不断完善，一段时间月后，综合识别率提高到96%的水平，成品识别和发货地分拣完全准确，已不需要库房留人补缺，只在废料废品回收时，捡出极少量的空箱即可。

 

工艺优化：AI通过调节和改进生产过程中的参数，对于制造中使用的很多机器进行参数设置。生产过程中，机器需要进行诸多参数的设置。例如，在注塑中，可能需要控制塑料的温度、冷却时间表、速度等等。所有这些参数都可能受到各种外部因素的影响，例如，外界温度等。通过收集所有这些数据，AI可以改进自动设置和调整机器的参数。

生产制造：福特曾经豪言：不管你要什么车，我都只生产黑色，这是流水线大生产的典型写照，但如果福特放在现状还是这种思路的话福特汽车只有死路一条。因为现在个性化越来越多，但是个性化生产的成本又非常巨大，那么只有一种途径就是大规模定制，利用个人消费数据进行分析后形成综合的订单，然后平台分发进行大规模生产进而降低成品单价。目前电商行业具备大量的消费行为数据，但是数据永远是落后于实际需求的，高级分析就很好的解决了这个问题，将数据进行分析整理，反馈到制造端，实现生产制造的优化配置。

 

纵观全球，涉足工业人工智能领域的企业早已证明了这种技术的独特价值。人工智能技术在改善企业的生产力、效率、质量和成本等方面具备巨大潜力，无疑将成为赋能未来制造业的全新引擎。不过，企业的人工智能转型之旅任重道远，我们也在高级分析赋能企业转型上继续深耕。