導讀：工業人工智能的概念最初由美國國家科學基金會智能維護系統中心提出，目的是將人工智能形成可持續性且迭代升級的工業應用能力，從而重復、有效、可靠地解決工業制造問題。目前看，盡管工業人工智能的規模化應用仍任重道遠，但以全球“燈塔工廠”為代表的工業人工智能領軍者業已證明，人工智能將重塑產品服務、生產運營、組織流程等業務場景，打造具有顛覆潛力的創新業態，成為制造業轉型升級的助推器。
作者：印向陽 北京共星光電科技公司總裁 | 來源：《中國工業和信息化》雜志2021年6月刊總第35期
人工智能（AI）本質上是一種智能機器學習算法。它作為一種系統化的方法和規則，由機器學習并掌握后，應用于各種行業開發、各類驗證和各場景部署。工業人工智能的概念最初由美國國家科學基金會智能維護系統中心提出，它綜合工業大數據和工業運行中的知識經驗，利用AI技術，通過自感知、自比較、自預測、自優化和自適應，形成可持續性且迭代升級的工業應用能力，從而重復、有效、可靠地解決工業制造問題，實現工業生產過程的優質、高效、安全、可靠和低耗的多目標優化運行。
目前看，盡管工業人工智能的規模化應用仍任重道遠，但以全球“燈塔工廠”為代表的工業人工智能領軍者業已證明，工業人工智能將重塑產品服務、生產運營、組織流程等業務場景，打造具有顛覆潛力的創新業態，成為制造業轉型升級的助推器。
據Gartner 2020年發布的技術成熟度曲線顯示，全球處于上升期或巔峰期的新興技術中，一半以上與人工智能有關。去年，人工智能在全球完成約470億美元總收入。據麥肯錫預測，人工智能將為全球企業額外創造3.5萬億~5.8萬億美元的經濟價值，這一數字已超過德國2018年的GDP總量。
同樣，工業人工智能將改變制造業的面貌。這種改變主要體現在七個方面。
由于深度學習的應用，制造業生產線的缺陷檢測過程變得越來越智能。深度神經網絡集成使計算機系統可以識別諸如刮擦、裂紋、泄漏等表面缺陷。
這一過程，通過應用圖像分類，對象檢測和實例分割算法，由數據科學家以給定缺陷檢測任務訓練視覺檢查系統來完成。深度學習驅動檢測系統，與高光學分辨率相機和GPU相結合，形成超越傳統機器視覺的感知能力。
例如，可口可樂構建的基于AI視覺檢測程序，已經可以診斷設施系統并檢測產線問題，及時把檢測到的問題反饋給技術專家進行解決?；诖?，未來質量檢測人員被李開復列為將被人工智能替代的工種。
新的檢測技術包括合成數據、遷移學習和自監督學習等。在合成數據中，生成對抗網絡(Generative Adversarial Networks，GAN）數據生成工具會檢查質檢員認為“正?！钡膱D像，并合成缺陷圖像，用于訓練人工智能模型。同時，遷移學習與自監督學習，用于解決特定問題。隨著數據積累，缺陷檢測算法更加精確。
即使如此，仍要解決模糊檢測的問題。模糊檢測是因為人類質檢員的主觀判斷分歧所產生的，比如一個質檢員可能認為劃痕是有問題的，而另一個質檢員則認為相同的劃痕可以忽略不計。這就是人工質檢會存在20%~30%，甚至40%誤判率的原因。而人工智能平臺可以使用實時更新的數字缺陷手冊，自動標記歧義和不一致的地方，來解決模糊檢測問題。如，色差不一致，可重新定義色差予以糾正。
如果是傳統預建模機器視覺系統，就不能迅速適應生產線環境的變化（如光線），以及缺陷標準的變化（如1毫米劃痕合格，變為0.8毫米才合格）。而工業人工智能可以監控并跟蹤變化，持續收集數據并根據最新數據重新學習，在重新部署之前驗證新模型等，簡化并克服變化的挑戰。
對于大規模制造企業來說，多家工廠的多個產品很容易產生數千個獨特的人工智能軟件模型，每一個模型都需要在不同量級的特定缺陷圖像上訓練，是不可行的。而人工智能軟件平臺可以系統地開發、部署、跟蹤、維護和監控每一個數據和每個軟件組件。即使是一家大型跨國制造業企業，其制造主管都能夠在辦公桌上快捷地查看全球所有缺陷檢測概況。
在工業制造中，設備的正常運行是保障工廠高效、可靠和安全生產的關鍵環節。與其在發生故障時進行修復或故障檢查，不如在發生問題之前做出預測。
工業設備在長期運行中, 就如人體的自然老化一樣，其性能和健康狀態不可避免地出現下降，同時，因為大型設備的組件眾多、運行環境復雜，設備性能發生退化的概率增大。如果不能及時發現其退化或異常狀況，輕則造成設備失效或故障，重則造成財產損失和人員傷亡甚至生產環境的巨大破壞。
預測性維護（PdM）通過對設備進行數據收集和狀態監測，在設備發生故障前，就可以預測出故障隱患。這使工廠在提升產能的同時，降低維護成本，提高關鍵設備的可用性，減少非計劃性停車。在故障發生之前，提出防范措施，更換相關零部件，這要大大好過設備定期檢修，使生產設備的可控性、生產系統的可用性程度出現質的飛躍。
實際上，預測性維修只是工業人工智能工作的一部分，另一個優勢是故障排除。
一般，有三種機器學習模型可以預測設備故障：
第一種是預測剩余使用壽命(RUL)的回歸模型。即通過利用歷史數據和靜態數據，預測設備發生故障之前的剩余時間。
第二種是在預定時間段內預測故障的分類模型。即為設備將要出現故障的時間開發一個模型，可以預測預定時間內出現的設備故障。
第三種是異常檢測模型。即通過識別正常系統行為和故障事件之間的差異來預測故障，并標記故障設備。
三種模型所需的PdM 技術主要由數據采集與處理、狀態監測、健康評估與 RUL預測，及維修決策等模塊組成。
具體來說，RUL預測的核心是根據設備退化機理模型，或利用監測數據和人工智能方法解鎖設備退化的映射關系，通過與失效閾值比較而框定有效剩余使用時間概率、分布以及期望值。做出維修決策的主要依據就是RUL預測。
基于設備監測數據，設備一旦出現異常，工業人工智能 及時檢測其異常并進行溯源，識別設備的健康等級并預測剩余使用壽命，根據工廠現有資源，選用智能優化算法，做出最優維修決策，先行排除故障。
目前，國內外一些公司已經做出了一些落地項目，如西門子推出的基于工業大數據分析的預測性維護軟件SiePA。其在對企業歷史運行數據進行深入分析的基礎上，以工業人工智能算法為工具，建立起預測性維護系統，通過利用設備運行狀態預測預警模塊與智能排查診斷模塊，在及時預測預警運營中的故障風險的同時，幫助企業高效診斷故障背后的原因，并指導維修維護。
ABB Ability船舶遠程診斷系統可以對電氣系統實行預防性連續實時監測，一體化提供故障排除、預防性和預測性服務三個級別的服務。此系統可以使制造企業的服務工程師數量減少 70%，并將維護工作量減少50%。
數字孿生的最常見用途是生產過程的實時診斷和評估，產品性能的預測和可視化等。
數據工程師使用監督和無監督的機器學習算法，教化數字孿生模型了解如何優化物理系統。通過處理從連續實時監控中收集的歷史數據和未標記數據，機器學習算法可以查找行為模式并發現異常，從而優化生產計劃，質量改進和維護。
但是，要消弭物理模型和數據驅動之間的鴻溝并非易事。而數字孿生則將工業制造通過深度學習解決這一難題。利用數字孿生技術還可以處理來自研究成果、行業報告、社交網絡和大眾媒體的外部數據。因此，不僅增強了數字孿生的功能，而且可以設計未來的產品，并模擬其性能。
從這個角度來看，數字孿生已經成為實現信息與物理融合的有效手段。
一方面，數字孿生可以支持制造應用的物理世界與信息流動世界之間的虛實映射與雙向交互，形成“數據感知-實時分析-智能決策-精準執行”全息實時智能閉環。
另一方面，數字孿生也可以將運行狀態、環境變化、突發擾動等物理實況數據與仿真預測、統計分析、領域知識等信息空間數據進行全面交互與深度融合，從而增強制造的物理世界與信息世界的同步性與一致性，得到不走樣的全功能共振模型。
由此，數字孿生被認為是實踐工業人工智能的一種使能技術。
具體來說，一是數字孿生可以使能生產線虛擬調試。虛擬調試技術通過在數字化環境中，將生產線設備，如工業機器人、自動化設備、PLC和傳感器等，生成生產線三維布局。在現場調試之前，對生產線的數字孿生模型進行機械運動、工藝仿真和電氣調試，讓設備在未安裝之前完成仿真調試，解決物理設備在調試中暴露出的問題。
二是數字孿生可以使能工廠運行狀態的實時模擬和遠程監控。對于正處在生產狀態的工廠，通過數字孿生模型可以實現生產過程的可視化。包括生產設備當前狀態，在加工什么訂單，設備和產線的OEE、產量、質量與能耗等。對于故障設備，瞬時提示具體故障類型。當然，還可以定位每一臺物流設備的位置和狀態。
三是數字孿生可以使能產品的運行監控和智能運維。通過實時采集智能裝備運行過程中的傳感器數據，并傳遞到數字孿生模型進行仿真分析，從而對智能裝備的健康狀態和故障征兆進行診斷，預測故障。當生產工況發生改變時，可以先行對數字孿生模型在仿真云平臺上，對于擬采取的調整措施進行驗證。如果順利通過驗證，就可以對實際運行參數進行調整。
四是數字孿生可以使能數字營銷。對于尚未上市的新產品，通過發布其概念階段的數字孿生模型，讓消費者選擇更喜歡的設計方案，甚至量身定制，根據修改后的設計，再進行生產，明顯提升制造企業的銷售業績。目前，這一技術手段在汽車制造領域，不僅用于數字營銷，而且被用于資金募集。
當人工智能可以制造詩歌，并作畫、書寫、作曲時，這預示著它的創造可以伸展到幾乎所有領域。其中，工業生產設計僅僅是設計創新的一個方面。所謂工業生成設計是基于機器學習對于給定產品的所有可能設計選項，生發出多種設計可能。通過設計生成軟件，選擇質量、尺寸、材料、操作和制造條件等參數，工業品設計工程師可以生成許多設計解決方案，并從中選擇最合適投產的設計方案。也可以說生成設計是模仿自然化的設計方法，設計師和工程師一起將更多的時間花費在解決設計問題上，而不再是提出設計思路并存儲在電腦中。工業生成設計是人工智能和工業設計相融合而產生的新技術。
深度學習算法的不斷進步，使得生成設計軟件越來越智能。
一般情況下，是運用由人工智能構成的對抗網絡(GAN)進行生成設計。GAN被分為兩個網絡，即生成器網絡和鑒別器網絡。GAN使用這兩個網絡完成設計。其中，生成器網絡為給定產品生成新的設計，而鑒別器網絡則對真實產品的設計和生成設計進行區分。
舉例來說，傳統的設計師將創意靈感通過計算機渲染，將設計方案輸出到圖紙中。在生成設計中，計算機不再是單純的工具，而是和設計師一起共同創造設計內容。通過數據錄入、人工智能算法、云計算等，一次生成數以千計的設計方案，這就是通常意義上的生成設計。
當然，它不是從無到有的設計，而是根據已有的數十萬張設計素材進行人工智能訓練，通過GAN算法進行智能設計而生成的。
柔性生產是一種新的生產模式，相對于傳統大規模量產模式，是一種以消費者為導向的以需定產生產模式。
通常，柔性生產主要體現在如下七個方面。
一是機器柔性。機器設備對于生產不同類型產品時，可以快速響應。即使是非標準件的生產，非標終端設施的切換、控制程序仍可以自動下載、快速更換。
二是工藝柔性。在工藝流程不變時，考驗的是適應產品或原材料變化的能力。比如，協作機器人與生產機器人夾爪力度傳感器對不同質量生產件具有較強的適應能力，以及產線內為適應產品或原材料變化而改變相應工藝的速度。
三是產品柔性。產品升級或更新，甚至轉產后，生產系統能夠高效、經濟和迅速地產出新產品的能力。如比亞迪新能源汽車產線轉去生產防疫口罩。當然，產品更新后，仍保持對原產品可用特性的繼承能力和兼容能力。
四是維護柔性。采用多種方式查詢、處理故障，保障生產正常進行的能力。前面提到的設備預測性維護就是明顯的例子。
五是生產能力柔性。當生產量改變時，產線也有能力以最經濟地方式來應對。如果訂單數量突然發生變化，預留工位，循環流轉工位和緩存工位，以及備料等均能迅速做出改變。
六是擴展柔性。根據增長的生產需求，可以很容易地擴展產線能力，如增加模塊，甚至根據工藝流程，增加生產工位，消除瓶頸工位等擴充產能。
七是運行柔性。利用不同設備、材料、工藝流程等生產同質產品，包括系列產品的能力，甚至換用不同工序仍能完成預定的生產。
為達成以上七方面的柔性，先是通過集成各類傳感器、機器視覺、測量設備等獲得感知；然后對采集數據進行實時處理，分析挖掘；基于分析所獲知識，做出生產決策；最后由工業機器人、數控機床、各種專有設備去完成生產。
世界各國的數據中心正在消耗全球能源的3％，大型工業系統正消耗著全球能源的54％。工業人工智能系統的能耗預測能力，在解決能源消耗，助力碳排放目標的實現上，將發揮不可替代的作用。
德國Borderstep研究所已經部署了預測性機器學習算法，將節省下來的20％至25％的能源，用于加熱柏林250套公寓。
IBM的一個人工智能研究團隊正在使用深度學習方法，預測海上風電場的故障，以優化維護，降低能耗。該項目以溫度、風速和濕度的歷史數據“訓練”相關模型。經過訓練的模型在部署之后，收集新的數據，提升了能耗預測能力。同時，通過降低渦輪機的維護成本和停機時間，更便宜地產生更多的綠色電力。
對于企業來說，減少碳排放可以從以下三個方面入手。
一是監測排放。由AI驅動的數據工程跟蹤碳足跡，如從運營、生產、供應、物流等環節收集數據，并利用AI生成缺失數據的近似值，提高監測的準確性。
二是預測排放。AI可以根據企業當前的減排工作、新的減排方法和未來需求，預測企業未來的碳排放，有助于更準確地設定、調整和實現減排目標。
三是減少排放。通過提供對價值鏈各個方面的詳細洞察，AI可以提高生產、運輸和其他方面的效率，從而減少碳排放，降低成本。
冶煉企業是能源消耗大戶，也是能耗預測快速見效的行業。BCG幫助一家鋼鐵生產企業通過工業AI優化生產流程，減少了碳排放并降低成本。基于AI的流程控制，布置了數千個傳感器，這些傳感器可以收集數十億個數據點，并輸入控制系統，計算并預測出該公司能源需求，同時可以追蹤和減少廢物來源。項目實施后，該公司碳排放量減少3%，成本降低4,000萬美元。
實際上，AI賦能的數據分析助力碳減排，不僅僅局限于工業生產，其在交通運輸、制藥、快消品、能源和公用事業等多個領域同樣發揮著重要作用。
預測能耗的最常見機器學習方法是基于順序數據的測量，所使用的工具是自回歸模型和深度神經網絡。
自回歸模型的特點是定義趨勢、周期性、不規律性和季節性。為了彌補自回歸模型不充足的缺陷，提高預測的準確性，就要綜合使用幾種補充方法，進行校正。其中，最常用的是要素工程。該工程方法可以將原始數據轉換為關聯要素，為預測算法指定任務，避免偏移。
深度神經網絡則更適合處理大型數據集和快速找到匹配模式。進行訓練之后，該網絡可以從輸入數據中自動提取特征。內部存儲數據的提取則是利用遞歸神經網絡(RNN)，因為它擅長梳理時間跨度較長的數據序列，有助于理解時間邏輯順序，根據既有數據，預測未來趨勢。RNN在自循環中，可以動態學習，發現有價值的信息，并在必要時快速跳過或更改上下文。
由此，AI可以助力制造企業估算能源消耗數量，清晰未來能源消耗方式，在降低能源消耗的同時，選用綠色能源，優化能源結構。整個能耗預測完全由數據驅動。
如果說，智能供應鏈是選擇正確的解決方案，那么， 人工智能和機器學習不僅使供應鏈管理自動化，而且使認知管理成為可能?；跈C器學習算法的供應鏈管理系統可以自動分析諸如物料庫存，入站裝運，再制品，市場趨勢，消費者情緒和天氣預報等數據。相比較而言，認知供應鏈可以定義最佳解決方案并放心由數據驅動決策，就像人類自我感知需求一樣。
目前，因為人工智能正在打破固有邊界，所有行業的供應鏈都在面臨著重新認知，預測性分析被廣泛應用到所有供應鏈流程，機器人和無人機投入生產與配送，則進一步推動著數字制造、客戶服務和配送自動化。供應鏈因人工智能訓練，其指揮水平不斷提升，數字決策能力不斷增強。
AI能夠理解來自大量設備和云應用的海量運營數據流，物聯化特征越來越明顯。過去由人類創造的信息將會越來越多地由機器生成——傳感器、 RFID 標簽、計量器、執行器、GPS等。倉庫可以完成自動盤點，集裝箱可以自行檢測其內部貨物。整個供應鏈將連為一體——不僅僅包括一般意義上的客戶、供應商和IT系統，還包括用于監視供應鏈的部件、產品和其他智能工具。這種廣泛的互聯互通將支持全球供應鏈網絡協同規劃和決策。同時，供應鏈決策也將變得更加智能，更好地幫助決策者分析一系列極其復雜多變的風險和制約因素，以評估各種備選方案。智能系統甚至可以自動制定決策——提高響應速度，減少人為干預。
整個認知供應鏈管理系統主要體現以下功能：需求預測、物流優化、倉庫自控、客戶支持、人力資源規劃、供應鏈安全、端到端透明度與財務異常檢測。
即使工業人工智能展現出如此多的優勢，但大多數制造企業仍對人工智能的前景和投資回報心存疑慮，利用工業人工智能的企業不足30%，工業人工智能的規?；瘧靡廊蝗沃囟肋h。
