人工智能（AI）本质上是一种智能机器学习算法。它作为一种系统化的方法和规则，由机器学习并掌握后，应用于各种行业开发、各类验证和各场景部署。工业人工智能的概念最初由美国国家科学基金会智能维护系统中心提出，它综合工业大数据和工业运行中的知识经验，利用AI技术，通过自感知、自比较、自预测、自优化和自适应，形成可持续性且迭代升级的工业应用能力，从而重复、有效、可靠地解决工业制造问题，实现工业生产过程的优质、高效、安全、可靠和低耗的多目标优化运行。

目前看，尽管工业人工智能的规模化应用仍任重道远，但以全球“灯塔工厂”为代表的工业人工智能领军者业已证明，工业人工智能将重塑产品服务、生产运营、组织流程等业务场景，打造具有颠覆潜力的创新业态，成为制造业转型升级的助推器。

据Gartner 2020年发布的技术成熟度曲线显示，全球处于上升期或巅峰期的新兴技术中，一半以上与人工智能有关。去年，人工智能在全球完成约470亿美元总收入。据麦肯锡预测，人工智能将为全球企业额外创造3.5万亿~5.8万亿美元的经济价值，这一数字已超过德国2018年的GDP总量。同样，工业人工智能将改变制造业的面貌。这种改变主要体现在七个方面。

产品缺陷检测

由于深度学习的应用，制造业生产线的缺陷检测过程变得越来越智能。深度神经网络集成使计算机系统可以识别诸如刮擦、裂纹、泄漏等表面缺陷。

这一过程，通过应用图像分类，对象检测和实例分割算法，由数据科学家以给定缺陷检测任务训练视觉检查系统来完成。深度学习驱动检测系统，与高光学分辨率相机和GPU相结合，形成超越传统机器视觉的感知能力。

例如，可口可乐构建的基于AI视觉检测程序，已经可以诊断设施系统并检测产线问题，及时把检测到的问题反馈给技术专家进行解决。基于此，未来质量检测人员被李开复列为将被人工智能替代的工种。

新的检测技术包括合成数据、迁移学习和自监督学习等。在合成数据中，生成对抗网络(Generative Adversarial Networks，GAN）数据生成工具会检查质检员认为“正常”的图像，并合成缺陷图像，用于训练人工智能模型。同时，迁移学习与自监督学习，用于解决特定问题。随着数据积累，缺陷检测算法更加精确。

即使如此，仍要解决模糊检测的问题。模糊检测是因为人类质检员的主观判断分歧所产生的，比如一个质检员可能认为划痕是有问题的，而另一个质检员则认为相同的划痕可以忽略不计。这就是人工质检会存在20%~30%，甚至40%误判率的原因。而人工智能平台可以使用实时更新的数字缺陷手册，自动标记歧义和不一致的地方，来解决模糊检测问题。如，色差不一致，可重新定义色差予以纠正。

如果是传统预建模机器视觉系统，就不能迅速适应生产线环境的变化（如光线），以及缺陷标准的变化（如1毫米划痕合格，变为0.8毫米才合格）。而工业人工智能可以监控并跟踪变化，持续收集数据并根据最新数据重新学习，在重新部署之前验证新模型等，简化并克服变化的挑战。

对于大规模制造企业来说，多家工厂的多个产品很容易产生数千个独特的人工智能软件模型，每一个模型都需要在不同量级的特定缺陷图像上训练，是不可行的。而人工智能软件平台可以系统地开发、部署、跟踪、维护和监控每一个数据和每个软件组件。即使是一家大型跨国制造业企业，其制造主管都能够在办公桌上快捷地查看全球所有缺陷检测概况。

设备预测性维护

在工业制造中，设备的正常运行是保障工厂高效、可靠和安全生产的关键环节。与其在发生故障时进行修复或故障检查，不如在发生问题之前做出预测。

工业设备在长期运行中, 就如人体的自然老化一样，其性能和健康状态不可避免地出现下降，同时，因为大型设备的组件众多、运行环境复杂，设备性能发生退化的概率增大。如果不能及时发现其退化或异常状况，轻则造成设备失效或故障，重则造成财产损失和人员伤亡甚至生产环境的巨大破坏。

预测性维护（PdM）通过对设备进行数据收集和状态监测，在设备发生故障前，就可以预测出故障隐患。这使工厂在提升产能的同时，降低维护成本，提高关键设备的可用性，减少非计划性停车。在故障发生之前，提出防范措施，更换相关零部件，这要大大好过设备定期检修，使生产设备的可控性、生产系统的可用性程度出现质的飞跃。

实际上，预测性维修只是工业人工智能工作的一部分，另一个优势是故障排除。

一般，有三种机器学习模型可以预测设备故障：

第一种是预测剩余使用寿命(RUL)的回归模型。即通过利用历史数据和静态数据，预测设备发生故障之前的剩余时间。

第二种是在预定时间段内预测故障的分类模型。即为设备将要出现故障的时间开发一个模型，可以预测预定时间内出现的设备故障。

第三种是异常检测模型。即通过识别正常系统行为和故障事件之间的差异来预测故障，并标记故障设备。

三种模型所需的PdM 技术主要由数据采集与处理、状态监测、健康评估与 RUL预测，及维修决策等模块组成。具体来说，RUL预测的核心是根据设备退化机理模型，或利用监测数据和人工智能方法解锁设备退化的映射关系，通过与失效阈值比较而框定有效剩余使用时间概率、分布以及期望值。做出维修决策的主要依据就是RUL预测。基于设备监测数据，设备一旦出现异常，工业人工智能 及时检测其异常并进行溯源，识别设备的健康等级并预测剩余使用寿命，根据工厂现有资源，选用智能优化算法，做出最优维修决策，先行排除故障。

目前，国内外一些公司已经做出了一些落地项目，如西门子推出的基于工业大数据分析的预测性维护软件SiePA。其在对企业历史运行数据进行深入分析的基础上，以工业人工智能算法为工具，建立起预测性维护系统，通过利用设备运行状态预测预警模块与智能排查诊断模块，在及时预测预警运营中的故障风险的同时，帮助企业高效诊断故障背后的原因，并指导维修维护。

ABB Ability船舶远程诊断系统可以对电气系统实行预防性连续实时监测，一体化提供故障排除、预防性和预测性服务三个级别的服务。此系统可以使制造企业的服务工程师数量减少 70%，并将维护工作量减少50%。

数字孪生

数字孪生的最常见用途是生产过程的实时诊断和评估，产品性能的预测和可视化等。

数据工程师使用监督和无监督的机器学习算法，教化数字孪生模型了解如何优化物理系统。通过处理从连续实时监控中收集的历史数据和未标记数据，机器学习算法可以查找行为模式并发现异常，从而优化生产计划，质量改进和维护。

但是，要消弭物理模型和数据驱动之间的鸿沟并非易事。而数字孪生则将工业制造通过深度学习解决这一难题。利用数字孪生技术还可以处理来自研究成果、行业报告、社交网络和大众媒体的外部数据。因此，不仅增强了数字孪生的功能，而且可以设计未来的产品，并模拟其性能。

从这个角度来看，数字孪生已经成为实现信息与物理融合的有效手段。

一方面，数字孪生可以支持制造应用的物理世界与信息流动世界之间的虚实映射与双向交互，形成“数据感知-实时分析-智能决策-精准执行”全息实时智能闭环。

另一方面，数字孪生也可以将运行状态、环境变化、突发扰动等物理实况数据与仿真预测、统计分析、领域知识等信息空间数据进行全面交互与深度融合，从而增强制造的物理世界与信息世界的同步性与一致性，得到不走样的全功能共振模型。

由此，数字孪生被认为是实践工业人工智能的一种使能技术。

具体来说，一是数字孪生可以使能生产线虚拟调试。虚拟调试技术通过在数字化环境中，将生产线设备，如工业机器人、自动化设备、PLC和传感器等，生成生产线三维布局。在现场调试之前，对生产线的数字孪生模型进行机械运动、工艺仿真和电气调试，让设备在未安装之前完成仿真调试，解决物理设备在调试中暴露出的问题。

二是数字孪生可以使能工厂运行状态的实时模拟和远程监控。对于正处在生产状态的工厂，通过数字孪生模型可以实现生产过程的可视化。包括生产设备当前状态，在加工什么订单，设备和产线的OEE、产量、质量与能耗等。对于故障设备，瞬时提示具体故障类型。当然，还可以定位每一台物流设备的位置和状态。

三是数字孪生可以使能产品的运行监控和智能运维。通过实时采集智能装备运行过程中的传感器数据，并传递到数字孪生模型进行仿真分析，从而对智能装备的健康状态和故障征兆进行诊断，预测故障。当生产工况发生改变时，可以先行对数字孪生模型在仿真云平台上，对于拟采取的调整措施进行验证。如果顺利通过验证，就可以对实际运行参数进行调整。

四是数字孪生可以使能数字营销。对于尚未上市的新产品，通过发布其概念阶段的数字孪生模型，让消费者选择更喜欢的设计方案，甚至量身定制，根据修改后的设计，再进行生产，明显提升制造企业的销售业绩。目前，这一技术手段在汽车制造领域，不仅用于数字营销，而且被用于资金募集。

图1 人工智能关键技术

工业生成设计

当人工智能可以制造诗歌，并作画、书写、作曲时，这预示着它的创造可以伸展到几乎所有领域。其中，工业生产设计仅仅是设计创新的一个方面。所谓工业生成设计是基于机器学习对于给定产品的所有可能设计选项，生发出多种设计可能。通过设计生成软件，选择质量、尺寸、材料、操作和制造条件等参数，工业品设计工程师可以生成许多设计解决方案，并从中选择最合适投产的设计方案。也可以说生成设计是模仿自然化的设计方法，设计师和工程师一起将更多的时间花费在解决设计问题上，而不再是提出设计思路并存储在电脑中。工业生成设计是人工智能和工业设计相融合而产生的新技术。

深度学习算法的不断进步，使得生成设计软件越来越智能。一般情况下，是运用由人工智能构成的对抗网络(GAN)进行生成设计。GAN被分为两个网络，即生成器网络和鉴别器网络。GAN使用这两个网络完成设计。其中，生成器网络为给定产品生成新的设计，而鉴别器网络则对真实产品的设计和生成设计进行区分。

举例来说，传统的设计师将创意灵感通过计算机渲染，将设计方案输出到图纸中。在生成设计中，计算机不再是单纯的工具，而是和设计师一起共同创造设计内容。通过数据录入、人工智能算法、云计算等，一次生成数以千计的设计方案，这就是通常意义上的生成设计。

当然，它不是从无到有的设计，而是根据已有的数十万张设计素材进行人工智能训练，通过GAN算法进行智能设计而生成的。

柔性生产

柔性生产是一种新的生产模式，相对于传统大规模量产模式，是一种以消费者为导向的以需定产生产模式。通常，柔性生产主要体现在如下七个方面。

一是机器柔性。机器设备对于生产不同类型产品时，可以快速响应。即使是非标准件的生产，非标终端设施的切换、控制程序仍可以自动下载、快速更换。

二是工艺柔性。在工艺流程不变时，考验的是适应产品或原材料变化的能力。比如，协作机器人与生产机器人夹爪力度传感器对不同质量生产件具有较强的适应能力，以及产线内为适应产品或原材料变化而改变相应工艺的速度。

三是产品柔性。产品升级或更新，甚至转产后，生产系统能够高效、经济和迅速地产出新产品的能力。如比亚迪新能源汽车产线转去生产防疫口罩。当然，产品更新后，仍保持对原产品可用特性的继承能力和兼容能力。

四是维护柔性。采用多种方式查询、处理故障，保障生产正常进行的能力。前面提到的设备预测性维护就是明显的例子。

五是生产能力柔性。当生产量改变时，产线也有能力以最经济地方式来应对。如果订单数量突然发生变化，预留工位，循环流转工位和缓存工位，以及备料等均能迅速做出改变。

六是扩展柔性。根据增长的生产需求，可以很容易地扩展产线能力，如增加模块，甚至根据工艺流程，增加生产工位，消除瓶颈工位等扩充产能。

七是运行柔性。利用不同设备、材料、工艺流程等生产同质产品，包括系列产品的能力，甚至换用不同工序仍能完成预定的生产。

为达成以上七方面的柔性，先是通过集成各类传感器、机器视觉、测量设备等获得感知；然后对采集数据进行实时处理，分析挖掘；基于分析所获知识，做出生产决策；最后由工业机器人、数控机床、各种专有设备去完成生产。

能耗预测

世界各国的数据中心正在消耗全球能源的3％，大型工业系统正消耗着全球能源的54％。工业人工智能系统的能耗预测能力，在解决能源消耗，助力碳排放目标的实现上，将发挥不可替代的作用。

德国Borderstep研究所已经部署了预测性机器学习算法，将节省下来的20％至25％的能源，用于加热柏林250套公寓。

IBM的一个人工智能研究团队正在使用深度学习方法，预测海上风电场的故障，以优化维护，降低能耗。该项目以温度、风速和湿度的历史数据“训练”相关模型。经过训练的模型在部署之后，收集新的数据，提升了能耗预测能力。同时，通过降低涡轮机的维护成本和停机时间，更便宜地产生更多的绿色电力。

对于企业来说，减少碳排放可以从以下三个方面入手。

一是监测排放。由AI驱动的数据工程跟踪碳足迹，如从运营、生产、供应、物流等环节收集数据，并利用AI生成缺失数据的近似值，提高监测的准确性。

二是预测排放。AI可以根据企业当前的减排工作、新的减排方法和未来需求，预测企业未来的碳排放，有助于更准确地设定、调整和实现减排目标。

三是减少排放。通过提供对价值链各个方面的详细洞察，AI可以提高生产、运输和其他方面的效率，从而减少碳排放，降低成本。

冶炼企业是能源消耗大户，也是能耗预测快速见效的行业。BCG帮助一家钢铁生产企业通过工业AI优化生产流程，减少了碳排放并降低成本。基于AI的流程控制，布置了数千个传感器，这些传感器可以收集数十亿个数据点，并输入控制系统，计算并预测出该公司能源需求，同时可以追踪和减少废物来源。项目实施后，该公司碳排放量减少3%，成本降低4,000万美元。

实际上，AI赋能的数据分析助力碳减排，不仅仅局限于工业生产，其在交通运输、制药、快消品、能源和公用事业等多个领域同样发挥着重要作用。

预测能耗的最常见机器学习方法是基于顺序数据的测量，所使用的工具是自回归模型和深度神经网络。 自回归模型的特点是定义趋势、周期性、不规律性和季节性。为了弥补自回归模型不充足的缺陷，提高预测的准确性，就要综合使用几种补充方法，进行校正。其中，最常用的是要素工程。该工程方法可以将原始数据转换为关联要素，为预测算法指定任务，避免偏移。

深度神经网络则更适合处理大型数据集和快速找到匹配模式。进行训练之后，该网络可以从输入数据中自动提取特征。内部存储数据的提取则是利用递归神经网络(RNN)，因为它擅长梳理时间跨度较长的数据序列，有助于理解时间逻辑顺序，根据既有数据，预测未来趋势。RNN在自循环中，可以动态学习，发现有价值的信息，并在必要时快速跳过或更改上下文。

由此，AI可以助力制造企业估算能源消耗数量，清晰未来能源消耗方式，在降低能源消耗的同时，选用绿色能源，优化能源结构。整个能耗预测完全由数据驱动。

认知供应链

如果说，智能供应链是选择正确的解决方案，那么， 人工智能和机器学习不仅使供应链管理自动化，而且使认知管理成为可能。基于机器学习算法的供应链管理系统可以自动分析诸如物料库存，入站装运，再制品，市场趋势，消费者情绪和天气预报等数据。相比较而言，认知供应链可以定义最佳解决方案并放心由数据驱动决策，就像人类自我感知需求一样。

目前，因为人工智能正在打破固有边界，所有行业的供应链都在面临着重新认知，预测性分析被广泛应用到所有供应链流程，机器人和无人机投入生产与配送，则进一步推动着数字制造、客户服务和配送自动化。供应链因人工智能训练，其指挥水平不断提升，数字决策能力不断增强。

AI能够理解来自大量设备和云应用的海量运营数据流，物联化特征越来越明显。过去由人类创造的信息将会越来越多地由机器生成——传感器、 RFID 标签、计量器、执行器、GPS等。仓库可以完成自动盘点，集装箱可以自行检测其内部货物。整个供应链将连为一体——不仅仅包括一般意义上的客户、供应商和IT系统，还包括用于监视供应链的部件、产品和其他智能工具。这种广泛的互联互通将支持全球供应链网络协同规划和决策。同时，供应链决策也将变得更加智能，更好地帮助决策者分析一系列极其复杂多变的风险和制约因素，以评估各种备选方案。智能系统甚至可以自动制定决策——提高响应速度，减少人为干预。

整个认知供应链管理系统主要体现以下功能：需求预测、物流优化、仓库自控、客户支持、人力资源规划、供应链安全、端到端透明度与财务异常检测。

即使工业人工智能展现出如此多的优势，但大多数制造企业仍对人工智能的前景和投资回报心存疑虑，利用工业人工智能的企业不足30%，工业人工智能的规模化应用依然任重而道远。

原文刊载于《中国工业与信息化》 2021年6月刊 作者：印向阳

本文来源于网络，本着学习交流的目的进行转载，已标注原始作者和出处，如存在异议，请联系editor@xingongye.cn。如您对内容有疑问，请告之，以便我们及时处理。