人工智能与制造业融合的现状及思考

杨家荣

上海电气集团股份有限公司 中央研究院 上海 200070

1 研究背景

制造是一个复杂的过程,完成一个产品的生产制造,需要经历设计、造型、加工成形、装配、质检等复杂工序,涉及材料、工艺、人员、设备、检测等多个方面。当前,制造企业正在通过不懈努力和探索,利用各种先进技术和手段,提升生产效率和质量,降低成本。随着科技的发展,自动化技术开始普及和应用,计算机控制系统的飞速发展为制造业带来了新的机遇[1]。进入新一轮工业革命以来,大数据、人工智能等技术解决了海量数据的采集、存储和分析等关键问题,使不少制造企业开始尝试应用人工智能技术替代人工操作,并取得了良好的效果。不少学者和专家提出,人工智能与制造业的融合应用是促进实体经济发展的重点方向,是制造业数字化、网络化及智能化转型发展的关键。目前,人工智能作为新一轮科技革命和产业变革的核心驱动力,已经逐步成为各国的发展重点。近年来,不论在欧、美发达国家,还是在我国,政府和产业界均高度重视这一趋势,纷纷采取行动大力推进人工智能基础性研究及产业应用,传统的制造业生产也在人工智能技术的驱动下进一步取得突破[2]。

2 人工智能发展现状

人工智能概念的诞生至今已超过60年。1956年,在美国达特茅斯会议上首次出现了人工智能术语,代表人工智能正式诞生。此后,人工智能经历了几次发展高潮和严冬期。如今,人工智能正迎来第三次发展高潮。2012年,深度神经网络技术在图像识别领域开始应用,加拿大多伦多大学Hinton教授的团队使用AlexNet深度神经网络在ImageNet大赛中夺冠,在计算机视觉领域产生了极大的影响。此后,各种新型网络,如GoogleNet、ResNet等层出不穷,一次次刷新ImageNet大赛的分类准确率。深度学习算法的应用使语音、图像、语义识别技术取得了突破性进展,围绕相关领域,如图像、自动驾驶等,人工智能技术的创新大量涌现,迅速进入发展热潮,并在深度学习算法、海量算据和高性能计算算力的支持下,逐步进入产业化应用初期[3]。我国、美国、日本,以及主要欧洲国家出台了与人工智能相关的政策与国家计划,为人工智能产业发展创造了良好的环境。虽然人工智能的应用存在不少问题,真正的人工智能时代还未到来,但是全球的人工智能产业正迅速发展,并深入到交通、医疗、航空等各个领域,逐渐改变人类的生产、生活方式[4-5]。

3 人工智能技术与制造业的融合

人工智能与制造业的融合属于智能制造范畴,利用人工智能技术赋能制造业,拥有巨大的发展潜力,是智能制造、产业升级的主方向。据埃森哲公司测算,到2035年,人工智能技术的应用将使制造业总增长值接近4万亿美元,年度增长率达4.4%。人工智能技术与制造业的融合,其根本的目的是提高效率,降低成本。作为新的生产要素,人工智能对制造业的赋能,主要集中在产品研发、设备维护、生产制造、质量检测、产品服务等几个方面。

3.1 产品研发

人工智能应用于产品研发,可使设计人员在设计阶段进行大量验证和模拟。设计软件在集成了人工智能模块后,可以更好地提高设计效率。Fusion360产品创新软件平台集成了人工智能和机器学习模块,机器学习模块可以用于模拟仿真分析与验证。例如,塑胶产品在收缩、成形之后,使用普通计算方式,结果可能与实际数值之间产生较大的误差,通过用机器学习的方式来调动整个数据,则可以减小误差,提高分析结果的准确性。在整个设计的不同阶段,都可以通过机器学习来帮助用户找到类似设计,从而加快设计进程。

3.2 设备维护

企业中大型、复杂的关键设备一旦发生故障,会造成停机或产线停产,所带来的经济损失往往是巨大的。因此,企业都迫切希望在故障发生时,设备维护人员能够迅速、准确判断故障性质和部位,及时恢复系统正常运行[6]。人工智能在设备维护方面的应用主要是预测性维护。预测性维护是不同于失效后维修和定期维护的一种基于状态的维护方式,准确地评估设备的健康状态,是实施有效预测性维护的前提。预测性维护通过采集设备机组各部位的振动数据、润滑油液数据和温度变化数据,采用人工智能训练模型,与实际运行数据进行对比,及时发出警报,提醒维护人员,提高生产系统的安全性,有效减少停机时间。图1所示为上海电气开发的发电机智能监测与管理系统。这一系统使发电机工作过程中各个关键部件的健康状况透明化,并在故障发生前监测、预警部件的健康衰退征兆,从而实现在故障发生前通过及时维护来避免故障发生。

3.3 生产制造

企业在生产过程中,需要对机器进行诸多参数的设置。人工智能在生产制造方面的应用主要是通过机器学习建立模型,识别各制造环节内外部参数对最终产品质量的影响,通过动态调节和改进生产过程中的参数,最终找到最佳的生产工艺参数。例如,在注塑过程中,可能需要随时调整和控制注塑机的温度、冷却时间等,有时还需要根据实际生产的反馈进行动态调整,而注塑参数可能会受到各种外部因素的影响,包括生产车间当前环境温度、不同批次原材料特性等。通过收集所有原材料数据、设备状态数据、环境数据,利用人工智能技术可以自动改进设置,调整机器的参数。图2所示为上海电气开发的设备热处理监测及智能优化系统。这一系统可以自动收集热处理过程中的参数,通过机器学习建立模型,为热处理过程中随时调整冷热风机的出口温度参数提供辅助决策。

3.4 质量检测

质量检测的核心技术是基于深度学习的机器视觉技术。人工智能技术与缺陷检测结合,可以大幅提高检测的准确度与效率。例如,检测零件或产品的表面缺陷及尺寸,传统的方式主要依赖人工,靠目视来进行质量检测,这种检测方式一方面由于人与人的差异使检测标准难以统一,另一方面同一个人在不同时间、处于不同状态也会影响检测标准的执行。长时间在强光源下通过目视检测,还会带来视力的损伤。当面临快速批量生产的产品检测时,靠人力只能抽检,无法做到全检。机器视觉技术可以弥补上述缺陷,使质检标准更为统一、稳定,检测速度更快[7-8]。基于深度学习的缺陷检测技术已开始应用于汽车面板检测、手机屏幕检测、印制电路板检测、纺织品检测等领域。美国斯坦福大学的吴恩达教授与制造业企业合作,将机器视觉应用于精确质量分析领域,使用机器学习算法对极少量的样本图像进行训练,利用人工智能技术检测电路板等产品中的微观缺陷,取得了良好的效果。如图3所示,机器视觉系统可以有效检测出材料叠装过程中表面的异物,以及材料表面划痕、边缘变形、翘曲、生锈、气泡等质量缺陷,大大提升产品的质检效率。目前,深度学习在图像特征提取、目标识别等领域均得到大量应用,在焊接特征缺陷提取与分类方面,同样具有应用优势,已经应用于焊缝气孔、未焊透和裂纹等特征缺陷的提取与分析中。

图1 发电机智能监测与管理系统

图2 热处理过程状态监测及智能优化系统

图3 机器视觉系统质量检测

3.5 产品服务

在产品服务方面,依托工业互联网的发展,人工智能技术将为工业互联网提供智慧大脑,开展各类远程智慧运行维护服务。通过建立智能装备及产品远程运行维护服务平台,能够对装备和产品的上传数据进行有效处理、存储与管理,并通过数据挖掘和分析,为用户提供日常运行维护、备品备件管理、预测性维护、故障预警与诊断、运行优化、远程升级等服务。图4所示为上海电气开发的磨煤机远程智能监测与管理系统。这一系统可以对磨辊、磨碗、叶轮的磨损进行监测,及时提供各类预警信息。

图4 磨煤机智能监测与管理系统

4 人工智能技术应用的发展趋势

人工智能技术在制造业中应用的发展趋势主要有三个方面。

(1) 人工智能技术将通过更可靠的需求预测、更好的预测变更对制造产生的影响,提高企业的生产能力。同时通过优化生产制造工艺,为制造环节提供各种智能决策,提高产品质量和生产效率,降低成本,减轻工人负担[9-10]。

(2) 机器学习算法可以优化和改善制造流程,及时预警备品备件信息,减少库存。未来,使用人工智能技术的门槛将进一步降低,以硬件即服务、软件即服务的形式提供给制造业从业者。硬件即服务指采用硬件租赁的方式,降低用户的使用成本。软件即服务指为制造业用户提供全套解决方案,真正做到提高生产效率。

(3) 人工智能与工业互联网的结合将会更紧密。互联网的普及和发展催生了平台模式,这一模式逐渐扩展到制造业,产生工业互联网平台模式。目前,欧美制造业的代表GE、西门子、施耐德等,都推出了工业互联网平台,而国内出于数据安全性的考虑,对数字资产的重视程度也越来越高,工业互联网平台处于激烈的竞争中,海尔、航天科工、美的、三一重工等都推出了相应的平台。2017年11月,《国务院关于深化“互联网+先进制造业”发展工业互联网的指导意见》发布,指出未来人工智能+制造实现的重要基础是工业互联网平台,由工业互联网平台为产业提供通用的算力、算据和算法能力,从而推动整个制造产业的转型升级。

5 人工智能与制造业融合的难点

现阶段,人工智能技术在制造业中的应用,其难点集中在数据、算法、融合度等方面。

(1) 在数据方面,数据采集的数量、质量不尽如人意。工业控制的发展历史悠久,网络存在协议、接口和总线等标准不统一等问题,早期很多供应商为了抢占标准的制高点,避免本公司产品被迫接入其它公司控制器进而被兼容,推出了许多私有协议标准。目前来看,短期内要实现各个数据接口的统一,可能性不大,如何进行统一采集与管理数据,是工业大数据分析的最大难点。此外,工业大数据以基于时间序列的数据为主,价值密度低,使与大数据相关的智能算法无法发挥最大效能。未来,可以利用射频识别、传感器、边缘计算等进一步获取生产线上的真实数据,为训练人工智能系统提供数据支持。

(2) 在算法方面,以深度学习算法为代表的人工智能技术无法满足工业生产的所有需求,可靠性和精准性有待提高。一方面,算法训练的周期问题会影响正常生产流程的进行。另一方面,许多工业场景太复杂,对可靠性的要求非常高,现阶段的深度学习算法尚无法满足制造业高可靠性的要求。

(3) 在融合度方面,目前从事人工智能算法研究的人才多集中在高校与研究机构,在制造企业中相关研究人员较少。人工智能技术在产业应用时,需要结合应用领域的专业知识,许多企业虽然拥有大量行业经验知识,对产品设备的运行特性十分了解,但是缺少掌握最新算法技术的人才。例如,人工智能技术应用于企业的产品质量缺陷检测时,要对检测异常的图像进行标定,以便获取高质量的训练数据集,这就需要专业的算法研究人员。可见,目前市场中最紧缺的人才,是既懂得人工智能原理和应用技术,又在行业中有深厚积累的复合型人才。人工智能领域的专家、人才与制造业的融合度仍有待提高。

6 结束语

对于制造业而言,最大的挑战是使人工智能技术应用到行业中。目前来看,人工智能技术与制造行业的深度融合还需要相当一段时间。结合Gartner最新发布的新兴技术成熟度曲线判断,未来十年,随着计算能力的发展、数据集的积累、深度神经网络领域的进步,人工智能与制造行业将有更深度的融合,并将赋能更多的生产环节。

人工智能融入制造业的根本目的是提质增效,并降低成本。制造企业需要清醒地认识到,人工智能仅仅是一种工具或方法,企业的本质是制造+人工智能,而不是人工智能+制造,生产制造才是企业的根本核心。不论外界如何宣传,如果无法与企业自身的实际应用需求相结合,那么必然无法取得良好的效果。在人工智能应用实践过程中,制造企业必须先做好储备,开展数据的采集和积累,以及人工智能人才的培养,对企业历年来积累的专业领域知识进行梳理,并结合现有的软硬件基础,分析人工智能技术怎么用、如何用好的问题,然后在条件成熟的一些制造环节中进行试点,同时不能急于求成。只有这样,才能真正用好并激发出人工智能技术的效能,最终实现智能制造。