AI助力中国智造

赛迪（上海）先进制造业研究院、百度AI产业研究中心

AI技术在制造业的应用需落在工业智能产品或具体工业痛点的解决方案上。相比较“锦上添花”的工业智能产品，“雪中送炭”的技术更容易被制造业接受。

赛迪（上海）先进制造业研究院和百度AI产业研究中心深入九大行业，面对面访谈调研数十家企业，得出以下核心观点：

解决痛点：AI技术在制造业的应用需落在工业智能产品或具体工业痛点的解决方案上，相比较“锦上添花”的工业智能产品，“雪中送炭”的技术更容易被制造业接受。

需求导向：工业AI产品的研发应从制造业企业的实际需求出發，通过AI技术满足制造业全生命周期中的不同需求。

安全保障：核心数据安全依旧是工业企业最为关心的因素，由于工业核心数据是制造业企业最为关键的资产，数据上云或者数据外传都会严重威胁到企业核心数据的安全，因此，中大型企业更愿意选择本地化或上私有云。

数据挖掘：AI技术的必要条件是工业大数据的完整收集及分析，大部分工业企业仍未完成信息化、数字化，导致数据量不足、数据结构不统一，增加了AI技术应用难度。

云边协同：在云端与边缘侧共同发力，云边结合打造行业的工业大脑。将丰富的云端业务能力延伸到边缘节点，实现传感器、设备、应用集成、图像处理的协同。

算法建模：目前人工智能算法框架以国外企业提供的开源框架为主，以GitHub为代表的开源社区大多由境外公司提供服务，具有中国自主知识产权的深度学习框架，有助于在工业信息化领域保障产业链安全

商业模式：工业的发展进程正在从企业产品牵引用户需求变为用户需求引领企业生产，智能制造对于工业领域附加值的提升也应该逐步从生产制造环节的降本增效，转向提供高附加值衍生服务，即“智能制造”生产的“智能产品”提供的“智能服务”。

制造业发展现状分析

政策鼓励和扶持，企业智能化改造备受重视

发达国家相继提出先进制造业发展战略。例如，美国提出先进制造业国家战略计划，德国提出工业4.0战略实施建议，法国提出“新工业法国”战略，日本提出制造业白皮书。新时代背景下，新一代信息技术与先进制造技术的深度融合，是我国从制造大国向制造强国转变的核心路径，制造强国战略及“1+X”政策体系相继出台，构建完整的智能制造发展政策支撑体系。在宏观经济下行压力下，智能制造及信息化相关技术的发展持续获得国家政策扶持，社会资本也逐渐流向智能制造相关产业。

各地出台相关政策文件鼓励企业智能化改造。《广东省深化“互联网+先进制造业”发展工业互联网的实施方案》《江苏省智能制造示范区培育实施方案（试行）》《山东省智能制造“1+N”带动提升行动实施方案（2018-2020年）》等相关政策文件相继出台。

人口红利降低，劳动力成本提升，精益生产迫在眉睫

2018年中国国内生产总值（GDP）达到90万亿元，其中制造业为26.5万亿元，占中国GDP的比例为29.4%，工业增加值为30.5万亿元，制造业是中国经济发展的第一大支柱。预计到2025年，中国工业增加值将达到45万亿元。

工业发展是支撑国家其他产业发展的先决条件，而制造业则是促进国家工业发展的重要力量，在国民经济发展中具有不可替代的主导作用。制造业体量大、增速稳、前景广，是中国经济社会发展的驱动核心。

市场环境不容制造业发展走旧路。人口老龄化和劳动成本上升，使得依赖低人力成本的劳动密集型产业在全球市场的优势逐渐丧失。面对内需降低、部分核心技术依赖进口等问题，以精益生产为目标的制造业智能化改造将引领一批自主品牌迈向全球产业链中高端。

制造业信息化改造逐步深入，企业逐渐夯实AI落地基础

截至2018年底，全国制造业重点领域骨干企业数字化研发工具普及率为68.9%，关键工序数控化率为49.2%，传统行业IT投入强度相对较低，关键工序数控化率仍有较大提升空间。其中，关键工序为总时差等于零的工序;骨干企业数字化研发工具普及率、关键工序数控化率为工信部衡量制造业企业两化融合能力、智能化水平的考核指标;R&D指科学研究与试验发展投入占主营业务收入的比例。

人工智能助力工业领域信息技术新革命

人工智能五大核心技术：机器学习/深度学习、计算机视觉、自然语言处理、知识图谱、语音技术。工业人工智能以系统化的方法和规则为工业应用提供解决方案、科研成果与工业应用，具有快速性、系统性、可传承性等特点。

工业人工智能为工业带来的改变包含两个方面：一是不同的人使用同样的工具可以得到近似的效果，二是迈向智能制造标准化的方向。

另外，人工智能技术还能赋能工业场景，提高生产效率，改善质量稳定性，降低能耗成本、提升设备稳定性，提高危险工业场景的安全性。

工业AI也有其局限性，比如无法突破人类已有的认知，将解决问题的“机会性”向工业场景的“确定性”逼近。

AI在工业制造各个环节的落地应用

环节一：产品设计

产品设计是生产全生命周期中的首要环节和智能制造的实施规划。

应用一：人工智能助力产品设计

1.预测市场需求

需求点：基于销售数据建立用户画像模型，预测产品销售情况。

解决方案：通过智能终端获取用户数据，通过用户数据建立用户画像;通过建模参数优化给出预测的营销支撑数据，判断客户购买意愿;针对不同客群优化销售营销策略。

难点及风险：用户数据标准化程度低、客户行为分析难度较高;用户数据多涉及个人隐私及商业机密，数据获取困难。

2.智能设计软件

需求点：为设计师提供满足相关标准设计参数建议的智能助手。

解决方案：根据国标及行业标准，建立标准件参数库;以成熟产品的设计参数建立数据库，对不同类型产品参数进行分类;以分类后的参数库作为训练样本对深度学习算法进行训练;在用户开启智能功能时，为非标准件提供参数建议。

难点及风险：国标及行业标准数据冗杂，机器学习样本分类难度大;应用效果难以保证，技术推广前期市场接受度较低。

应用二：基于知识图谱的智能设计模块

设计周期的长短逐渐成为产品占领市场的核心竞争力，基于知识图谱的智能设计模块能够避免因设计失误而造成的设计方案反复修改，有效缩短产品设计周期，提升产品的市场竞争力。

当前，CAD软件的主要功能是使设计的步骤自动化。CAD软件用于创建零件的计算机模型，将它们装配在一起以及对零件和装配体的性能进行建模，以使其符合设计规范。設计过程的分析步骤是迭代的，由专家执行的设计评审确定其是否需要更改。使用基于AI的工具，可以直接执行专家决策，而无需进行单独的设计审查和综合，因为AI工具中已经包含了专家的知识和经验。

AI赋能后的CAD具备以下基本特征：

一是产品组件以结构化图层形式储存，组件之间的关系以面向对象的格式实现。

二是产品结构也以结构化图层形式储存，产品结构内组件或零件之间，基于国标或历史数据推荐方法链接。

三是在数据库中更新组件或零件十分便捷，易于在AI逻辑框架中添加基于知识的新规则和决策程序。

环节二：生产制造

生产制造是制造业全生命周期中最重要环节，该环节的工业场景最丰富，智能化改造需求最多。

应用一：机器视觉—让质检线拥有会思考的眼睛

1.3C-产品显示屏智能质检

需求点：显示屏是手机关键零部件，质量问题直接影响产品体验。显示屏表面微小缺陷难以察觉，人工观察难度大、成本高。并且，显示屏涉及复杂物理原理，缺陷成因难以依靠机理模型确定。

解决方案：在屏幕质检环节增加工业相机，作为质检人员辅助工具，以减轻质检人员工作量，降低检测失误率;利用AI算法对已有故障屏幕进行多角度拍照，以图像作为训练样本，对屏幕故障模式进行机器学习。

难点及风险：一方面，显示屏集成电路部分难以拍照，只能通过通电后屏幕显示情况进行分析。另一方面，对于新出现的缺陷类型，人工智能难以识别。

2.汽车领域

需求点：装配线表面质量及漏油情况检测;基于机器视觉的出厂检验。

解决方案：装配线零部件标识和外观检验;视觉辅助检测车门、车窗雨刷和转向灯功能;视觉辅助检测车身外观质量。

3.冶金领域

需求点：钢材表面缺陷识别。

解决方案：选择恰当工艺环节，增加激光光源和工业CCD相机，对板带材表面连续拍照，保存图像数据;对已有的缺陷类型进行全方位拍照，对缺陷类型和大小进行标定。

4.纺织领域

需求点：基于机器视觉的面料及瑕疵的智能识别。

解决方案：采用深度学习算法，针对复杂面料环境进行瑕疵标定;采用工业CCD相机持续拍摄织物流水线，对布匹信息及瑕疵种类大小进行智能检测。

应用二：由内到外、无处不在的智能工业质检

1.家电—空调噪音在线检测

需求点：空调噪音在生产线上淹没于工厂内嘈杂的设备噪音之中，需要在下线后在安静的环境内单独检测。采用基于声纹识别技术的智能质检方案，可以实现空调噪音在线质检，缩短产品生产周期，为产品上市赢得先机。

解决方案：采集工厂内的噪音数据，建立噪音库;在生产线上增设音频采集设备，通过声纹识别技术识别设备噪音，将噪音作为背景音从采集到的音频中剔除;对剔除背景音的声音数据进行分析，实现空调噪音的在线质检。

2.冶金—钢铁产品质量管控

需求点：长期以来，钢铁产品的内部缺陷、强度硬度等内在质量只能依靠离线实验方法进行检测，在线检测方法所依赖的机理模型均存在较大的偏差。基于人工智能算法，可以降低检测结果对机理模型的依赖，提高准确性。

解决方案：结合现场已有的工业仪表，增加超声或X射线检测设备，并通过信息技术实现检测数据的实时采集与处理;对产品取样后，进行材料学实验检测，结合超声和射线成像数据，对质量波动的数据进行标定。

应用三：未来已来—人工智能赋予机器人智慧大脑

1.协作机器人

需求点：柔性制造提升加工精度、人机协同;降低用工成本、多级并联提高生产效率。

解决方案：通过人工智能模块加载，实现人机协同和多机协作;通过算法训练，对机器加工力度、精度等提供校准、纠错等辅助功能。

难点及风险;低级人工智能阶段，AI技术应用达不到实现人机互动、人机协同的条件。

2.焊接机器人

需求点：提高焊接效率，减小焊缝间隙，保持表面平整。

解决方案：人工智能可以针对焊接精度进行算法补偿，针对焊接定位误差、焊接面积误差等进行辅助修正，以提高精度。

难点及风险：AI智能技术更多起到焊接工艺补偿的辅助功能，在控制算法、视觉算法等方面有待提升;焊接知识无法通过模块化处理，算法模型难以进行训练。

3.制孔机器人

需求点：基于智能算法的制孔精度和制孔定位误差补偿;基于人工智能技术的面板基孔自动预设;基于控制算法实现定位精度动态补偿。

难点及风险：目前主机厂商大多存在工件的数字模型不完整的突出问题，工件的数据模型完整度不够。

应用四：能源优化管理 助力企业降本

1.3C-液晶面板工厂厂务智能优化

需求点：液晶面板的制造需要在恒温、恒压、恒湿的无尘环境，需要洁净的压缩空气不断从无尘室中喷出，而制造压缩空气的大型机台需要使用冷却水。厂务站房里的空压机和冰机的耗电量占厂务系统的60%以上。

解决方案：根据厂务运转机理和历史运行数据对厂务系统进行建模，输入可调参数，输出厂务运行状态，用深度学习算法拟合输入与输出的关系;把依靠人的观察和经验调节变为系统智能建议调节;把滞后的应激式调节变为前瞻的预测性调节;把设备定期维护变为实时监测设备状态和预测性维护报警。

2.冶金—智能管网平衡系统

需求点：高炉煤气是高炉炼铁过程中的重要副产物，管道回收后可输送至下游生产车间充当主要能源介质。然而在生产过程中，高炉产气波动不可预知，且下游用户用气节拍不协同，导致产气与用气不平衡。

解决方案：实时监测管网压力及各设备产气和用气波动;利用机器学习算法建立高炉煤气产生的预测模型，对未来煤气产生量进行预测;结合预测数据和煤气管道压力监测数据，保障关键用气工序节拍稳定，对异常用气操作进行监测和预警。

环节三：物流环節

物流环节连接智能制造生产全生命周期各环节，是智能工厂必不可少的应用场景。

应用一：智能物流—仓库与消费者高效连接的“路由器”

运输路线智能规划需求点：精细化工、食品饮料等产品多具有时效性，需保证在保质期内送至用户指定位置。同时，企业运输成本居高不下，已成为各行业痛点。

解决方案：一是智慧物流。考虑车辆启用成本、单公里成本、油价、阶梯费等综合运输成本优化，提供最优路径。二是云计算支持。为企业提供持续的云技术支持，确保运输路线的实时最优调整。

难点及风险：运输成本计算方案复杂，受众多因素影响，需以历史数据作为人工智能学习重点;以化工原材料物流、食品运输、电子商务等为基础的智慧物流供应商较多，市场竞争较为激烈。

应用二：啤酒智能物流优化

应用目标：从工厂至零售全流程智能规划，降低啤酒厂商物流成本。

用户主要需求：啤酒仓储物流涉及仓库布置、配送方式、物流外包、信息化建设和流程再造等环节;啤酒多为玻璃瓶包装，运输难度大。

解决方案：与专业物流团队合作，为其提供基于人工智能的仓储布置及物流方案优化;与线上销售平台合作，为其提供信息化、智能化改造过程中的算法支持。

难点及风险：仓储及物流涉及环节较多，需要同时与多家运营商沟通方案细节;物流成本影响因素较多，智能优化效果存在不明显的可能。

环节四：营销与销售

营销与销售是生产全生命周期中协同客户需求的环节，是大数据和人工智能的结合应用。

典型应用：大数据+人工智能实现精准营销。

1.精准产品推荐：基于AI的聚类和解释消费者数据以及个人资料信息和人口统计信息获得用户数据，围绕高相关性和个性化服务，向既有用户和潜在客户推荐新款产品。

2.产品智能定价：根据供需关系，产品价格是影响其销量的关键因素，基于对历史同期数据和消费者其他消费习惯的分析能够准确确定产品的最优定位，以实现销售利润的最大化。

3.广告精准投放：根据智能终端所采集的用户数据，分析用户观看广告的时间及地点，对比既有客户的数据，对潜在客户进行广告精准投放。

4.促销时机决策：以历史同期销售价格、销量数据及销售地点数据为学习样本，根据人工智能算法，找到商场最佳促销时机

环节五：产品使用

产品使用是制造业全生命周期的最终环节，其核心是产品数字化、智能化。

应用一：人工智能助力设备远程运维，实现降本提效

1.设备远程运维

需求点：生产设备故障不能及时维护造成产品质量问题。

解决方案：利用“边缘计算”设计理念，在运行过程中将设备产生的有效数据进行筛选、存储和标定;利用人工智能算法提高设备稳定性，实现产品质量提升。

难点及风险：某些企业设备数字化程度有限，智能化改造需要投入大量精力实现生产设备数字化监测;经济效益难以核算，难以获得制造业企业通力支持。

2.电力巡检

需求点：降低人力巡检成本，提高巡检效率。

解决方案：无人机、巡检机器人等智能装备对电力设备运行状况、运行参数进行记录存档;智能算法分析数据，提升巡检效率和隐患识别率

难点及风险：巡检环境复杂多变，对巡检设备及AI技术要求高。

应用二：基于磨损数据的轧辊状态智能预测。

应用目标：支撑轧辊厂技术服务新模式：精准预测轧辊服役周期

用户主要需求：智慧服务将成为传统企业的数字化转型之路;某轧辊企业拟采用按轧制里程销售轧辊的新模式，代替轧辊的一次性销售;轧辊磨损数据有利于轧辊厂制定换辊策略，同时有利于轧制工艺补偿。

解决方案：与钢铁企业合作，获取轧辊全生命周期的磨损数据;利用历史数据预测轧辊当前轧制里程的磨损状况。

难点及风险：轧辊磨损基本遵循力学基本规律，预测模型需充分考虑力学基本原理;磨损数据能反映企业产品质量问题，轧辊企业和钢铁企业对数据的流通都有所保留。

应用三：智能空调

应用目标：自行感知决策;全屋智能。

主要需求：自动感知室内空气状况，决策并执行调节室内空气各项指标;不同品牌智能家居产品的互联互通。

解决方案：为智能空调制造企业提供技术解决方案，实时准确感知、调节室内空气情况;与各智能家居制造企业积极寻求合作，整合各企业智能家居形成全屋智能解决方案。

难点与风险：技术上兼容各品牌智能家电较困难;寻求合作过程艰难。

环节六：安全管理

安全管理环节监控生产全生命周期，智能化管控一切人、事、物。

应用一：厂区人员跟踪定位

应用目标：入厂人员自动识别;人员位置实时监控。

用户主要需求：化工企业厂区庞大，厂房内危险区域较多;厂房修建期间，工人进出厂区较为频繁;生产安全和数据安全均存在潜在隐患。

解决方案：硬件，增加摄像头，确保厂区内无视野死角;算法，通过图像技术进行人脸和危险动作识别;边缘智能，采用边缘智能方法增加计算效率。

难点及风险：需要硬件较多，要求人员识别准确率较高，需与硬件提供商深度合作，共同开发厂区监控系统;用户对技术成熟度要求较为严格，需在项目初期以联开发为主，重点培训企业内部IT人员熟悉人工智能技术。

应用二：人工智能助力优化产品溯源能力，加强生产安全管理。

应用目标：基于大数据分析的质量控制;基于农业物联网的产品溯源。

用户主要需求：食品安全重要性强;食品制作定制化、精细化程度低;食品生产量大，溯源困难。

解决方案：无人机拍摄谷物、动物图像，记录生长情况;根据原材料生长情况制定收获计划;基于溯源数据的智能分析，实现食品等级划分，制定销售计划。

难点及风险：技术难度大，需要投放大量传感器，和较多工程师进行监测;溯源涉及环节较多，需要较多行业进行联合研发。

总结与展望

总结一：需求导向、痛点聚焦是AI赋能制造业的关键所在

AI技术在制造业的应用需落在工业智能产品或具体工业痛点的解决方案上。相比较“锦上添花”的工业智能产品，“雪中送炭”的技术更容易被制造业接受。

总结二：安全性将成为企业智能化升级决策的重要依据

工业核心数据、关键技术专利等数字化资产对于企业的价值正在加速提升;如何降低数据安全隐患，提升系统安全和数据安全成为了企业进行数字化改造升级中愈加重要的参考指标;增加厂区生产安全、过程安全迫在眉睫。

总结三：根治行业、深耕场景，打造自主工业AI算法平台

不同工业行业有各自独特的知识领域和机理形成的行业门槛。人工智能与制造业深度融合的路径就是不断地将飞速发展的信息技术与工业场景的应用端相结合。而作为先进信息技术与底层智能应用之间的桥梁，工业AI算法平台面向工业场景，为底层应用提供便捷的开发服务。

總结四：云边协同，打造工业智能应用产品

在云端与边缘侧共同发力，云边结合打造行业的工业大脑，将丰富的云端业务能力延伸到边缘节点，实现传感器、设备、应用集成、图像处理的协同，算法升级由云端完成。

总结五：工业企业附加值提升关键点将由设备价值挖掘转向用户价值挖掘

工业的发展进程正在从企业产品牵引用户需求变为用户需求引领企业生产。智能制造对于工业领域附加值的提升也应该逐步从生产制造环节的降本增效，转向提供高附加值衍生服务，即“智能制造”生产的“智能产品”提供的“智能服务”，重点聚焦工业质检和远程运维等场景。