云开·全站app登录网页入口 【行业资讯】工业智能系统框架、关键技术、典型应用与发展趋势

人工智能的概念于1956年在美国达特茅斯学院人工智能研讨会上提出。人工智能是计算机科学或智能科学的一个分支。主要研究利用机器和算法来模仿和执行人脑的某些思维和智力功能。在此期间开yun体育官网入口登录体育，经历了计算智能、感知智能和认知智能三个发展阶段。经过不断演进，特别是脑科学、超级计算、大数据、工业互联网、视觉检测等领域新理论、新技术的突破和进步，人工智能发展突飞猛进。人工智能可以替代劳动力，增加劳动力供给；赋能一二三产业，提高生产效率；创造消费者剩余并改善社会福利；增强政府权力，提高政府效率，纠正失误，具有重大作用。

人工智能也在不断挺进工业领域。工业智能是指利用人工智能技术改造工业生产方式和决策模式，实现系统性降本、增效、提质。这是当前产业发展的重要趋势。其本质是实现设计模式创新和生产智能化。生产过程决策、资源优化配置、智能感知等创新应用，使工业系统具备自感知、自学习、自执行、自决策、自适应能力，适应复杂的环境以及不断变化的工业环境和完整多元化的工业设计。生产任务，提高生产效率和产品质量。工业智能化已成为提升制造业整体竞争力的公认国家战略。

工业智能系统框架

工业智能融合了人工智能、工业互联网、大数据、云计算和信息物理系统等新技术，使工业生产作业更加灵活、优质、高效、节能，应用前景广阔。阿里云强大的人工智能“工业大脑”，整合设备数据、产品生命周期数据及相关数据等，并与行业知识机制相融合，形成以数据、算力、算法融合为核心的智能制造技术体系。核。实现工业生产降本、增效、提质、安全。

当前产品生产的利润不仅与制造本身有关，还与市场环境和产品定位有关。未来，工业智能技术将涉及更多与产品制造相关的因素。本文作者研究的人工智能技术与工业制造的应用关系如图所示。

图为人工智能技术在工业制造过程中的应用框架

工业智能包括产品市场需求、物流、生产和产品销售，其中涉及：生产过程中所需的条件，包括人员配备和质量、设备条件、环境气候、温湿度、各种实时匹配的物料以及动态能耗等， ETC。;生产过程主要有几个关键环节，包括各种相关流程、精细化生产管理、工程工业互联网、物流规划与调度、能源效率与环保要求等；提取生产过程中的工业大数据，然后应用人工智能技术对生产过程进行有效控制。关键技术包括人工智能硬件、建模、决策、预测、数据、传感检测等，最终形成高效、高质量的产品，产生良好的经济效益和社会效益。目前，工业智能化尚未在市场和产品链上形成整体应用。仅在个别环节和技术上有一些相关的成功探索，主要包括生产过程控制、设备故障诊断与健康预测、物体与质量检验、物料库存管理、生产效益分析等。

工业智能化关键技术

本文从实际应用的角度，将工业智能的关键技术分为硬件、传感、检测、数据、建模、决策、预测。

(1)硬件

人工智能必须依赖算力、算法和数据云开·全站app中心手机版，而这些都需要硬件作为基础。必须具备图像、语音等处理能力强、运算速度快的专用硬件。在分散处理和现场传感检测中，通常使用专门的人工智能（AI）芯片作为底层硬件，通常称为边缘计算网关。按照架构体系，AI芯片分为通用芯片CPU和GPU（图像处理单元）、半定制芯片FPGA、全定制芯片ASIC以及模拟人脑的新型类脑芯片；根据应用场景，可分为训练芯片、推理芯片、终端计算芯片等。人工智能首先利用训练芯片训练数据推导核心模型，然后利用推理芯片对新数据进行判断和推理得出结论。模型和推理也可以从现有的SDK（软件工具开发套件）中获得。终端计算芯片主要是边缘计算控制输出，具有简单的实时性。

(2) 传感

人工智能场景面临丰富、多样、大量的各种数据和相关技术，其中大部分来自传感器。传感器可以将各种测量信息转换成相关的数字信号，通常需要对电、物理量、生物量、视觉、味觉、听觉等进行感知，涉及感知的准确性和速度。新型传感器的发明往往可以带动相应仪器的发展。传感器分为常规传感器和智能传感器：常规传感器可以直接采集、转换和处理压力、温度、流量、电压等信号；智能传感器是具有信息处理功能的传感器。智能传感器配备微处理器，具有收集、处理和交换信息的能力。它们是传感器集成和微处理器的产物。与一般传感器相比，智能传感器可以通过软件技术实现低成本、高精度的信息采集。它们具有编程自动化和功能多样化等显着特征。它们已广泛应用于各种视觉、听觉、物理量和电传感检测。 。

(3)检测

工业智能系统的各个环节涉及供应链、产品生产质量、设备状态、能源消耗、生产环境等，这些都需要大量的外部状态传感数据采集，包括工业生产中的各种基础、生产物流、设备和环境。生产早期阶段，以及数据收集融合分析。这些测试的准确性、速度、可靠性、分析能力和价格决定了生产应用的基础。目前，成品及零部件正逐步从离线集中检测转变为在线、实时、嵌入生产线和设备内的检测；从独立感知检测到多传感器、多要素异构数据的融合分析；从目前的数据现状转向数据标准化、可追溯。检测延伸包括诊断。当生产过程异常导致产品质量下降或发生事故时，利用传感器采集关键设备、生产线运行情况和产品质量，获取各种智能检测数据，并利用大数据分析和深度学习进行自动特征提取。等高精度智能诊断和追溯手段。

(4)数据

人工智能基于强大的数据分析。如今，计算机的大容量、高速计算能力和网络云平台为大数据应用提供了极大的可行性和便利。大数据通常用来描述各行业运行过程中出现的不同时间序列的大量异构数据。通常这些数据似乎关联性不够紧密，在关系数据库中进行分析时需要花费大量时间和资源来处理它们。大数据不仅是数据量大，而且数据种类多。要求实时性强。数据蕴藏着巨大的价值。大数据存在于各行各业，但海量的信息和咨询纷繁复杂，需要对其深层次规律进行搜索、处理、分析、归纳、总结，以获得规律、有用的数据。

(5) 建模

建模是理解生产过程对象和控制方法最基本的环节。不同的产品、生产工艺、控制要求所涉及的模型差别很大，甚至很难找到相关的模型。具体模型包含了工业生产过程的机理和知识，表达了生产设备、工艺参数、原材料与产品质量和效率之间的映射关系，设备或关键部件的退化机理以及生产线运行之间的耦合关系。条件和过程。人工智能控制对象更加复杂多样，往往是多输入多输出的多变量系统、非线性系统、时变系统等。当要求控制系统更快、更精确、更复杂时，必须采用状态空间法、离散模型、人工智能等理论进行建模和控制。

（六）决策

决策包括优化、调度和控制。由于产品、工艺、设备等的差异，决策的方式差异很大。复杂的工业生产通常由多道工序、多套设备和不同的加工要求组成，涉及实时市场信息、生产状况和运行状况、企业目标、计划调度、运行指标、生产指令和控制指令的集成优化，等等，这需要协同企业管理者和生产管理者的知识，进行智能处理。基于ERP、MES向人机协作转变的智能管理和决策系统，利用监控设备和生产线运行状态的数据，以及智能优化算法，协同调度各种生产流程，控制相关生产设备和工艺环节，实现全生产对产品质量、产量、消耗、成本等过程的全面生产指标控制，保证了整个生产过程的整体优化运行决策。自主智能控制系统感知生产条件变化，相互协作，解决多目标冲突、干扰和多尺度现象，综合考虑各种因素和权重的影响，制定相应的优化决策目标，实现整个制造和生产过程的全局优化。

(7) 预测

预测技术分为模型方法和数据驱动方法，广泛应用于预测性维护、需求预测、质量预测等。预测多用于智能制造中的设备维护，但预测在整个工业中发挥着更重要的作用。生产或其他关键环节，如产品成本价格和质量趋势、产品原材料成本和质量趋势、产品销售方式和市场趋势等，这些可能比设备维护的预测更重要。比如近期的缺芯事件对汽车行业的影响以及原材料价格上涨对产品的影响远远超过制造业产品效率的提升。大数据技术、云服务技术、人工智能技术的快速发展，推动了预测技术的不断进步。

预测性维护可以利用工业设备运行数据和退化机制的经验知识来预测设备剩余的正常运行时间并制定维护策略，以实现高效、安全的运行。需求预测根据制造商的历史订单数据、市场预测和生产线运行情况，调整原材料库存，指导生产和出货进度，进行风险管理，减少生产浪费。质量预测通过生产线、原材料状况及相关生产数据分析产品质量，调整生产流程至最佳产出状态，避免不良品的产生。数字孪生技术可以有效促进质量预测。

工业智能典型应用

工业智能已在智能制造系统方法、传感与检测、设备维护预测、协作机器人、智能生产等领域得到应用并取得良好效果。

(1)智能制造系统方法

工业智能由相关的技术体系、手段和标准化方法结构组成。李杰、柴天佑等提出了一些实现人工智能生产系统的系统方法，并将其命名为工业智能。其核心技术包括数据技术、分析技术、平台技术和运筹学技术。 CPS的5C架构作为实现这一闭环功能的框架。 5C分别代表智能感知层、智能分析层、网络层、智能认知层、智能决策与执行层。 CPS集计算、通信和控制于一体。其意义在于将物理设备连接到互联网，使物理设备具备计算、通信、精确控制、远程协调和自治等五大功能。开发针对特定应用领域的工业智能系统，使系统的适应性、自主性、高效性、功能性、可靠性和安全性、感知认知的准确性、决策和控制的精确优化等远远优于以往的系统。

(2)传感检测技术

工业智能化需要利用大量的传感器来获取信息数据。在人工智能和一些独特的要求下，传统传感器的处理速度和能力无法满足要求。人工智能传感器可以学习使用环境、习惯和感知，并可以进行自测试、验证、适应和识别。它们可以智能地分析和处理，提供相应的操作，挖掘、保存和传输用户所需的数据。

目前应用最广泛、最具特色的是工业智能视觉传感器，已逐步形成规模化产业。从2D到3D、从静态图像到动态图像转变的第四次视觉技术突破主要包括3D视觉、嵌入式视觉和多元化硬件加速等三大类技术。 3D视觉采用双目视觉、结构光、ToF技术、线激光扫描技术、光谱共焦等技术，主要用于尺寸检测、定位引导、场景识别；将采用嵌入式技术实现图像处理和深度学习算法，将AI模块集成到工业相机中，实现边缘智能控制；多样化的硬件可以将GPU、CPU、FPGA和SoC硬件集成在一起，大大加快深度学习算法和图像处理的速度，降低实现难度。

在产品和零件的各种形状识别、尺寸、外观、颜色、光滑度以及场景识别的高速检测中，检测的准确性和速度大大提高。尤其是在人脸图像和复杂结构部位等物体的检测方面，显示出巨大的潜力。

(3)设备维护预测

使用预测平台预测设备的剩余寿命，该平台需要持续监控设备状态和操作流程、分析历史数据（例如机器学习技术）、完整性因素（例如颜色和形状、磨损、成分、声音的视觉检测）等.)、统计推理方法和工程推理方法，因此这种方法可以预测早期设备故障并提供解决方案。机器学习具有强大的数据处理能力，可广泛应用于故障诊断、寿命预测等领域。基于机器学习的剩余寿命预测方法是预测性维护方法的一个重要分支。它可以更准确地预测剩余寿命，已成为维护策略评估的重要指标。

西门子推出了基于工业大数据分析的预测维护软件SiePA。基于对工厂历史运行数据的深入分析，建立了以人工智能算法为工具的预测维护系统。 ABBability船舶远程诊断系统可以实现电气系统的预防性、持续性监控，并提供故障排除、预防性和预测性服务三个层次的服务。通过更广泛的预测监控，可以减少 70% 的服务工程师数量。维护工作量减少50%。

(4)协作机器人

又称智能机器人，具有结构灵活、安全、感知能力强、人机协作、编程方便等特点。充分发挥人类智能和机器人效率，消除人机协作障碍；可广泛应用于需要高灵活性的应用场合。密集劳动等场景，协助承担复杂的手工工序和重体力劳动，摆脱护栏或笼子的束缚。国外协作机器人厂商主要有ABB、KUKA、FANUC、YASKAWA、UR等，国内企业有新松、奥博、杰卡、艾利特、力工等公司。

协作机器人具有视觉、听觉、力和位置等多种传感器。他们需要对机器人动力学和外部交互环境进行建模，并采用多种智能控制策略，如顺从控制、协同控制、阻抗控制、协同控制、动态行为控制、认知控制等，才能完成助力等任务、叉车、移动、机床装卸。例如，无人值守的协作机器人由移动小车和机械臂组成。它具有深度学习视觉模块，并与XOS人机交互系统相结合。它可以替代多名操作人员，自动完成加工中心、数控车床、冲压机、锻压机等多台机床的一系列上下料任务以及简单的程序切换，可以节省人工成本，提高生产效率。

(5)智能化生产

中国已经拥有较为完善的制造体系和基础设施，在全球产业链中发挥着重要作用。在智能化生产方面，也涌现出多种模式。从智能设计、智能产品、智能装备、智能生产和个性化定制、智能管理、智能服务等方面推动企业转型升级，初步涌现出一批典型智能制造示范项目。

山西智奇铁路装备公司高铁轮组智能制造工厂实现了“设备网络化、数据可视化、生产过程透明化、生产环节智能化”的智能制造顶层战略规划，采用MES核心平台，实现生产线的智能化。 ，应用RFID管理实现仓库可视化、透明化，利用集控CPS平台实现生产现场的数字化、可视化，应用AI人工智能检测监控、预测性维护。

奇瑞捷豹路虎基于5G的智能制造项目已完成三大核心系统建设，建立了SAP企业管理软件及解决方案、MES全功能生产过程执行管理系统、LES物流执行系统及管理等一流的IT解决方案建立企业工业互联网、产品设计与生产全生命周期数字化融合、上下游供应链协同优化、生产全过程能源优化管理、产品全生命周期可追溯质量控制能力、规模化个性化柔性制造的定制化，以及远程智能运维服务。

中车长春轨道客车高端轨道交通装备精益智能制造项目主要依托中车长春高速制造中心和转向架制造中心，打造高端轨道交通装备智能制造核心模式，实现整个制造过程的优化控制。智能调度、状态监控、质量控制。该车型持续推广至全球5个国家的生产基地，覆盖所有轨道交通车型的制造和运维，实现快速精准的智能制造管理范式，实现全车数据互联和大数据系统分析制造业务链；创新信息技术手段，推动全球制造精益一体化管理；深化先进调度应用，打通全供应链；生产效率、配送效率、能源利用率、一次合格率等方面实现显着提升，为公司全球标准化制造业务奠定了基础。

工业智能技术难点

虽然工业智能目前仅应用于特殊方面，但已经展现出良好的效果。整体生产流程和关键环节的应用还存在不少难点云开·全站app登录网页入口，还有很大的改进潜力和发展空间。主要困难是：

(1)多源异构数据的挖掘与应用

工业生产涉及多种行业、不同加工流程、不同环境、不同市场，呈现出不完整、无标签、与样本不直接相关的动态特征和多源异构数据。如何利用人工智能深度学习充分标注大样本的静态特征，进而进行分类、分析、探索和多维度应用；此外，还需要利用多源数据机器学习来研究知识发现的现象、问题和效果。这些是工业智能化的基础和必然。

(2)多目标总体决策与流程优化

这包括多层次、多尺度的决策与控制过程的集成优化、复杂系统中多冲突目标的动态优化实施等。基于各层次的信息感知、运行决策与控制面向不同的时间尺度和空间尺度。制造过程智能决策面临环境开放、信息不完全、规则不确定等问题。制造过程中建立决策仿真模型是困难的。同时，最终决策需要权衡质量、效率、消耗、市场等多个相互冲突的目标。全局最优解随着生产条件和运行条件的变化而变化，控制系统的整定值也会随着全局最优解的变化而变化。改变。

（3）产品生产全产业链预测

产品生产最终取得效益，不仅与产品生产的质量和效率有关，往往物流和市场需求更为重要。例如，产品原材料和人力资源成本、产品销售方式和市场趋势等，比单台设备维护预测和产品生产质量预测更重要。例如，COVID-19疫情对相关行业造成巨大影响、部分国家芯片封锁造成核心短缺、对汽车行业的影响、以及因原材料大幅上涨而导致经济通胀对产品的影响等。价格。目前，建立有效的预测模型存在困难。 ，实现更准确的预测控制。

（四）智能制造装备

虽然我国在互联网、物联网、大数据、云计算、5G等数字技术应用方面有一定优势，但制造业的最终执行单位一定是机床设备。我国大部分装备仍落后于欧美日企业。例如，工业机器人、3D打印、大批量高速切削机床、芯片光刻机、高精度测量检测设备等方面存在较大差距。工业智能化对当今世界的装备提出了更高的要求，这必将是一个极具创新性和挑战性的过程。

工业智能化发展趋势

总体而言，大多数制造企业仍处于自动化、数字化阶段。一些龙头企业和智能制造试点示范企业正在逐步开展智能化应用。人工智能与制造业的融合仍处于起步阶段。 2021年后人工智能在制造业的六大应用趋势总结如下：

（1）基于深度学习的机器视觉缺陷检测，可以通过单目、双目2D、3D视觉检测来分析识别物体属性、表面特征、三维特征、运动趋势等。

(2)通过机器学习预测设备故障。可以使用预测剩余使用寿命的模型、预测预定时间段内故障的分类模型以及可以标记设备的异常检测模型来进行预测。

（3）生产过程的数字孪生技术，生产过程的实时诊断和评估，产品性能的预测和可视化等，可以设计未来的产品并模拟其性能。

（4）智能制造的生成设计，其思想是基于基于约束的机器学习，根据给定产品的所有可能的设计选项，生成具有独特设计思想的新产品。使用人工智能设计生成器和鉴别器，其中生成器网络为给定产品生成新设计，而鉴别器网络对实际产品的设计和生成的产品进行分类和区分。

(5)基于人工智能的能耗预测与优化。制造商可以估算能源费用，了解能源消耗方式，并通过数据驱动优化生产过程能源消耗。

（六）智能供应链。采用机器学习驱动的认知供应链管理系统，自动分析库存、出货、市场趋势、消费者情绪、天气等数据，具有需求预测、运输优化、物流路线优化、仓库控制、人力资源规划等功能，以及供应链安全、端到端透明等特点。

结合制造业的发展现状和工业智能化的发展目标，指出工业智能化未来的研究方向是：

（1）复杂工业环境运行条件下多尺度、多源信息的智能感知与识别。

（2）复杂工业环境下基于5G的多源信息快速可靠传输技术。

（3）系统识别与深度学习相结合的复杂工业系统智能建模、数字孪生和可视化技术。

(4)关键工艺参数和生产指标的预测和追溯。

(5)复杂工业系统智能自主控制技术。

（6）通过人机合作的智能优化决策。

（7）智能优化决策和控制集成技术。

（8）工业智能算法实施技术的“终端 - 边缘云”协作实施。

综上所述

传统的人工智能技术主要用于大量感知的日常生活，社会交流，金融和其他行业，并取得了良好的成果。工业智能用于解决特定的工业问题，这不仅需要使用AI算法和AI系统，而且还需要密切整合人工智能，自动化，工业互联网和各种制造现场知识。

目前，人工智能技术正在迅速发展，并显示出强烈的活力。但是，工业智能的整体技术和关键技术仍处于起步阶段。工业和工程界的许多实际问题尚未有效解决。根据社会发展以及科学和技术创新的需求，发展和未来的研究方向是使用工业智能方法系统来服务实际的工业生产并创造更多的价值。尽管我们国家已经建立了与工业情报有关的顶级设计和政策指导，并且在机构一级的支持系统已不断改善，但工业智能需要大量具有跨学科研究能力的创新科学和技术领导者，以及大量的工程技术应用人才。同时，有必要加快创建工业情报演示项目的创建，建立工业情报公共服务平台，加快单个工业情报技术的发展，促进各种人工智能元素在企业数字化领域的集中，，并加速工业情报技术的领导。只有这样，我们国家才能处于工业情报的最前沿。研究和应用位于世界的最前沿，并获得了巨大的社会和经济利益。

（本文从新的行业网络中复制。原始文本于2022年5月发表在“机床和液压学”中。作者：Tang Luxin，Zhang Rufeng，Jiang Dezhi，Lin Jianwen，Zhou Shuxing）