我们非常重视您的个人隐私，当您访问我们的网站时，请同意使用的所有cookie。有关个人数据处理的更多信息可访问《使用条款》
制造业人工智能8大应用场景！
2023.07.06 鲁邦通编辑部
阅读量：206
分享:
第一次提出人工智能的概念是在20世纪50年代，已经60多年了。然而，直到近年来，人工智能才迎来了爆炸性的增长，主要原因是日益成熟的物联网、大数据、云计算等技术。物联网实时获取大量数据，为深度学习提供数据资源和算法支持，云计算为人工智能提供灵活的计算资源。这些技术的有机结合推动了人工智能技术的不断发展，并取得了实质性的进展。AlphaGo与李世石的人机战争，将人工智能推到风口浪尖，引爆新一轮人工智能热潮；2022年底发布ChatGPT创纪录，发布Stable DIffusion等人工智能绘图工具的普及，将2023年转化为人工智能平民化的第一年！人工智能的研究和应用在各个领域逐渐蓬勃发展。随着智能制造热潮的到来，人工智能应用已经贯穿于设计、生产、管理和服务等制造业的各个环节。重磅相关实训班——e-works定于2023年7月19-20日在无锡举行“人工智能和工业大数据应用培训课程”。随着人工智能和工业大数据技术的不断成熟和制造企业智能制造水平和能力的逐步深化，越来越多的企业开始关注和应用人工智能技术。最近，大型模型的出现将人工智能技术的应用热潮引向了前所未有的高度。与普通大模型相比，工业大模型需要处理大量的实时数据，并在复杂的环境中做出准确的预测或决策。大型工业模型更注重模型的鲁棒性、可扩展性和实时性。高质量的工业大数据与工业大模型相结合，实现知识价值的飞跃，加快对工业企业的赋能。本课程特别邀请华南理工大学吴贤明智能工程学院副院长、教授、博士李伟华博士，围绕人工智能和工业大数据技术如何应用制造企业，邀请国内知名工业深度学习平台百度桨技术专家，围绕典型应用场景带领学生进行体验式实践培训。抓住这一难得的学习交流机会，长按上图二维码或点击图片链接查看详细信息并在线注册。1经过近几年的实践测试，人工智能技术和产品的三个层次得到了广泛的应用，促进了人工智能与各行各业的加速融合。从技术角度来看，业界普遍认为人工智能的核心能力可以分为三个层次，分别是计算智能、感知智能和认知智能。1、计算智能计算智能是指机器具有超强的存储能力和超快的计算能力。它可以基于海量数据进行深入学习，并利用历史经验指导当前环境。随着计算能力的不断发展和存储手段的不断升级，计算智能可以说已经实现。例如，AlphaGo利用增强学习技术赢得世界围棋冠军；电子商务平台基于对用户购买习惯的深入学习，推荐个性化商品。2、感知智能感知智能是指使机器具有视觉、听觉、触觉等感知能力，可以结构化非结构化数据，并通过人类沟通与用户互动。随着各种技术的发展，越来越多的非结构化数据的价值得到了重视和挖掘，语音、图像、视频、接触等与感知相关的感知智能也在迅速发展。无人驾驶汽车和著名的波士顿动力机器人使用感知智能，通过各种传感器感知周围环境并进行处理，从而有效地指导其运行。3、认知智能与计算智能和感知智能相比，认知智能更为复杂，是指机器具有理解、归纳、推理和应用知识的能力。目前，认知智能技术仍处于研究和探索阶段，如提取和分析犯罪者在公共安全领域的微观行为和宏观行为的特征，开发人工智能模型和系统，如犯罪预测、资本渗透和城市犯罪进化模拟；在金融业，用于识别可疑交易和预测宏观经济波动。要把认知智能推向快车道，还有很长的路要走。2人工智能制造业应用场景从应用层面来看，人工智能技术的应用可能包括多层次的核心能力，如计算智能和感知智能。工业机器人、智能手机、无人驾驶汽车、无人机等智能产品本身就是人工智能的载体。其硬件与各种软件的结合具有感知和判断能力，并与用户和环境进行实时互动，都集成了各种人工智能的核心能力。例如，各种广泛应用于制造业的智能机器人：分拣/分拣机器人可以自动识别和捕获不规则物体；合作机器人可以理解并响应周围环境；自动跟踪材料车可以通过人脸识别自动跟踪；借助SLAM（simultaneous localization and mapping，同步定位和地图构建)技术，独立移动机器人有利可图用自己的传感器识别未知环境中的特征标志，然后根据机器人与特征标志的相对位置和里程计的读数估计机器人与特征标志的整体坐标。无人驾驶技术还综合应用了各种人工智能技术和算法，包括定位、环境感知、路径规划、行为决策和控制。目前，制造企业应用的人工智能技术主要集中在智能语音交互产品、人脸识别、图像识别、图像搜索、声纹识别、文本识别、机器翻译、机器学习、大数据计算、数据可视化等。以下是制造业中常用的八个人工智能应用场景。场景1：智能分拣制造业有许多作业需要分拣。如果采用人工操作，速度慢，成本高，还需要提供适当的工作温度环境。智能分拣采用工业机器人，可大大降低成本，提高速度。以分拣零件为例。需要分拣的零件通常摆放不整齐。虽然机器人有摄像头可以看到零件，但他们不知道如何成功地捡起零件。在这种情况下，使用机器学习技术，让机器人随机捡起动作，然后告诉它动作是成功捡起零件还是空，经过多次训练，机器人会知道什么顺序有更高的成功率；夹在哪个位置会有更高的成功率；知道如何按顺序捡起，成功率会更高。经过几个小时的学习，机器人的分拣成功率可以达到90%，相当于熟练工人。场景二：设备健康管理基于设备运行数据的实时监控，利用特征分析和机器学习技术，一方面可以在事故发生前预测设备的故障，减少非计划停机。另一方面，面对设备的紧急故障，可以快速诊断故障，定位故障原因，并提供相应的解决方案。常用于制造业，尤其是化工、重型设备、五金加工、3C制造、风电等行业。以数控机床为例，利用机器学习算法模型和智能传感器监控切割刀、主轴、进给电机功率、电流、电压等信息，识别力、磨损、损坏状态和机床加工稳定性状态，根据加工参数（主轴速度、进给速度）和加工指令实时调整，预测何时更换刀具，提高加工精度，缩短生产线停工时间，提高设备运行安全性。图1 基于深度学习的刀具磨损状态预测(来源:华中科技大学 李斌教授）场景3：基于机器视觉的表面缺陷检测在制造业中更为常见。在环境变化频繁的情况下，机器视觉可以快速识别产品表面更小、更复杂的产品缺陷，并进行分类，如检测产品表面是否有污染物、表面损伤、裂缝等。目前，工业智能企业将深度学习与3D显微镜相结合，将缺陷检测精度提高到纳米级。对于检测到的有缺陷的产品，系统可自动进行修复判断，并规划修复路径和方法，然后由设备进行修复动作。例如，聚氯乙烯管道是最常用的建筑材料之一，消耗量巨大，在生产包装过程中容易出现表面划痕、坑、水纹、麻面等缺陷，消耗大量人力进行检测。采用表面缺陷视觉自动检测后，管道表面杂质自动检测，最小检测精度为0.15mm²，检出率大于99%；管道表面划伤检测通过设定划伤长度和宽度的最小值和最大值，最小检测精度为0.06mm，检出率大于99%；通过设定褶皱长度、宽度的最小值、最大值、片段长度和色差阈值，自动检测管道表面的褶皱。最小检测精度为10mm，检出率大于95%。图2 PVC管表面褶皱检测(来源:维视智能制造)场景4：利用声纹识别技术实现基于声纹产品质量检测和故障判断的异声自动检测，发现不良产品，并对声纹数据库进行故障判断。例如，自2018年底以来，佛吉亚（无锡）工厂一直与集团大数据科学家团队合作，致力于将人工智能技术应用于座椅角度调节器的NVH性能评估（振动噪声测试）。2019年，佛吉亚(无锡)工厂将人工智能技术应用于调角器异音检测，实现从信号采集、数据存储、数据分析到自学全过程的自动化，检测效率和准确性远远超过传统的人工检测。随着基于人工智能（人工智能）技术的噪声检测系统在无锡工厂的应用，人员数量从38人下降到3人。同时，质量控制能力显著提高，年经济效益高达450万元。场景五：智能决策制造企业在产品质量、运营管理、能耗管理、刀具管理等方面，可应用机器学习等人工智能技术，结合大数据分析，优化调度，提高企业决策能力。例如，一汽解放无锡柴油机厂的智能生产管理系统具有异常生产调度数据采集、基于决策树的异常原因诊断、基于回归分析的设备停机时间预测、基于机器学习的调度决策优化等功能。以历史调度决策过程数据和调度实施后的实际生产性能指标为培训数据集，采用神经网络算法调整调度决策评价算法的参数，确保调度决策满足实际生产需要。场景六：数字孪生数字孪生是虚拟世界中客观事物的镜像。创建数字双胞胎的过程集成了人工智能、机器学习和传感器数据，以建立一个“真实”模型，可以实时更新，具有强烈的现场感，以支持物理产品生命周期的各种活动。在完成数字双胞胎对象的降级建模时，可以将复杂性和非线性模型放入神经网络中，借助深度学习建立有限的降级建模目标。例如，在传统模式下，冷热水管的出口流体和热模拟每次使用16核服务器需要57小时，降级建模后每次只需要几分钟。场景七：创意设计创意设计（Generative Design）这是一个人机交互和自我创新的过程。在设计产品时，工程师只需在系统的指导下设置所需的参数和性能等约束，例如，材料、重量、体积等，结合人工智能算法，可以根据设计师的意图自动生成数百种可行性方案，然后进行综合比较，筛选出最佳设计方案，推给设计师进行最终决策。创意设计已成为与计算机和人工智能技术深度结合，将先进算法和技术应用于设计的新交叉学科。广泛使用的创成算法包括：参数系统、形状语法（Shape Grammars(SG)）、L-系统（L-systems）、元胞自动机（Cellular Automata(CA)）、拓扑优化算法、进化系统和遗传算法。图3 轮辐的创造性设计(来源:安世亚太)场景8：需求预测。供应链优化以人工智能技术为基础，建立准确的需求预测模型，实现企业销售预测和维护准备预测，做出以需求为导向的决策。与此同时，通过对外部数据的分析，根据需求预测，制定库存补货策略，以及供应商评估、零部件选择等。例如，为了实际控制生产管理成本，本田希望掌握未来客户需求，因此1200经销商客户销售和维护数据建立预测模型，计算未来几年车辆回到经销商维护数量，这些信息进一步转化为各部件准备指标。这一转变使美国本田实现了99%的预测准确性，并将客诉时间减少了3倍。3结语目前，随着越来越多的企业、大学和开源组织进入人工智能领域，大量成功的人工智能开源软件和平台不断涌入，人工智能迎来了前所未有的爆发期。但与金融和其他行业相比，人工智能虽然在制造业有很多应用场景，但并不突出，甚至发展缓慢。原因主要来自以下三个方面：◉ 首先，由于制造环节数据的收集、利用和开发难度较大，企业数据库主要是私有的，数据规模有限，缺乏高质量的机器学习样本，限制了机器的独立学习过程。◉二是不同制造业之间存在差异，对人工智能解决方案的复杂性和定制性要求较高。◉第三，不同行业缺乏能够引领人工智能与制造业深度融合发展趋势的龙头企业。只有解决了以上三个问题，人工智能技术才能更好地应用于制造业。免责声明：鲁邦通以传播更多信息为目的，所有出现在本网站上的信息均仅供参考。按照目前互联网开放的原则，我们将在不通知作者的情况下转载文章；如果原文明确规定“禁止转载”，我们将不会转载。如果我们转载的文章不符合作者的版权声明，或者作者不想让我们转载你的文章，请通知我们：support@cserver.com.cn
广州鲁邦通物联网科技股份有限公司成立于2010年，致力为行业客户提供软硬件结合的5G+工业互联网平台解决方案，通过设备物联、机器人乘梯、设备售后管理系统、电梯物联网等产品和服务，助力电梯及特种设备、医疗设备、机器人、环保设备、环卫设备、电力设备和水务设备等工业客户进行后市场服务的数字化转型，降本增效，开启利润增长的第二曲线。
热门标签
