制造業人工智(zhi)能8大應用場景(jing)！
發布時間：2025-12-16 15:47:13 浏覽(lǎn)次數：
摘要：
導讀(du)随着智能制造(zào)熱潮的到來，人(ren)工智能應用已(yi)經貫穿于設計(jì)、生産、管理和服(fu)務等制造業的(de)各個環節。人工(gōng)智能的概念第(dì)一次被提出，是(shì)在20世紀50年代，距(ju)今已六十餘年(nian)的時間。然而直(zhí)到近幾年，人工(gong)智能才迎來爆(bao)發式的
以分揀(jiǎn)零件爲例。需要(yao)分撿的零件通(tōng)常并沒有被整(zhěng)齊擺放🎯，機器人(ren)雖然有攝像頭(tóu)可以看到零件(jian)，但卻不知道如(rú)何把零件成功(gōng)地撿起來。在這(zhe)種情況下，利用(yòng)機器學習技術(shù)，先讓機器人随(sui)機進行一次分(fen)撿動作，然後告(gào)訴✔️它這次動作(zuò)是成功分撿到(dao)零件還是抓空(kong)了，經過多次❌訓(xun)練之後，機器人(rén)就會知✉️道按照(zhao)怎樣😍的順序來(lái)分撿才㊙️有更高(gao)的成功率；分撿(jiǎn)時夾哪個位置(zhì)🐇會有更高的撿(jian)起成功率；知道(dào)按照怎樣的順(shùn)序分撿，成功率(lǜ)會更高。經過幾(jǐ)個小時的學習(xí)，機器人的分撿(jian)成功率可以達(dá)到90%，和熟練工人(rén)的水平相當。基于對設備(bei)運行數據的實(shí)時監測，利用特(tè)征分析和📱機器(qì)學習技術，一方(fāng)面可以在事故(gù)發生前進行設(she)備的故障預測(ce)，減少非計劃性(xìng)停機。另一方面(miàn)，面🥰對設備的突(tu)發👉故障，能夠迅(xùn)速進行故☀️障診(zhen)斷，定位👄故障原(yuan)因并提供相應(ying)的解決方案。在(zài)制造行業應用(yòng)較爲常見，特别(bié)是化工、重型設(shè)備、五金加工、3C制(zhi)造、風電等行業(yè)。以數控機床爲(wèi)例，用機器學習(xi)算法模型和智(zhì)能傳感器等技(ji)🈚術手段監測加(jiā)工過程中的切(qiē)削刀、主軸和進(jìn)給電🧑🏽🤝🧑🏻機的功率(lǜ)、電流、電壓等信(xìn)息，辯識出刀具(jù)的受力、磨損、破(po)🔴損狀态及機床(chuáng)👄加工的穩定性(xìng)狀态，并根據這(zhe)些狀态實時調(diao)整加工參數（主(zhǔ)😘軸轉速、進✍️給速(sù)度）和加😄工指令(lìng)，預判何時需要(yào)換刀，以提高加(jiā)工精度、縮短産(chǎn)線停工時間并(bing)提高設備運行(hang)的安☔全性。
圖1 基(ji)于深度學習的(de)刀具磨損狀态(tai)預測（來源：華中(zhōng)科技大學 李斌(bin)教授）基于機(jī)器視覺的表面(miàn)缺陷檢測應用(yong)在制造業已經(jīng)較爲常見。利用(yong)機器視覺可以(yǐ)在環境頻繁變(bian)化的條件下，以(yi)毫秒爲單位快(kuai)速識别出産品(pǐn)表面更微小、更(geng)複雜的🌏産品缺(quē)陷，并進行分類(lèi)，如檢測産品😄表(biǎo)面是否有污染(ran)物、表面損傷、裂(lie)縫等。目前已有(you)工業智能企業(ye)将深度學習與(yu)3D顯微鏡結合，将(jiāng)缺陷檢測精度(dù)提高到納米級(ji)。對于檢測出的(de)有缺陷的産品(pin)，系統可以自動(dong)🧡做可修複判定(dìng)，并規劃修複路(lu)徑及方法，再由(you)設備執行修複(fu)動作。
圖2 PVC管材表面(mian)褶皺檢測（來源(yuan)：維視智造）利用(yòng)聲紋識别技術(shù)實現異音的自(zi)動檢測，發現不(bu)良💰品💋，并比對聲(sheng)紋數據庫進行(háng)故障判斷。例如(rú)，從2018年年末⭐開始(shi)，佛吉亞（無錫）工(gōng)廠就與集團大(dà)數據科學家團(tuán)隊展開全🈲面合(he)作，緻力于将AI技(jì)術應用于座椅(yǐ)調角器的NVH性能(neng)評判🐪（震動噪聲(sheng)測試）。2019年，佛吉亞(ya)（無錫）工廠将AI技(ji)術☀️應用到調角(jiao)⚽器異音檢測中(zhōng)，實現從信号采(cǎi)集、數據存儲、數(shù)據分析到自我(wo)學習全過程的(de)自動化，檢測效(xiào)率及準确性遠(yuan)超傳統人工檢(jian)💜測。随着基于AI（人(rén)工智能）技術的(de)噪聲檢測系統(tong)在無錫工廠投(tou)入應用，人員數(shu)量已經從38人下(xià)降至3人，同時🔅，質(zhì)量控制能力顯(xian)著🌍提高，年經濟(ji)效益高達450萬人(ren)民币。制造企業(ye)在産品質量、運(yun)營管理、能耗管(guǎn)理和刀具管理(li)等方面，可以應(yīng)用機器學習等(deng)人工智能技術(shu)，結合大數據分(fen)析，優化調度方(fāng)式，提升企業決(jue)策能力。例如，一(yī)汽解放無錫柴(chái)油機廠的智能(neng)生産管理系統(tong)，具💚有異常和生(sheng)産調度數據采(cai)集、基于決策樹(shù)的異常原因🈲診(zhěn)斷、基于回歸💔分(fen)析的設備停機(jī)時間預測、基于(yú)🔞機器學習的調(diao)度決策優化等(děng)功能。通過将曆(li)史調度📧決策過(guò)程數據和調♻️度(dù)執行後的實際(jì)生☀️産性能指标(biao)✊作爲訓練數❌據(ju)集，采用神經網(wang)絡算法，對調度(dù)決策評價算法(fǎ)的參數進行調(diào)優，保證調度決(jué)策符合生産實(shí)際需求。數字孿(luan)生是客觀事物(wù)在虛拟世界的(de)鏡像。創建數字(zi)孿生的過程，集(ji)成了人工智能(néng)、機器學習和傳(chuan)感器數據，以建(jiàn)立一個可以實(shi)時更新的、現場(chang)感極強的㊙️“真實(shí)”模型，用來💚支撐(cheng)物理産品生命(mìng)周期各項活動(dong)的決策。在完成(cheng)對數字孿生對(duì)象的降階建模(mo)方面，可以把複(fu)雜性和非線性(xìng)模型放到神經(jīng)網絡中，借助深(shēn)度學習建立一(yī)個有限🐅的目标(biāo)，基于這個有限(xiàn)的目标，進行降(jiang)階建模。例如，在(zài)傳統模式下，一(yī)個冷熱水管的(de)出水口流體及(ji)熱仿真，用16核的(de)服務器每次運(yun)算需要57個小時(shí)，進行降階建模(mo)之後每次運算(suàn)隻需要幾分鍾(zhong)。創成式設計(ji)（Generative Design）是一個人機交(jiāo)互、自我創新的(de)過程。工程師在(zài)進行産品設計(ji)時，隻需要在系(xi)統指引下，設置(zhì)期🈲望的參數及(jí)性能等約束條(tiáo)件，如材料、重量(liang)、體積等等，結合(he)人工智能算法(fǎ)，就能根據設計(ji)者的意圖自動(dòng)生成成百上千(qian)種可行性方案(àn)，然後自行進行(hang)綜合對比，篩選(xuan)出最優的設計(jì)方案推送給設(shè)計者進行最後(hou)的決策。創成式(shi)設計已經成爲(wei)一個新的交叉(chā)學科，與計算機(jī)和人工智能技(ji)術進行深度結(jié)合，将先進的算(suan)法和技術應用(yong)到設計中來。得(de)到廣泛應用的(de)創成式算法包(bao)括：參數化系統(tong)、形狀語法（Shape Grammars(SG)）、L-系統(tǒng)💁（L-systems）、元胞自動機（Cellular Automata(CA)）、拓(tuo)撲優化算法、進(jìn)化系統和遺傳(chuán)算法等。
圖3 輪輻(fu)的創成式設計(jì)（來源：安世亞太(tài)）場(chǎng)景八：需求預測(ce)，供應鏈優化
以(yi)人工智能技術(shù)爲基礎，建立精(jing)準的需求預測(ce)模🔞型，實現企業(ye)的銷量預測、維(wei)修備料預測，做(zuo)出以需求導向(xiang)的決策。同時，通(tong)過對外部數據(jù)的分析，基于需(xu)求預測，制定🐅庫(ku)存🌍補貨策略，以(yi)及供應商評估(gū)、零部件選型等(deng)。
例如，爲了務實(shi)控制生産管理(li)成本，美國本田(tian)公司希望能❗夠(gou)掌握客戶未來(lai)的需求會在何(hé)時發生，因此将(jiang)☂️1200個經銷商💃🏻的客(kè)戶銷售與維修(xiu)資料建立預測(cè)模型，推算未來(lai)幾年内車輛回(hui)到經銷🔆商維修(xiu)的數量，這些資(zi)訊進一步轉爲(wei)各項零件預先(xian)準備的指标。該(gāi)轉變讓美國本(běn)田已做到預測(ce)準确度高達99%，并(bing)降低3倍的客訴(su)時間。目前(qian)，随着越來越多(duo)的企業、高校、開(kai)源組織進入人(ren)工智能領域，大(dà)批成功的人工(gong)智能開源軟件(jiàn)和平台不斷湧(yong)入，人工智能迎(ying)來前所未有的(de)爆發期。但📱與金(jīn)融等行業相比(bi)，雖然人工智能(néng)在制造業的應(yīng)用場景不少，卻(que)并不突出🌈，甚至(zhi)可以說發展較(jiao)慢。究其原因，主(zhu)要源于以下三(sān)大方面：
一是，由(yóu)于制造環節數(shu)據的采集、利用(yòng)、開發都有較大(dà)🍉難度，加🌐之企業(yè)的數據庫也以(yǐ)私有爲主、數據(jù)規模有限，缺乏(fa)優質的機器學(xue)習樣本，制約了(le)機器的自主學(xue)習過程。
二是，不(bu)同的制造行業(ye)之間存在差異(yi)，對于人工智能(neng)解決方🐕案的複(fú)雜性和定制化(hua)要求高。
三是，不(bú)同的行業内缺(quē)乏能夠引領人(ren)工智能與制造(zao)業深度融合發(fa)展趨勢的龍頭(tou)企業。
當前(qián)位置：
浙公網安備(bèi) 33021102000870号 
