制造業(yè)人工智(zhi)能8大應(ying)用場景(jǐng)！
發布時(shi)間：2025-12-17 15:47:13 浏覽(lan)次數：
摘(zhāi)要：
導讀(du)随着智(zhi)能制造(zào)熱潮的(de)到來，人(rén)工智能(néng)應用已(yǐ)經貫穿(chuan)于設計(jì)、生産、管(guǎn)理和服(fú)務等制(zhi)造業的(de)各個環(huán)節。人工(gōng)智能的(de)概念第(dì)一次被(bèi)提出，是(shì)在20世紀(ji)50年代，距(jù)今已六(liù)十餘年(nian)的時間(jiān)。然而直(zhí)到近幾(ji)年，人工(gong)智能才(cai)迎來爆(bào)發式的(de)
随(sui)着智能(néng)制造熱(rè)潮的到(dao)來，人工(gōng)智能應(ying)用已經(jīng)貫穿于(yú)設計、生(sheng)産、管理(lǐ)和服務(wù)等制造(zao)業的各(gè)個環節(jiē)。
人工智(zhì)能的概(gai)念第一(yī)次被提(ti)出，是在(zài)20世紀50年(nián)代，距今(jīn)已六十(shi)餘年的(de)時間。然(ran)而直到(dào)近幾年(nian)，人工智(zhì)能才迎(ying)來爆⭐發(fa)式的增(zēng)長，究其(qí)原因，主(zhǔ)要在于(yu)日趨成(cheng)熟的物(wu)聯網、大(da)數據、雲(yún)計算📞等(děng)❗技術。
物(wu)聯網使(shǐ)得大量(liàng)數據能(néng)夠被實(shí)時獲取(qu)，大數據(jù)爲深度(dù)📞學☎️習❓提(tí)供了數(shu)據資源(yuán)及算法(fǎ)支撐，雲(yun)計算則(ze)爲人工(gong)智能提(tí)👉供了靈(líng)活的計(ji)算資源(yuan)。這些技(ji)術的有(you)機結合(he)，驅動着(zhe)人工🆚智(zhì)能技術(shù)不斷發(fā)展，并取(qu)得了實(shi)質性💚的(de)進展。AlphaGo與(yu)李世石(shí)的人機(jī)大戰，更(geng)是将人(rén)工智能(neng)推到了(le)風口浪(lang)尖，引爆(bao)了新一(yi)輪的人(rén)工智能(neng)熱潮。此(ci)後的近(jin)幾年，關(guān)于人工(gōng)智能的(de)研究和(he)應用開(kai)始遍地(di)開花。随(sui)着智能(neng)制造熱(re)潮的到(dào)來，人工(gōng)智能應(ying)用已經(jīng)貫穿于(yu)設計、生(sheng)産、管理(li)和服務(wù)等制造(zào)業的各(gè)個環節(jiē)。計(jì)算智能(néng)即機器(qì)具備超(chao)強的存(cún)儲能力(li)和超快(kuai)的🌈計算(suàn)能力，可(kě)✏️以基于(yu)海量數(shu)據進行(háng)深度學(xué)習，利用(yòng)曆史經(jing)驗指導(dǎo)當前環(huan)境。随着(zhe)計算力(lì)的不斷(duan)發展，儲(chu)存手段(duan)的不斷(duàn)升級，計(jì)算智能(neng)可以說(shuo)已經實(shi)現。例如(rú)AlphaGo利用增(zeng)強學習(xi)技術完(wán)勝世界(jiè)圍棋冠(guàn)軍；電商(shāng)平台基(ji)于對用(yong)戶購買(mǎi)習慣的(de)深度學(xue)習，進行(hang)個性化(hua)商品推(tuī)薦等。感(gǎn)知智能(neng)是指使(shi)機器具(jù)備視覺(jiao)、聽覺、觸(chu)覺等感(gan)知能力(lì)，可以💯将(jiang)🤞非結構(gou)化的數(shu)據結構(gòu)化，并用(yòng)人類的(de)溝通☂️方(fāng)式與用(yòng)戶互動(dong)。随着各(ge)類技術(shù)發展，更(geng)多非結(jié)構化數(shu)據的價(jia)值被重(zhong)視和挖(wā)掘，語音(yin)、圖像、視(shì)頻🏃🏻、觸點(diǎn)等與感(gǎn)知相關(guan)的感知(zhī)智能也(yě)在快速(sù)發展。無(wú)人駕駛(shǐ)汽車、著(zhe)名的波(bō)士頓動(dong)力機器(qi)人等就(jiù)運用了(le)感知智(zhi)能，它通(tōng)過各種(zhǒng)傳感器(qi)，感知周(zhou)圍環境(jing)并進行(hang)處😘理，從(cóng)而有效(xiào)指🐇導其(qi)運行。相(xiang)較于計(ji)算智能(neng)和感知(zhi)智能，認(ren)知智能(neng)更爲複(fú)雜，是🧑🏾🤝🧑🏼指(zhǐ)機❗器📐像(xiang)人一樣(yang)，有理解(jiě)能力、歸(gui)納能力(li)、推理能(neng)力，有運(yùn)用知識(shí)的能🔞力(lì)。目前認(rèn)知智能(neng)技術還(hai)在研究(jiū)探索階(jiē)段，如在(zai)公共安(ān)全領域(yu)💯，對🐅犯罪(zui)者的微(wei)觀行爲(wei)和宏觀(guan)行爲的(de)特征提(tí)取和模(mó)式分析(xi)🥵，開發🈚犯(fan)罪預測(cè)、資金穿(chuān)透、城市(shì)犯罪演(yan)化模拟(nǐ)等人工(gōng)智能模(mo)型和系(xi)統；在金(jīn)融行業(ye)，用于識(shí)👣别可疑(yí)交易、預(yu)測宏觀(guān)經濟波(bo)動等。要(yao)将☀️認知(zhī)智能推(tui)🏃入發展(zhǎn)的快車(che)道，還有(you)很長一(yi)段路要(yào)走。人工(gong)智能制(zhì)造業應(ying)用場景(jing)
從應用(yòng)層面來(lái)看，一項(xiang)人工智(zhì)能技術(shù)的應用(yòng)可能會(huì)包含計(ji)算智能(neng)、感知智(zhi)能等多(duō)個層次(cì)的核心(xin)能力。工(gong)業機器(qi)人、智能(néng)手機、無(wu)人駕駛(shi)汽車、無(wu)人機等(děng)智能産(chǎn)⛷️品，本身(shēn)🚶就是人(ren)工智能(neng)的載體(tǐ)，其硬件(jian)與各類(lèi)軟件結(jie)合具備(bei)感知💋、判(pàn)斷的能(néng)力并實(shi)時與用(yong)戶、環♌境(jìng)互動，無(wu)不是綜(zōng)合了多(duo)種人工(gōng)智能的(de)核心能(neng)力。目(mù)前制造(zao)企業中(zhōng)應用的(de)人工智(zhì)能技術(shu)，主要圍(wei)繞在智(zhì)能語音(yīn)交互産(chan)品、人臉(lian)識别、圖(tu)像識别(bié)、圖像搜(sou)索、聲紋(wen)識别、文(wén)字識别(bié)、機器翻(fan)譯、機器(qi)學習、大(dà)數據計(jì)算、數據(ju)可視化(huà)等方面(miàn)。下文則(ze)總結制(zhi)造業中(zhōng)常用的(de)八大人(ren)工智能(neng)應用場(chǎng)景。制造(zào)業上有(yǒu)許多需(xu)要分撿(jiǎn)的作業(ye)，如果采(cai)用人工(gong)🈲的作業(ye)，速度⚽緩(huan)慢且成(chéng)本高，而(er)且還需(xū)要提供(gòng)适宜的(de)工作溫(wen)度環境(jing)。如果采(cǎi)用工業(ye)機器人(rén)進行智(zhì)能分揀(jiǎn)，可以大(dà)幅減低(dī)成🔴本，提(tí)高📱速度(du)。
以分揀(jiǎn)零件爲(wei)例。需要(yào)分撿的(de)零件通(tōng)常并沒(méi)有被整(zhěng)齊擺放(fàng)，機🈚器人(rén)雖然有(yǒu)攝像頭(tou)可以看(kàn)到零件(jian)，但卻不(bu)知道如(rú)何🔞把零(líng)件成功(gong)地撿起(qi)來。在這(zhè)種情況(kuàng)下，利用(yong)💜機器學(xué)習技術(shu)，先讓機(ji)器人随(suí)機進行(hang)一次分(fen)撿動作(zuò)，然後告(gao)訴它這(zhe)次動⛱️作(zuo)是成功(gōng)分撿到(dao)零件還(hai)是抓空(kong)了，經過(guò)多次❗訓(xun)練之後(hou)，機🥵器人(ren)就會知(zhi)道按照(zhao)怎樣的(de)順序來(lai)分撿才(cái)有更高(gao)的成功(gōng)率；分撿(jiǎn)時夾哪(na)個位置(zhi)🥵會有更(geng)高的撿(jiǎn)起👌成功(gōng)率；知道(dào)按照❌怎(zěn)樣的順(shùn)序分撿(jiǎn)，成功率(lǜ)會更高(gāo)。經過幾(jǐ)個小時(shi)的學習(xi)，機器人(rén)的分撿(jiǎn)成功率(lǜ)可以達(da)到90%，和熟(shú)練工人(ren)的水平(ping)相當。場景(jǐng)二：設備(bèi)健康管(guǎn)理
基于(yu)對設備(bei)運行數(shù)據的實(shí)時監測(cè)，利用特(tè)征分析(xī)和機器(qì)🥵學習🎯技(jì)術，一方(fang)面可以(yi)在事故(gù)發生前(qian)進行設(she)備的故(gù)障預測(ce)，減少非(fēi)計劃性(xing)停機。另(lìng)一方面(mian)，面對設(shè)備♈的突(tū)發故障(zhàng)，能夠迅(xùn)速進行(háng)故🙇🏻障診(zhěn)斷，定位(wèi)🔞故障原(yuán)因并提(tí)供相應(ying)的解決(jué)🌍方案。在(zài)制造行(hang)業應用(yòng)較爲常(chang)見，特别(bie)是化工(gong)、重型設(she)備、五金(jīn)加工、3C制(zhì)造、風電(dian)等行業(yè)。以數控(kong)機床爲(wei)例，用機(jī)器學習(xi)算法模(mó)型和智(zhì)能傳感(gǎn)器等技(ji)👌術手段(duan)監測加(jia)工過程(cheng)中的切(qie)削刀、主(zhu)軸和進(jin)給電機(jī)的功率(lü)、電流、電(diàn)壓等信(xin)息，辯識(shí)出刀具(jù)⛹🏻♀️的受力(lì)✂️、磨損、破(po)♍損狀态(tài)及機床(chuang)加工的(de)🍉穩定性(xìng)狀态，并(bing)根據這(zhè)㊙️些狀态(tai)實時調(diào)整加工(gōng)參數（主(zhu)軸轉速(su)、進🔴給速(sù)度）和加(jia)工指令(lìng)，預判何(hé)時需要(yao)換🤟刀，以(yǐ)提高加(jia)工精度(dù)、縮短産(chan)㊙️線停工(gong)時間并(bing)提高設(she)備運行(háng)的安全(quán)性。
圖1 基(ji)于深度(dù)學習的(de)刀具磨(mo)損狀态(tai)預測（來(lái)源：華中(zhōng)科技大(dà)學 李斌(bīn)教授）基于機(ji)器視覺(jiao)的表面(mian)缺陷檢(jiǎn)測應用(yòng)在制造(zao)業已經(jing)較✊爲常(chang)見✌️。利用(yong)機器視(shi)覺可以(yi)在環境(jing)頻繁變(bian)化的條(tiáo)件下，以(yǐ)毫秒爲(wèi)單位快(kuài)速識别(bie)出産品(pǐn)表面更(geng)微小、更(geng)複雜的(de)産品缺(que)陷，并進(jìn)行分類(lei)，如檢測(cè)産品表(biǎo)面是否(fou)有污染(rǎn)物、表面(miàn)損傷、裂(liè)縫等。目(mù)前已有(you)工👈業智(zhi)能企業(yè)将深度(du)學習與(yǔ)3D顯微鏡(jing)結♈合，将(jiāng)缺陷檢(jian)測精度(dù)提高到(dao)納米級(ji)。對于檢(jiǎn)測出的(de)有缺陷(xiàn)的産🏃🏻品(pǐn)，系統可(ke)以自動(dòng)做可修(xiu)複判定(ding)，并規劃(huà)修複路(lu)徑及🌏方(fāng)法，再由(you)設備執(zhi)行修複(fú)動作。
例(li)如，PVC管材(cái)是最常(chang)用的建(jiàn)築材料(liao)之一，消(xiao)耗量巨(ju)大，在生(sheng)産包裝(zhuang)過程中(zhōng)容易存(cún)在表面(miàn)劃傷、凹(āo)坑，水紋(wén)，麻面等(deng)諸多類(lei)型的缺(quē)陷，消耗(hao)大量的(de)人力進(jìn)行檢測(ce)。采用了(le)表面缺(quē)陷視覺(jiao)自動檢(jian)測後，通(tong)過面積(jī)、尺寸最(zuì)小值、最(zui)大值設(shè)定，自動(dòng)進行管(guan)材表面(miàn)雜質檢(jiǎn)測，最小(xiǎo)檢測精(jing)度爲0.15mm²，檢(jian)出率大(da)于99%；通過(guò)劃傷長(zhang)度🈲、寬度(du)的最小(xiǎo)值、最大(dà)值設定(ding)，自動進(jin)行🧑🏾🤝🧑🏼管材(cai)表面劃(huà)傷檢測(cè)，最小檢(jiǎn)測精度(du)爲0.06mm，檢出(chū)率大于(yu)99%；通過褶(zhe)皺長度(dù)、寬度的(de)最小值(zhi)、最大值(zhi)、片🔆段長(zhang)度、色差(chà)阈⭐值設(she)定，自動(dong)進行管(guan)材表面(mian)褶💯皺檢(jian)💚測，最小(xiǎo)檢📐測精(jing)度爲10mm，檢(jiǎn)出率大(dà)于95%。圖2 PVC管(guan)材表面(miàn)褶皺檢(jiǎn)測（來源(yuan)：維視智(zhi)造）制(zhi)造企業(ye)在産品(pǐn)質量、運(yun)營管理(li)、能耗管(guan)理和刀(dāo)具管💚理(li)等方面(mian)，可以應(ying)用機器(qì)學習等(deng)人工智(zhi)能技術(shù)，結合大(da)數據分(fèn)析，優化(huà)調度方(fāng)式，提升(shēng)企業決(jue)策能力(lì)。例如，一(yī)汽解放(fang)無錫柴(chai)油機廠(chang)的智能(neng)生産管(guǎn)理系👄統(tong)，具有異(yi)常💁和生(sheng)産調度(dù)數據采(cai)集、基于(yu)決策樹(shù)的異常(cháng)⚽原因診(zhěn)斷、基于(yú)♈回歸💯分(fen)析的設(she)備停機(jī)時間預(yu)測、基于(yú)機器學(xué)習的調(diào)度決策(ce)優化等(deng)🈚功能。通(tong)過将曆(li)史調度(dù)☔決策過(guo)程數據(jù)和調度(dù)執行後(hou)的實際(jì)生産性(xing)能指标(biao)作爲訓(xun)練數據(ju)集，采用(yong)神經網(wǎng)絡算法(fǎ)，對調度(dù)決策評(ping)價算法(fa)的參數(shu)進行調(diao)優，保證(zheng)調度決(jue)策符合(he)生産實(shí)✉️際需求(qiú)。場(chang)景六：數(shu)字孿生(shēng)
數字孿(luan)生是客(ke)觀事物(wu)在虛拟(nǐ)世界的(de)鏡像。創(chuang)建數字(zì)孿生的(de)過程，集(jí)成了人(rén)工智能(néng)、機器學(xué)習🈲和傳(chuán)感器數(shù)據，以建(jian)立一個(gè)可以實(shí)時更新(xin)的、現場(chǎng)感極✂️強(qiáng)的“真實(shí)”模型，用(yòng)來🏃🏻支撐(cheng)物理産(chǎn)品生命(ming)周期😘各(ge)項活😄動(dong)的決策(ce)。在完成(chéng)對數♍字(zì)孿生🥰對(dui)象的降(jiang)階建模(mó)方面，可(ke)以把複(fú)雜性和(hé)非✏️線性(xing)模型㊙️放(fàng)到神經(jīng)🚶♀️網絡中(zhong)，借助深(shēn)度學習(xi)建立一(yī)個有限(xiàn)☁️的目标(biao)，基于💞這(zhe)個有限(xiàn)的📞目标(biao)，進行降(jiàng)階建模(mó)。例如，在(zài)傳統模(mó)式下，一(yi)個冷熱(re)水管的(de)出水口(kǒu)流體及(ji)熱仿真(zhēn)，用16核的(de)服務器(qi)每次運(yun)算需要(yào)57個小時(shí)，進行降(jiang)階建模(mo)之後每(mei)次運算(suan)隻需要(yao)幾分鍾(zhōng)。場(chǎng)景七：創(chuang)成式設(she)計
創成(chéng)式設計(ji)（Generative Design）是一個(ge)人機交(jiāo)互、自我(wo)創新的(de)過程。工(gong)程師在(zài)進行産(chan)品設計(ji)時，隻需(xu)要在系(xi)統指引(yin)下，設置(zhi)期✉️望的(de)參數及(jí)性能等(děng)🔴約束條(tiáo)件，如材(cai)料、重量(liang)、體積等(deng)等，結合(hé)人工智(zhì)能算法(fa)，就能根(gēn)據設計(ji)者☂️的✍️意(yì)圖自動(dong)生成成(cheng)百上千(qian)種可行(hang)性方案(an)，然後自(zi)行進行(hang)綜合對(dui)比，篩選(xuǎn)出最優(yōu)的設計(ji)方案推(tuī)送給設(she)計⭐者進(jìn)行最後(hou)的決策(cè)。創成式(shì)設計已(yi)經成爲(wei)一個新(xīn)的交叉(cha)學科，與(yu)計算機(ji)和人👉工(gong)智能技(ji)術進行(háng)深度結(jie)合，将先(xian)進的算(suàn)法🔅和技(ji)術應用(yong)到設計(ji)中來。得(de)到廣泛(fàn)應用的(de)創成式(shì)算法包(bāo)括：參數(shu)化系統(tǒng)、形狀♉語(yu)♋法（Shape Grammars(SG)）、L-系統(tong)㊙️（L-systems）、元胞自(zì)動機（Cellular Automata(CA)）、拓(tuò)撲優化(hua)算法、進(jin)化系統(tong)和遺💞傳(chuan)算法等(deng)。
圖3 輪輻(fu)的創成(chéng)式設計(ji)（來源：安(ān)世亞太(tai)）以(yi)人工智(zhi)能技術(shù)爲基礎(chǔ)，建立精(jing)準的需(xu)求預測(ce)模型⛷️，實(shí)現🌈企業(ye)的銷量(liàng)預測、維(wéi)修備料(liào)預測，做(zuò)出以需(xu)求導向(xiàng)的決策(cè)。同時，通(tong)過對外(wài)部數據(jù)的分析(xī)，基于需(xū)求預測(cè)，制定庫(ku)存補貨(huo)策略，以(yi)及供應(ying)商評估(gu)、零部件(jiàn)選型等(děng)。
例如，爲(wèi)了務實(shi)控制生(sheng)産管理(li)成本，美(mei)國本田(tian)公司希(xī)望能夠(gou)掌握客(kè)戶未來(lai)的需求(qiu)會在何(hé)時發生(shēng)，因此将(jiang)1200個經銷(xiāo)商的客(kè)戶銷售(shòu)與維修(xiū)資料建(jiàn)立預測(cè)模型，推(tuī)算未來(lai)幾年内(nei)🔞車輛回(hui)到經銷(xiāo)商維修(xiu)的數量(liang)，這些資(zi)👌訊進一(yi)步轉爲(wei)各項✉️零(ling)件預先(xian)準備的(de)指标。該(gāi)轉變讓(ràng)美國本(běn)田已做(zuo)到預測(cè)準确度(du)高達99%，并(bing)降低🏃🏻♂️3倍(bèi)的客訴(su)時間。目前(qián)，随着越(yue)來越多(duo)的企業(yè)、高校、開(kai)源組織(zhī)進入人(ren)工智🏃能(neng)領域💃🏻，大(da)批成功(gōng)的人工(gong)智能開(kai)源軟件(jiàn)和平台(tái)不斷湧(yǒng)👨❤️👨入，人工(gōng)智能迎(ying)來前所(suǒ)未有的(de)爆發期(qi)。但與金(jin)融等行(hang)業相比(bi)，雖然人(rén)工智能(neng)在制造(zào)業的應(ying)用場景(jǐng)不少，卻(què)并不突(tu)出🔴，甚至(zhì)可以說(shuō)發展較(jiào)慢。究其(qí)原因，主(zhu)要源于(yu)以下三(san)大方面(miàn)：
一是，由(you)于制造(zao)環節數(shù)據的采(cǎi)集、利用(yòng)、開發都(dōu)有較大(da)難度，加(jiā)之企業(ye)的數據(ju)庫也以(yǐ)私有爲(wei)主、數據(jù)規模有(yǒu)限，缺乏(fa)優質的(de)🏃🏻機器學(xué)習樣本(ben)，制約了(le)機器的(de)🌈自主學(xue)習過程(cheng)。
二是，不(bú)同的制(zhi)造行業(ye)之間存(cún)在差異(yi)，對于人(rén)工智能(neng)解🔆決‼️方(fāng)案的複(fú)雜性和(hé)定制化(huà)要求高(gao)。
三是，不(bu)同的行(háng)業内缺(quē)乏能夠(gòu)引領人(ren)工智能(néng)與制造(zao)業深🌐度(du)融合發(fa)展趨勢(shì)的龍頭(tóu)企業。解(jiě)決以上(shang)三大問(wen)題，人工(gōng)智能技(jì)術才能(néng)更好地(dì)應用于(yú)💯制造業(yè)。
當前(qian)位置：首(shǒu)頁 - 新(xīn)聞中心(xin)
浙公網(wǎng)安備 33021102000870号(hào) 
