在制造行業中，工業4.0（Industry 4.0）不僅僅是一個流行詞，它已成為一種新的現實。新型冠狀病毒的爆發加速了這一現實的到來。在新型冠狀病毒爆發的前三個月中，企業和消費者都適應了網絡世界，數字技術的發展速度相當于十年間的發展速度。

面向數字技術解決方案的投資可以幫助企業實現未來發展的關鍵點，即敏捷性、適應性和創新性。隨著精簡業務、降低成本和最大化收益壓力的增大，數字化轉型已成為當務之急。

數字化轉型的贏家正在利用顛覆性技術來應對業務挑戰，并通過實際應用推動改進。數字化運營流程對于制造商應對需求和危機的挑戰至關重要，可視為制造業發展的自然進步。

高級分析和機器視覺

高級分析和機器視覺是工業人工智能領域的兩大主流應用

[[412275]]

在工業領域，機器學習驅動的高級分析是我們深耕多年的一項人工智能應用。該技術通過預測技術和最優化模型，助力生產效率、能源效率和產品質量獲得進一步提升。

例如，在某鋼鐵集團的工廠，基于深度學習的爐溫控制模型能夠自動預測高爐溫度，實現過程參數優化值的人工智能推薦，推動高爐產出增加4%，綜合能耗降低0.7%；在某制藥公司的工廠，通過機器學習在線分析設備關鍵參數，智能分析和預測設備故障根因并自動提出行動建議，將關鍵設備的綜合效率提升了50%；某公司在無錫工廠以高級分析系統實現刀具全生命周期的最優化，根據性能根因分析調整操作方式，并結合設備效率和更換成本優化換模規則，將刀具庫存降至10%以下；某大型制造企業在深圳工廠部署了集成工業大數據的中央決策云平臺，并通過全局規劃和智能應用將無人運營的“關燈工廠”變為現實，從而節省了88%的人力，并且提升了30%的生產效率。

機器視覺是工業人工智能的另一項主流應用。該技術通過解析非結構性圖像數據來提供洞見，在質量過程控制和檢驗方面效果卓著。在某汽車制造工廠，集團旗下的分析卓越中心自行研發的機器視覺應用能夠快速識別帶鋼表面缺陷，確保有質量問題的產品不流入市場，由此將該問題帶來的質量成本損失降低了50%；在某集團公司的天津工廠，以三維機器視覺技術為內核的在線質量控制系統可對壓縮機油面位置進行精確監控，以保證此類問題客戶“零投訴”；在另一家工廠，機器視覺實現了線上操作質量的全自動控制，將單品間接人力成本降低了17%。

[[412276]]

除此以外，我們也在積極探索自然語言處理、先進機器人、流程自動化、智能云等其他人工智能技術的工業應用，以期在不同行業的豐富場景中進一步釋放工業人工智能的價值潛力。

人工智能+工業制造

一、人工智能產品質量檢測

人工智能嵌入生產制造環節，可以使機器變得更加聰明，不再僅僅執行單調的機械任務，而是可以在更多復雜情況下自主運行，從而全面提升生產效率。在質量管理方面，制造企業采用人工智能檢測技術來對產品外觀缺陷進行檢測，減少了人工成本，提高檢測精度和效率。人工智能檢測設備對產品外觀缺陷檢測效果驚人，與人工相比，它有著巨大優勢。

1. 人工智能檢測，降低人力成本；
2. 精確識別細微缺陷，提高檢測效率；
3. 滿足客戶動態品質管控需求；
4. 根據查詢系統，開展產品質量追溯。

二、人工智能實現柔性化生產

隨著個性化需求時代的到來，標準化的生產模式越來越無法滿足消費者的需求。人工智能技術對于挖掘消費者需求數據以及特征行為等方面發揮著重要作用，并能夠對相關產品的市場前景進行預測分析，將分析結果作為生產過程中的參考依據。

人工智能技術還能有效實現柔性生產，對生產線的生產計劃進行控制與管理，從產品的供應鏈、物流鏈、生產鏈等各個環節進行合理管控，降低相關流程的不必要成本。例如在產線物流環節，利用機器學習技術，機器人能夠判斷如何分揀生產線上的產品，分撿的成功率可以達到90%，和熟練工人的水平相當。

[[412277]]

三、人工智能實現設備預測性維護

在24小時不停運轉的工廠里，突發的停機事件會造成不小的損失。為了實現預測性維護，技術人員通過大量的設備性能和環境歷史數據，借助人工智能技術分析構建預測性維護模型，對設備運行狀況進行預測。

在智慧工廠里，預測性維護通過對重要資產如機床、重要機器儀表等設備的健康監測來實現。生產設備里的傳感器等隨時監控設備運行狀態，把實時運行數據傳輸到云上采用人工智能和大數據進行分析，提前預知設備的異常狀態，采取應對措施，從而最小化設備停機的可能。

四、人工智能的其他應用實例

庫房管理與物流：比如物流公司某庫房，需要按照訂單和發貨地分揀成品，同時回收空的料箱，并把部分廢料、廢品扔進廢料堆放處。這個工作每個班次由兩名工人合作完成，庫房內有粉塵和噪音，每天累計重復分揀動作要執行2000-3000次，雖然重物搬運由機械手完成，但仍是強度大、環境差、技術含量低的重復性工作。

企業用一臺機器人替換每天三班倒的兩個工位，機器人帶有機器視覺系統，訂單和發貨地分揀可以掃RFID碼，成品、空箱、廢料廢品的判斷由AI學習算法逐步提高識別率，最初識別率只有62%左右，需要每個班次配合一個工人拾遺補缺，隨著數據積累，AI識別模型不斷完善，一段時間月后，綜合識別率提高到96%的水平，成品識別和發貨地分揀完全準確，已不需要庫房留人補缺，只在廢料廢品回收時，撿出極少量的空箱即可。

[[412278]]

工藝優化：AI通過調節和改進生產過程中的參數，對于制造中使用的很多機器進行參數設置。生產過程中，機器需要進行諸多參數的設置。例如，在注塑中，可能需要控制塑料的溫度、冷卻時間表、速度等等。所有這些參數都可能受到各種外部因素的影響，例如，外界溫度等。通過收集所有這些數據，AI可以改進自動設置和調整機器的參數。

生產制造：福特曾經豪言：不管你要什么車，我都只生產黑色，這是流水線大生產的典型寫照，但如果福特放在現狀還是這種思路的話福特汽車只有死路一條。因為現在個性化越來越多，但是個性化生產的成本又非常巨大，那么只有一種途徑就是大規模定制，利用個人消費數據進行分析后形成綜合的訂單，然后平臺分發進行大規模生產進而降低成品單價。目前電商行業具備大量的消費行為數據，但是數據永遠是落后于實際需求的，高級分析就很好的解決了這個問題，將數據進行分析整理，反饋到制造端，實現生產制造的優化配置。

[[412279]]

縱觀全球，涉足工業人工智能領域的企業早已證明了這種技術的獨特價值。人工智能技術在改善企業的生產力、效率、質量和成本等方面具備巨大潛力，無疑將成為賦能未來制造業的全新引擎。不過，企業的人工智能轉型之旅任重道遠，我們也在高級分析賦能企業轉型上繼續深耕。