智能工廠中人工智能應(yīng)用場景

1 引言

智能工廠是推動(dòng)數(shù)字經(jīng)濟(jì)與實(shí)體經(jīng)濟(jì)深度融合的關(guān)鍵路徑。這已成為世界主要經(jīng)濟(jì)體推動(dòng)經(jīng)濟(jì)高質(zhì)量發(fā)展的共同選擇。美國、德國、日本成立了工業(yè)互聯(lián)網(wǎng)聯(lián)盟、工業(yè)4.0委員會(huì)和產(chǎn)業(yè)價(jià)值鏈促進(jìn)會(huì)。同時(shí)，他們還提出了先進(jìn)制造領(lǐng)先戰(zhàn)略、工業(yè)4.0戰(zhàn)略和產(chǎn)業(yè)互聯(lián)戰(zhàn)略。人工智能技術(shù)作為關(guān)鍵技術(shù)與智能工廠不斷融合，正在逐步改變現(xiàn)有的產(chǎn)業(yè)形態(tài)和商業(yè)模式，成為推動(dòng)產(chǎn)業(yè)升級(jí)的關(guān)鍵技術(shù)。根據(jù)Automation Technology的預(yù)測(cè)，到2035年，人工智能將占制造業(yè)增加值的2.2%。而根據(jù)麥肯錫的報(bào)告，在德國，人工智能可以將工業(yè)部門的生產(chǎn)力每年提高 0.8% 到 1.4%。

國務(wù)院先后出臺(tái)了《中國制造2025》、《工業(yè)和信息化部關(guān)于貫徹落實(shí)<國務(wù)院關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動(dòng)的指導(dǎo)意見》、《國務(wù)院關(guān)于積極推進(jìn)“互聯(lián)網(wǎng)+”行動(dòng)的指導(dǎo)意見》等一系列政策文件。目的在于驅(qū)動(dòng)工業(yè)數(shù)字化網(wǎng)絡(luò)化智能化發(fā)展，走具有中國特色的新型工業(yè)化道路，建設(shè)制造強(qiáng)國。同時(shí)國家也將制造業(yè)作為人工智能落地的重點(diǎn)行業(yè)，在《新一代人工智能發(fā)展規(guī)劃》、《互聯(lián)網(wǎng)+人工智能三年行動(dòng)實(shí)施方案》、《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動(dòng)計(jì)劃》等文件中均提出將工業(yè)制造作為人工智能落地的重要領(lǐng)域。

2 智能工廠中人工智能應(yīng)用場景

智能工廠是實(shí)現(xiàn)傳統(tǒng)工業(yè)向數(shù)字化自動(dòng)化工業(yè)轉(zhuǎn)型的關(guān)鍵路徑。作為實(shí)現(xiàn)智能工廠關(guān)鍵技術(shù)，人工智能技術(shù)正在與傳統(tǒng)制造技術(shù)不斷融合，正在逐步改變現(xiàn)有制造業(yè)的組織形態(tài)和產(chǎn)業(yè)形態(tài)，成為推動(dòng)產(chǎn)業(yè)升級(jí)的關(guān)鍵技術(shù)。人工智能技術(shù)可應(yīng)用于智能工廠的5大場景，包括：資產(chǎn)預(yù)測(cè)性維護(hù)場景、流水線管理場景、車間管理場景、管理決策場景和制造過程優(yōu)化場景。

2.1 資產(chǎn)預(yù)測(cè)性維護(hù)場景

預(yù)測(cè)性維護(hù)是基于傳感器采集的設(shè)備運(yùn)行數(shù)據(jù)，如噪聲、振動(dòng)、溫度、壓力等，通過人工智能技術(shù)分析預(yù)測(cè)可能的故障點(diǎn)，并自動(dòng)生成相關(guān)的維修建議。技術(shù)人員可根據(jù)建議提前處理有風(fēng)險(xiǎn)的設(shè)備，避免故障風(fēng)險(xiǎn)。預(yù)測(cè)性維護(hù)技術(shù)可以提供：

減少計(jì)劃外故障，提高整體設(shè)備效率(OEE)，確保連續(xù)生產(chǎn)，提高產(chǎn)量;減少維護(hù)頻率，降低維護(hù)成本，縮短維護(hù)時(shí)間，提高運(yùn)維效率;減少更換零件，充分利用現(xiàn)有設(shè)備，延長設(shè)備使用壽命，增加投資回報(bào)。部分工廠結(jié)合智能傳感器和機(jī)器學(xué)習(xí)算法，利用傳感器數(shù)據(jù)、天氣數(shù)據(jù)、維護(hù)日志等傳感器以外的數(shù)據(jù)源構(gòu)建設(shè)備運(yùn)行模型，減少實(shí)際故障的發(fā)生幾率，優(yōu)化資產(chǎn)生命周期的維護(hù)計(jì)劃。比如在能源行業(yè)，基于機(jī)器學(xué)習(xí)技術(shù)，能源供應(yīng)商可以利用來自電纜的硬件信息、實(shí)時(shí)性能測(cè)量和天氣數(shù)據(jù)來檢測(cè)和預(yù)測(cè)電網(wǎng)中斷，并主動(dòng)識(shí)別電網(wǎng)故障的可能性。

2.2 工廠流水線管理場景

產(chǎn)品缺陷檢測(cè)和物體分揀是人工智能技術(shù)在流水線中的典型應(yīng)用。人工智能技術(shù)在流水線上的應(yīng)用，可以實(shí)現(xiàn)缺陷檢測(cè)和物體分揀，提高流水線效率。在缺陷檢測(cè)場景中，可以利用深度學(xué)習(xí)技術(shù)在頻繁的環(huán)境變化下檢測(cè)更小、更復(fù)雜的產(chǎn)品缺陷，提高檢測(cè)效率。通過與3D顯微鏡結(jié)合，可實(shí)現(xiàn)毫秒級(jí)缺陷識(shí)別，支持高速應(yīng)用并提高吞吐量，解決傳統(tǒng)方法無法解決的復(fù)雜缺陷檢測(cè)和定位問題，大幅提升檢測(cè)效率。

在不規(guī)則物體排序的場景下，通過深度學(xué)習(xí)構(gòu)建復(fù)雜物體的特征模型，實(shí)現(xiàn)自主學(xué)習(xí)，大大提高排序效率。通過結(jié)合3D視覺相機(jī)，機(jī)器人可以自動(dòng)識(shí)別各種材料、形狀甚至重疊物體，并確定最佳抓取點(diǎn)。

此外，基于人工智能技術(shù)的AGV小車可以基于機(jī)器視覺技術(shù)，進(jìn)行3D環(huán)境感知，可使AGV小車在夜間、室外、路面崎嶇的復(fù)雜環(huán)境運(yùn)行，實(shí)現(xiàn)產(chǎn)線及倉儲(chǔ)場景下的自動(dòng)物料傳送，大大提高工廠的運(yùn)行效率。

2.3 車間管理場景

在工廠管理的場景中，需要對(duì)工廠內(nèi)工人的工作狀態(tài)進(jìn)行監(jiān)控，規(guī)范工人的工作流程，識(shí)別安全隱患。工廠可以通過攝像頭捕捉生產(chǎn)線上員工的操作行為，利用人工智能技術(shù)進(jìn)行計(jì)算分析，判斷工人的工序是否達(dá)標(biāo)，從而提高產(chǎn)品質(zhì)量。

工廠可以使用攝像頭捕捉工人的行為和狀態(tài)，當(dāng)出現(xiàn)某些不安全因素時(shí)，如工人離大型機(jī)器太近，或安全配件未正確佩戴時(shí)，可以通知系統(tǒng)并提醒工人在危機(jī)發(fā)生前處理好，有效降低發(fā)生事故的概率與工作環(huán)境中的事故。

2.4 管理決策場景

在供應(yīng)鏈風(fēng)險(xiǎn)管理場景中，企業(yè)通過收集供應(yīng)鏈各個(gè)環(huán)節(jié)中的企業(yè)內(nèi)部與外部的知識(shí)數(shù)據(jù)，包括物流數(shù)據(jù)、產(chǎn)品數(shù)據(jù)、商品流通數(shù)據(jù)、采購數(shù)據(jù)等，通過知識(shí)圖譜技術(shù)，構(gòu)建企業(yè)的供應(yīng)鏈知識(shí)圖譜，實(shí)現(xiàn)供應(yīng)鏈風(fēng)險(xiǎn)的預(yù)測(cè)與管理。

在融資風(fēng)險(xiǎn)管控場景中，可以通過收集企業(yè)的控制人/合伙人、競爭關(guān)系、業(yè)務(wù)關(guān)系等數(shù)據(jù)，形成融資風(fēng)控知識(shí)圖譜。通過知識(shí)圖譜構(gòu)建企業(yè)的各種復(fù)雜關(guān)系信息，實(shí)現(xiàn)對(duì)金融風(fēng)險(xiǎn)的預(yù)測(cè)與管理，降低可能的風(fēng)險(xiǎn)與損失。此外，通過知識(shí)圖譜技術(shù)還可以與數(shù)據(jù)分析相結(jié)合，為企業(yè)內(nèi)部的提供決策和流程優(yōu)化的建議，提高公司的決策效率。

2.5 制造流程優(yōu)化場景

企業(yè)可以采用人工智能的方法，對(duì)設(shè)備運(yùn)行、工藝參數(shù)等數(shù)據(jù)進(jìn)行分析，找出最優(yōu)參數(shù)，可以大大提高運(yùn)行效率，降低能耗，提高制造質(zhì)量。在調(diào)度與生產(chǎn)管理場景中，企業(yè)可以通過專家系統(tǒng)生成調(diào)度指令，動(dòng)態(tài)進(jìn)行調(diào)度處理，執(zhí)行制造能力計(jì)劃、庫存管理等與制造過程相關(guān)的管理任務(wù)。例如，某制造商在航空發(fā)動(dòng)機(jī)制造過程中使用智能算法優(yōu)化生產(chǎn)線設(shè)計(jì)，輔助制定和優(yōu)化生產(chǎn)計(jì)劃流程，通過智能制造技術(shù)提高生產(chǎn)力。

3 智能工廠中人工智能關(guān)鍵技術(shù)分析

為了實(shí)現(xiàn)智能工廠中的人工智能不同場景下的各種需求，其基礎(chǔ)就是各種工業(yè)數(shù)據(jù)的采集和網(wǎng)絡(luò)傳輸，模型的訓(xùn)練和推理，各種安全要求以及硬件算力上的要求。因此，工業(yè)數(shù)據(jù)采集技術(shù)、工業(yè)數(shù)據(jù)傳輸網(wǎng)絡(luò)、人工智能算法模型、安全性以及硬件算力的要求成為實(shí)現(xiàn)工廠智能的關(guān)鍵。

3.1 工業(yè)數(shù)據(jù)采集技術(shù)

數(shù)據(jù)是智能工廠的核心，通過工業(yè)數(shù)據(jù)全周期的應(yīng)用，實(shí)現(xiàn)機(jī)器彈性生產(chǎn)、運(yùn)營管理優(yōu)化、生產(chǎn)協(xié)同組織與商業(yè)模式創(chuàng)新，推動(dòng)工業(yè)智能化發(fā)展。

工廠內(nèi)部網(wǎng)絡(luò)包含連接管理信息系統(tǒng)的IT網(wǎng)絡(luò)和連接現(xiàn)場控制與監(jiān)測(cè)系統(tǒng)的OT網(wǎng)絡(luò)。傳統(tǒng)OT網(wǎng)絡(luò)多采用工業(yè)總線技術(shù)，標(biāo)準(zhǔn)多樣并且技術(shù)較為封閉，相對(duì)而言IT網(wǎng)絡(luò)標(biāo)準(zhǔn)則較為統(tǒng)一且開放。這使得OT網(wǎng)絡(luò)與IT網(wǎng)絡(luò)的對(duì)接與數(shù)據(jù)采集變得困難。因此如何解決工業(yè)采集問題成為打通OT網(wǎng)絡(luò)與IT網(wǎng)絡(luò)的關(guān)鍵。

為了能夠?qū)崿F(xiàn)工業(yè)數(shù)據(jù)采集，采集設(shè)備需要集成各種主流的工業(yè)協(xié)議(如：Modbus、OPC DA/UA、Profinet等)，適配不同工業(yè)設(shè)備接口，實(shí)現(xiàn)通信協(xié)議的解析與轉(zhuǎn)換。

3.2 工業(yè)數(shù)據(jù)傳輸網(wǎng)絡(luò)

為了更方便地實(shí)現(xiàn)OT與IT網(wǎng)絡(luò)的互通，以及實(shí)現(xiàn)全流程的數(shù)據(jù)流轉(zhuǎn)與智能化生產(chǎn)，IP化與無線化已成為智能工廠內(nèi)網(wǎng)絡(luò)技術(shù)發(fā)展的趨勢(shì)。通過IP技術(shù)可以實(shí)現(xiàn)從現(xiàn)場級(jí)、過程測(cè)量與控制級(jí)、管理級(jí)、企業(yè)級(jí)網(wǎng)絡(luò)技術(shù)的統(tǒng)一，完成“e網(wǎng)到底”的技術(shù)目標(biāo) (如圖1所示)。

工業(yè)以太網(wǎng)由于應(yīng)用的廣泛性和技術(shù)的先進(jìn)性，已經(jīng)成為過程控制領(lǐng)域中上層信息管理與通信的主流技術(shù)，比如Profinet，Ethernet/IP，Modbus TCP以及OPC UA/DA等，迅速替代原有的現(xiàn)場總線技術(shù)。

圖1 “e網(wǎng)到底”工業(yè)網(wǎng)絡(luò)的趨勢(shì)同時(shí)，隨著5G網(wǎng)絡(luò)的大規(guī)模部署，5G網(wǎng)絡(luò)在工廠中的應(yīng)用也越來越普遍。5G是一種超連接技術(shù)，可實(shí)現(xiàn)超可靠的低延遲通信 (URLLC)、增強(qiáng)型移動(dòng)寬帶(EMB)和海量機(jī)器類型通信 (mMTC) 。通過5G網(wǎng)絡(luò)可以實(shí)現(xiàn)在工廠內(nèi)部隨時(shí)隨地的網(wǎng)絡(luò)接入，并可以實(shí)現(xiàn)海量設(shè)備，海量數(shù)據(jù)的高速，低時(shí)延接入。通過5G和邊緣技術(shù)的結(jié)合，可以將AI技術(shù)延伸至工廠的各個(gè)部分。

3.3 人工智能算法/模型要求

智能工廠下的人工智能算法/模型需要根據(jù)各個(gè)工廠的具體情況和數(shù)據(jù)進(jìn)行定制化的訓(xùn)練和部署。因此，人工智能模型的全生命周期的管理對(duì)于智能工廠是非常重要的，其中包含數(shù)據(jù)的預(yù)處理，模型的訓(xùn)練，模型的推理，模型的部署。

數(shù)據(jù)預(yù)處理：首先需要確保用于模型訓(xùn)練的數(shù)據(jù)集的質(zhì)量，這些數(shù)據(jù)需要包含需要檢測(cè)的模式特征，并且具有足夠高的信噪比。其次，需要對(duì)數(shù)據(jù)進(jìn)行數(shù)據(jù)驗(yàn)證(例如類型、格式、范圍、一致性)、轉(zhuǎn)換(例如單位、時(shí)區(qū))、對(duì)齊(例如時(shí)間戳的對(duì)齊以及語義層面的對(duì)齊)、降噪(例如平滑)、缺失數(shù)據(jù)處理、數(shù)據(jù)降維處理等。最后，需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)注，以便于監(jiān)督學(xué)習(xí)模型的訓(xùn)練。數(shù)據(jù)預(yù)處理的處理必須在模型訓(xùn)練和推理階段保持一致，以確保在模型訓(xùn)練和推理期間使用的數(shù)據(jù)內(nèi)容和格式相同。

模型的訓(xùn)練：模型的訓(xùn)練需要大量的數(shù)據(jù)，并根據(jù)智能工廠不同的應(yīng)用場景和數(shù)據(jù)類型(比如視頻/圖片，自然語言，時(shí)序數(shù)據(jù)等)選擇合適的算法或模型(深度學(xué)習(xí)模型，傳統(tǒng)機(jī)器學(xué)習(xí)算法，知識(shí)圖譜，時(shí)序數(shù)據(jù)模型等)。模型訓(xùn)練需要大量的計(jì)算資源，因此通常在云端服務(wù)器中進(jìn)行，并根據(jù)業(yè)務(wù)需求進(jìn)行模型的迭代更新。模型訓(xùn)練所需要的數(shù)據(jù)可以是在線獲取的，也可以是離線獲取的，這取決于模型迭代的頻率。

模型的推理：相對(duì)于模型訓(xùn)練，模型推理過程不需要大量的數(shù)據(jù)，但在不同場景下對(duì)于推理的時(shí)延要求不同。工廠流水線場景以及車間管理場景中的部分應(yīng)用對(duì)時(shí)延要求較高，時(shí)延要求可以到毫秒級(jí)，比如缺陷檢測(cè)，工業(yè)機(jī)器人控制等。而對(duì)于預(yù)測(cè)性維護(hù)以及制造流程優(yōu)化等場景，則對(duì)時(shí)延不敏感，時(shí)延可到秒級(jí)。因此，對(duì)于時(shí)延敏感場景，模型的推理建議在邊緣端進(jìn)行，而對(duì)于時(shí)延不敏感的場景，模型的推理任務(wù)可以在云端服務(wù)器進(jìn)行。

智能工業(yè)AI模型推理有2種運(yùn)行模式：批處理模式和實(shí)時(shí)模式。在批處理模式下，AI模型會(huì)定期或按需進(jìn)行調(diào)用，比如文本數(shù)據(jù)及流程優(yōu)化場景等;而實(shí)時(shí)模式下，AI模型會(huì)由新的實(shí)時(shí)流數(shù)據(jù)的到來而觸發(fā)，比如視頻流數(shù)據(jù)及時(shí)序數(shù)據(jù)等。在某些場景下，會(huì)同時(shí)使用這兩種模式。模型的部署：模型在云端服務(wù)器完成訓(xùn)練后，需要部署到云端的推理服務(wù)器或者邊緣側(cè)服務(wù)器/終端。由于推理側(cè)服務(wù)器/終端的硬件能力的差異，需要針對(duì)不同的硬件/軟件環(huán)境對(duì)模型進(jìn)行適配處理。特別是對(duì)于邊緣側(cè)的終端，由于算力的限制，為了保證模型推理的實(shí)時(shí)性，應(yīng)對(duì)模型進(jìn)行裁剪/蒸餾處理，在保證精確度的前提下，減低時(shí)延。

3.4 安全性要求

隨著人工智能技術(shù)的大規(guī)模應(yīng)用，人工智能的安全性已得到越來越多的關(guān)注，特別是在智能工廠領(lǐng)域，在一些場景下，比如流水線控制，對(duì)于錯(cuò)誤的容忍率很低，準(zhǔn)確率要求達(dá)到99.9%或者更高，此時(shí)模型的魯棒性就顯得非常重要。同時(shí)，隨著聯(lián)邦學(xué)習(xí)應(yīng)用越來越廣泛，需要保證各個(gè)邊緣設(shè)備間協(xié)同模型訓(xùn)練方式的安全性以及模型參數(shù)共享的安全性。

在部分場景下，AI模型可能具有自學(xué)習(xí)能力，可以在運(yùn)行時(shí)通過收集新的數(shù)據(jù)不斷訓(xùn)練并進(jìn)行參數(shù)更新。在這種情況下，將通過自學(xué)習(xí)產(chǎn)生的模型應(yīng)用到可能影響機(jī)器運(yùn)行或流程操作的環(huán)境中，必須實(shí)施嚴(yán)格的驗(yàn)證以防止安全隱患或者意外結(jié)果的發(fā)生。

隨著AI模型和數(shù)據(jù)采集在邊緣側(cè)的部署，工業(yè)數(shù)據(jù)和工業(yè)網(wǎng)絡(luò)的安全性也需要得到重視。應(yīng)確保工業(yè)網(wǎng)絡(luò)安全，確保邊緣側(cè)與云端服務(wù)器間網(wǎng)絡(luò)的傳輸保護(hù)與邊界網(wǎng)絡(luò)隔離。對(duì)于數(shù)據(jù)安全，應(yīng)進(jìn)行數(shù)據(jù)防泄漏，數(shù)據(jù)加密以及數(shù)據(jù)備份，保證數(shù)據(jù)在傳輸與存儲(chǔ)過程中的安全。

此外，為了防止AI模型的訓(xùn)練數(shù)據(jù)被人為操控或投毒，同時(shí)也便于審計(jì)和防御，需要捕獲和記錄人工智能使用的數(shù)據(jù)的歷史和來源。數(shù)據(jù)來源是可信人工智能的核心要素之一。需要顯示數(shù)據(jù)的來源及其完整的系統(tǒng)到系統(tǒng) “監(jiān)管鏈”，并跟蹤訓(xùn)練數(shù)據(jù)、模型/算法和決策過程，以支持審計(jì)和問責(zé)制的確定。

3.5 硬件算力要求

隨著深度學(xué)習(xí)技術(shù)的出現(xiàn)，現(xiàn)代人工智能的數(shù)據(jù)需求越來越大，隨之而來的是對(duì)計(jì)算能力要求的激增。在訓(xùn)練階段，由于現(xiàn)在采用的方式主要是在云端服務(wù)器離線訓(xùn)練完模型后，再部署到推理服務(wù)器的方式，因此現(xiàn)有的GPU已可以滿足要求。在推理階段，分為云端推理與邊緣側(cè)推理。對(duì)于云端推理，由于實(shí)時(shí)性要求不高，因此GPU也可以滿足需求，但對(duì)于邊緣側(cè)推理，現(xiàn)有的智能工廠的應(yīng)用場景主要是實(shí)時(shí)監(jiān)測(cè)和實(shí)時(shí)控制等高實(shí)時(shí)性業(yè)務(wù)為主，因此對(duì)推理的實(shí)時(shí)性要求極高，需要在幾毫秒至幾十毫秒級(jí)別，現(xiàn)在的GPU方案已難以滿足要求。為了滿足工業(yè)場景下的實(shí)時(shí)性要求，滿足邊緣側(cè)推理要求的專用FPGA方案已成為趨勢(shì)。

4 結(jié)束語

如今，人工智能已廣泛嵌入到智能工廠各個(gè)領(lǐng)域的應(yīng)用中，幫助企業(yè)實(shí)現(xiàn)各種智能化應(yīng)用，并深刻改變工廠的運(yùn)作方式和為企業(yè)創(chuàng)造價(jià)值的方式。隨著硬件算力的提高，更龐大的訓(xùn)練數(shù)據(jù)，以及算法的日益復(fù)雜化，將導(dǎo)致更智能的人工智能能夠執(zhí)行越來越具有挑戰(zhàn)性的任務(wù)。同時(shí)，人工智能的實(shí)時(shí)性，可解釋性，魯棒性以及安全性也得到業(yè)界越來越多的重視，若這些問題可以得到很好的解決，未來人工智能技術(shù)將在智能工廠中得到越來越廣泛的應(yīng)用。
責(zé)任編輯：彭菁