制造業人(rén)工智能8大應(yīng)用場景！
發布(bu)時間：2025-12-13 15:47:13 浏覽次(cì)數：
摘要：
導讀(dú)随着智能制(zhi)造熱潮的到(dao)來，人工智能(néng)應用已經貫(guàn)穿于設計、生(shēng)産、管理和服(fu)務等制造業(yè)的各個環節(jiē)。人工智能的(de)概念第一次(cì)被提出，是在(zai)20世紀50年代，距(jù)今已六十餘(yú)年的時間。然(rán)而直到近幾(ji)年，人工智能(néng)才迎來爆發(fā)式的
随着智(zhi)能制造熱潮(cháo)的到來，人工(gōng)智能應用已(yi)經貫穿于設(shè)計、生産、管理(li)和服務等制(zhi)造業的各個(ge)環節。
人工智(zhì)能的概念第(di)一次被提出(chū)，是在20世紀50年(nian)代，距今已六(liù)💞十餘㊙️年的時(shi)間。然而直到(dao)近幾年，人工(gōng)智能🚶才迎來(lai)爆發式🏒的增(zeng)長，究其原因(yin)，主要在于日(rì)趨成熟的物(wù)聯網、大數據(jù)、雲計算💃🏻等❄️技(jì)術。
物聯網使(shi)得大量數據(jù)能夠被實時(shí)獲取，大數據(ju)爲深💰度學♋習(xi)提供了數據(ju)資源及算法(fa)支撐，雲計算(suàn)則爲人工智(zhi)能提供了靈(ling)活❤️的計算資(zi)源。這些技術(shu)的有機結合(hé)，驅動着人工(gōng)💰智能技術不(bú)斷發展，并取(qu)得了實質性(xing)的進展。AlphaGo與李(lǐ)世石的人機(jī)大戰，更是将(jiāng)人工智能推(tui)到了風口浪(làng)尖，引爆了新(xīn)一輪的🌐人工(gōng)智能熱潮。此(ci)後的近幾年(nian)，關于人工智(zhi)能的研究和(he)應用開始遍(biàn)地開花。随着(zhe)智能制造熱(re)潮的到來，人(ren)工智能應用(yong)已經貫穿于(yú)設計、生産、管(guan)理和服務等(deng)制造業的各(ge)個環節。人(ren)工智能技術(shù)的三個層次(ci)
人工智能技(ji)術和産品經(jīng)過過去幾年(nian)的實踐檢驗(yàn)✍️，目前應用較(jiao)爲成熟，推動(dong)着人工智能(neng)與各行各業(ye)的加速融合(hé)。從⭐技術層面(miàn)來看，業界廣(guang)泛認爲，人工(gong)智能的核心(xin)能🏃🏻力可以分(fen)爲三個層面(miàn)，分别是計算(suan)智能、感知智(zhì)能、認知智能(néng)。計(jì)算智能即機(jī)器具備超強(qiáng)的存儲能力(lì)和超快的計(ji)💋算能力，可👅以(yǐ)基于海量數(shù)據進行深度(dù)學習，利用曆(lì)史經驗指導(dao)當前環境。随(sui)着計算力的(de)不斷發展，儲(chǔ)存手段的不(bú)斷升級，計算(suàn)智能可以說(shuo)已經實現。例(li)如AlphaGo利用增強(qiáng)學習技術完(wán)勝世界圍棋(qí)冠軍；電商平(ping)☂️台基🍉于對用(yong)戶購買習慣(guan)的深度學習(xi)，進行個性化(huà)商品推薦等(deng)。感(gan)知智能是指(zhǐ)使機器具備(bei)視覺、聽覺、觸(chu)覺等感知能(néng)力，可♌以将非(fēi)結構化的數(shu)據結構化，并(bìng)用人類的溝(gōu)通方式與用(yòng)戶互動。随着(zhe)各類技術發(fā)展，更多非結(jie)構化數據的(de)價值被重視(shi)和挖掘，語🈲音(yin)、圖像、視頻、觸(chu)點等與感知(zhi)相關的感知(zhi)智能也在快(kuai)速發展。無人(ren)駕駛汽車、著(zhe)名的波士頓(dun)動力機器人(ren)等就運用了(le)感知智🔞能，它(ta)通過各種傳(chuán)感器，感知周(zhou)圍環境并進(jin)行處🚶理，從而(er)有效指導其(qi)運行。相較于計(jì)算智能和感(gǎn)知智能，認知(zhi)智能更爲複(fú)雜，是🈚指🥰機器(qi)像人一樣，有(yǒu)理解能力、歸(guī)納能力、推理(lǐ)能力，有運用(yong)知識的能力(li)。目前認知智(zhì)能技術還在(zài)研究探索階(jiē)段，如在公共(gòng)安全領😘域，對(duì)犯罪者的微(wēi)觀行爲和宏(hóng)觀行爲的特(te)征提取和模(mó)式🤟分析，開發(fa)犯罪預測、資(zi)金穿透、城市(shi)犯罪演化模(mó)拟🛀等人工智(zhi)能模型和系(xì)統；在金融行(hang)業，用于識别(bie)可疑交易、預(yu)測宏觀經濟(jì)波動等。要将(jiāng)認知智能推(tuī)入發展的快(kuài)車道，還有很(hěn)長一段路要(yào)走。從應(ying)用層面來看(kàn)，一項人工智(zhi)能技術的應(ying)用可能🔱會包(bao)含計算智能(neng)、感知智能等(deng)多個層次的(de)核心能力。工(gong)業機器人、智(zhì)能手機、無人(ren)駕駛汽車、無(wú)人機等智能(néng)産品，本身就(jiu)是人工智能(néng)的載體，其硬(ying)件與各類軟(ruan)件結合具備(bei)感知、判斷的(de)能力并實時(shi)與用戶、環境(jìng)互動，無不是(shi)綜合了多種(zhǒng)人♻️工智能的(de)核心能力。
例(li)如，在制造業(yè)中被廣泛應(yīng)用的各種智(zhì)能機器人：分(fèn)揀/揀選機器(qì)人，能夠自動(dòng)識别并抓取(qǔ)不規則的物(wu)體；協作機器(qì)人能夠理解(jie)并對周圍環(huán)境做出反㊙️應(yīng)；自動跟随物(wù)料小車能夠(gou)通👌過人臉識(shí)别實現自動(dong)跟随；借助SLAM（simultaneous
localization and
mapping，同(tóng)步定位與地(dì)圖☔構建）技術(shu)，自主移動😍機(ji)器人可以利(lì)用自身攜帶(dai)的傳感器✂️識(shí)别未知環境(jìng)中的特征标(biāo)☔志，然後根據(jù)機器人與特(te)征标志之間(jiān)的相對位置(zhi)和裏程計的(de)讀數估計機(jī)器人和特📱征(zhēng)标志的全局(ju)坐标。無人駕(jia)駛技術在定(dìng)位、環境感知(zhi)、路徑規劃、行(hang)爲決🏒策🔱與控(kong)🤟制方面，也綜(zong)合應用了多(duō)種人工智能(neng)技術與算法(fa)。目前制造企(qi)業中應用的(de)人工智能技(ji)術，主要圍繞(rao)在智能語音(yīn)交互産品、人(ren)臉識别、圖像(xiang)識别、圖像搜(sou)索、聲紋識别(bie)、文字識别、機(ji)器翻譯、機器(qi)學習、大數據(jù)計算、數據可(ke)視化等方面(miàn)。下文則總結(jie)制造業中常(cháng)用的八大人(rén)工智能應用(yong)場🛀景。制(zhi)造業上有許(xǔ)多需要分撿(jian)的作業，如果(guo)采用人工的(de)作業，速度🌈緩(huan)慢且成本高(gāo)，而且還需要(yào)提供适宜🔞的(de)工作溫度環(huan)境。如果采用(yong)工業機器人(ren)進行智能分(fèn)揀，可以大幅(fu)減⭐低❓成♉本，提(ti)高速度。
以分(fen)揀零件爲例(lì)。需要分撿的(de)零件通常并(bing)沒有被整齊(qi)🚶擺放，機器人(ren)雖然有攝像(xiàng)頭可以看到(dao)零件，但卻不(bú)知道🌈如何把(ba)零件成🔴功地(di)撿起來。在這(zhe)種情況❌下，利(lì)用機器學🧡習(xi)技術，先讓機(ji)器人随機進(jin)行一次分撿(jiǎn)動作，然後告(gào)訴它這次動(dòng)作是成功分(fen)撿到零件還(hai)是抓空🔴了，經(jīng)過多次訓練(liàn)之後，機器人(rén)就會知☁️道按(àn)照怎樣的順(shùn)序來分撿才(cai)有更高的成(chéng)功率；分撿時(shí)夾哪個位置(zhì)會有更高的(de)撿起成功率(lü)；知道按照怎(zen)樣的順序分(fèn)撿，成功率會(hui)更高。經過幾(jǐ)個小時的學(xué)習，機器人的(de)分👄撿成㊙️功率(lǜ)可以達到90%，和(he)熟練工人的(de)水平相當。基于(yu)對設備運行(hang)數據的實時(shi)監測，利用特(te)征分析和機(ji)器學習技術(shù)，一方面可以(yi)在事故發生(sheng)前進行設備(bèi)的故障預測(cè)，減少非計劃(hua)性停機。另一(yī)方面，面對設(she)備的突發故(gu)障，能夠迅速(sù)進行故🧡障診(zhěn)斷，定位故障(zhang)原因🤟并提供(gong)相應的解決(jue)🙇🏻方案。在制造(zao)行業應用較(jiào)爲常見，特别(bie)是化工、重型(xíng)設備、五金加(jia)工、3C制造、風電(dian)等行業。以數(shu)控機床爲例(li)，用機器學習(xi)算法模型和(he)智能傳感器(qi)等技術🐆手段(duàn)監測加工過(guò)程中的切削(xue)刀、主軸🏃♀️和進(jin)給電機的功(gong)率、電流、電壓(yā)等信息，辯識(shí)出刀具的受(shòu)力、磨損、破損(sun)狀态及機床(chuáng)加工的🔴穩定(dìng)性狀态，并根(gēn)據這些狀态(tài)實時調整加(jiā)工參數（主軸(zhóu)轉速、進給速(sù)度）和加工指(zhi)令，預判🏃何時(shí)需要換刀，以(yǐ)提高加🔞工精(jīng)度、縮短産🍓線(xian)停工時間并(bìng)提高設備運(yun)行的安全性(xing)。
圖1 基于深度(du)學習的刀具(jù)磨損狀态預(yù)測（來源：華中(zhōng)科技大學 李(li)斌教授）場景(jing)三：基于視覺(jiao)的表面缺陷(xian)檢測
例如，PVC管材是(shi)最常用的建(jian)築材料之一(yi)，消耗量巨大(da)，在生産包裝(zhuang)過程中容易(yi)存在表面劃(huà)傷、凹坑，水紋(wén)，麻面等諸多(duō)類📞型的☂️缺陷(xiàn)，消耗大量的(de)人力進行檢(jian)測。采用了表(biao)面缺陷視覺(jiao)自動檢測後(hou)，通過面積、尺(chǐ)寸最小值、最(zuì)大值設定，自(zì)動進行管✊材(cai)表✉️面雜質檢(jian)測，最小檢測(cè)精度爲0.15mm²，檢出(chu)📐率大于99%；通過(guo)劃㊙️傷長度、寬(kuan)度的最小值(zhí)、最大值設定(dìng)，自動進行管(guǎn)材表面劃傷(shang)檢測，最小檢(jian)測㊙️精度爲0.06mm，檢(jian)🌐出率大于99%；通(tōng)過褶皺長度(du)🔴、寬度的最小(xiǎo)值、最大值、片(pian)☁️段長度、色差(chà)阈值設定，自(zì)動進行管材(cái)表面褶皺檢(jiǎn)測，最小檢測(cè)精度爲10mm，檢出(chu)率大于95%。圖2 PVC管(guǎn)材表面褶皺(zhou)檢測（來源：維(wéi)視智造）場景(jing)四：基于聲紋(wen)的産品質量(liang)檢測與故障(zhang)判斷
利用聲(sheng)紋識别技術(shu)實現異音的(de)自動檢測，發(fā)現不良品，并(bing)比對聲紋數(shù)據庫進行故(gù)障判斷。例如(ru)，從2018年年末開(kāi)始🐉，佛吉亞（無(wu)錫）工廠就與(yǔ)集團大數據(jù)科學家團隊(dui)展開全面合(he)作，緻力于💔将(jiang)AI技術應用于(yu)座椅調角器(qi)的NVH性能評判(pan)（震動噪聲測(ce)試）。2019年，佛吉亞(ya)（無錫）工廠将(jiang)AI技術應用到(dào)調角器異音(yin)檢測中，實現(xian)從信号采集(ji)、數據存儲、數(shù)據分析到自(zì)我學習全過(guo)❄️程的自動化(huà)，檢測效率及(jí)準确性遠超(chāo)傳統人工檢(jian)測。随着基于(yu)AI（人工智能）技(ji)術的噪聲檢(jiǎn)測系統在無(wu)錫工廠投🐉入(rù)應😄用，人員數(shu)量已經從38人(rén)下降至3人，同(tóng)時🔞，質量控制(zhì)能力顯著提(ti)高，年經濟效(xiao)益高達450萬人(rén)民币。制(zhì)造企業在産(chǎn)品質量、運營(ying)管理、能耗管(guǎn)理和刀具管(guǎn)理🐪等🔴方面，可(ke)以應用機器(qi)學習等人工(gōng)智能技術，結(jie)合大數據分(fèn)析，優化調度(du)方式，提升企(qi)業決策能力(li)。例如，一汽解(jie)放無錫柴油(yóu)機廠的智能(néng)生産管理系(xì)統🔱，具👈有異常(chang)和生産調度(dù)數據采集、基(jī)于決策樹的(de)異常原因診(zhen)斷、基于👄回歸(guī)🌐分析的設備(bei)停機時間預(yu)測、基于機器(qi)學😘習的調度(du)決策優化等(děng)✍️功能。通過将(jiang)曆史調度決(jue)策過程數據(ju)和調度執行(háng)後的實際生(sheng)産性能指标(biao)作爲訓練數(shu)⛷️據集，采用神(shén)經網絡算法(fa)，對調度決策(ce)評價算法的(de)參數♉進行調(diào)優，保證調度(dù)決策符合生(sheng)産實☂️際需求(qiu)。數字孿(luan)生是客觀事(shi)物在虛拟世(shì)界的鏡像。創(chuàng)建數字孿生(sheng)的過程，集成(chéng)了人工智能(néng)、機器學習和(he)傳感器🔞數據(jù)，以建立一個(ge)可以實時更(gèng)新的、現場感(gan)極強的“真實(shí)”模型，用來支(zhī)撐物理産品(pin)生命周期各(ge)項活動的決(jue)策。在完🧑🏽🤝🧑🏻成對(duì)數字孿生對(duì)象的降階建(jian)模方面，可以(yi)把複♍雜性和(he)非線性模型(xíng)放到神經網(wang)絡中，借助深(shen)度學習建立(lì)一個有限的(de)目标，基于這(zhè)個有限的目(mu)标，進行降階(jiē)建模。例如，在(zài)傳統模式下(xià)，一個冷熱水(shuǐ)管的出水口(kǒu)流體及熱仿(pang)真，用16核的服(fu)務器每次運(yun)算需要57個小(xiǎo)時，進行降階(jiē)建模之後每(mei)次運算隻需(xū)要幾分鍾。創成式設計(jì)已經成爲一(yi)個新的交叉(cha)學科，與計算(suàn)機和人☎️工智(zhì)能技術進行(hang)深度結合，将(jiāng)先進的算法(fǎ)㊙️和技🚩術應用(yòng)到設計中來(lai)。得到廣泛應(ying)用的創成式(shi)算法包括：參(cān)數化系統、形(xíng)🔞狀語法（Shape Grammars(SG)）、L-系統(tong)🌈（L-systems）、元胞自動機(ji)（Cellular Automata(CA)）、拓撲優化算(suan)法、進化系統(tǒng)和遺傳算🏃法(fa)等。
圖3 輪輻的(de)創成式設計(jì)（來源：安世亞(yà)太）以人(rén)工智能技術(shù)爲基礎，建立(li)精準的需求(qiu)預測模型🐉，實(shí)現企🌐業👅的銷(xiao)量預測、維修(xiū)備料預測，做(zuo)出以需求導(dǎo)向的🔞決策。同(tong)時，通過對外(wai)部數據的分(fèn)析，基于需求(qiú)預測，制定庫(ku)存補貨策略(lue)，以及供應商(shang)評估、零部件(jian)選型等。
例如(rú)，爲了務實控(kong)制生産管理(lǐ)成本，美國本(ben)田公司希望(wang)能夠🐪掌握客(kè)戶未來的需(xū)求會在何時(shí)發生，因此将(jiang)1200個經銷商的(de)客戶銷售與(yǔ)維修資料建(jian)立預測模型(xíng)，推算未來幾(ji)年内車輛回(huí)到經銷商維(wéi)修的數量，這(zhe)些資訊進一(yi)步轉爲各項(xiàng)零件預先🚶♀️準(zhǔn)備的指标。該(gai)轉變讓美國(guó)本田已做到(dao)預測準确度(dù)高達99%，并降低(di)3倍的客訴💋時(shi)間。目(mù)前，随着越來(lai)越多的企業(yè)、高校、開源組(zǔ)織進入人工(gōng)智能領域，大(da)批成功的人(rén)工智能開源(yuán)軟件和平台(tái)不斷湧🌈入，人(ren)工智能迎來(lai)前所未有的(de)爆發期。但與(yu)金融⛹🏻♀️等行業(yè)⚽相比，雖然人(ren)工智能在制(zhì)造業的應用(yong)場景不少，卻(que)并不突出，甚(shèn)至可以說發(fa)展較慢。究其(qí)原因，主要源(yuán)于以下三大(dà)方面：
一是，由(you)于制造環節(jie)數據的采集(jí)、利用、開發都(dou)有較大難度(du)，加之企業的(de)數據庫也以(yǐ)私有爲主、數(shù)據規🔆模有🏃♂️限(xian)，缺乏優質的(de)機器學習樣(yang)本，制約了機(ji)器的自主學(xué)習過程。
二是(shi)，不同的制造(zào)行業之間存(cun)在差異，對于(yú)人工智能解(jie)決方案的複(fu)雜性和定制(zhi)化要求高。
解(jiě)決以上三大(dà)問題，人工智(zhì)能技術才能(néng)更好地應用(yòng)于制造業。
當前位(wèi)置：首頁 - 新聞中(zhōng)心
浙公網安備(bei) 33021102000870号 
