2024工業(yè)智能化白皮書

工業(yè)智能化白皮書編寫說明 WRITEINSTRUCTIONS人工智能自誕生以來，經(jīng)歷了從早期的專家系統(tǒng)、機(jī)器學(xué)習(xí)，到當(dāng)前持續(xù)火熱的深度學(xué)習(xí)等多次技術(shù)變革與規(guī)?；瘧?yīng)用的浪潮。隨著硬件計算能力、軟件算法、解決方案的快速進(jìn)步與不斷成熟，工業(yè)生產(chǎn)逐漸成為了人工智能的重點(diǎn)探索方向，工業(yè)智能應(yīng)運(yùn)而生。當(dāng)前，新一輪科技革命和產(chǎn)業(yè)變革蓬勃興起，工業(yè)經(jīng)濟(jì)數(shù)字化、網(wǎng)絡(luò)化、智能化發(fā)展成為第四次工業(yè)革命的核心內(nèi)容。作為助力本輪科技革命和產(chǎn)業(yè)變革的戰(zhàn)略性技術(shù)，以深度學(xué)習(xí)、知識圖譜等為代表的新一輪人工智能技術(shù)呈現(xiàn)出爆發(fā)趨勢，工業(yè)智能迎來了發(fā)展的新階段。通過海量數(shù)據(jù)的全面實(shí)時感知、

端到端深度集成和智能化建模分析，工業(yè)智能將企業(yè)的分析決策水平提升到了全新高度。然而，工業(yè)智能仍處于發(fā)展探索時期，各方對工業(yè)智能的概念、類型、應(yīng)用場景、技術(shù)特點(diǎn)及產(chǎn)業(yè)發(fā)展等尚未形成共識。在此形勢下，我們和工業(yè)互聯(lián)網(wǎng)產(chǎn)業(yè)聯(lián)盟共同組織編寫了《工業(yè)智能白皮書》，本白皮書深入解讀了工業(yè)智能的背景內(nèi)涵，分析了工業(yè)智能主要類型，并從應(yīng)用、技術(shù)和產(chǎn)業(yè)等方面研究和分析工業(yè)智能的發(fā)展脈絡(luò)和最新狀況，并在一定程度上對未來發(fā)展變革方向有所預(yù)見。希望能與業(yè)內(nèi)同仁等共享成果，共謀工業(yè)智能新發(fā)展。目錄TABLEOFCONTENTS目錄TABLEOFCONTENTS（一）（二）工業(yè)智能的內(nèi)涵02一）工業(yè)智能發(fā)展背景02（二）工業(yè)智能的發(fā)展歷程03三）工業(yè)智能的定義及內(nèi)涵04（三）工業(yè)智能的典型應(yīng)用06一專家系統(tǒng)沉淀已有知識經(jīng)驗，解決低07不確定性低計算復(fù)雜度問題（二傳統(tǒng)機(jī)器學(xué)習(xí)方法基于數(shù)據(jù)跨越機(jī)理 障礙，解決高不確定性、低計算復(fù)雜度問題，占據(jù)當(dāng)前應(yīng)用“大半江山”（三深度學(xué)習(xí)和知識圖譜是當(dāng)前兩大熱點(diǎn) 方向，依靠大樣本進(jìn)行復(fù)雜關(guān)系的分析或推理（四方法組合提升可解問題的性能與邊界 五工業(yè)智能應(yīng)用面臨四大問題 （四）

業(yè)-少品種大批量離散行業(yè)-汽車行業(yè) 應(yīng)用分析多品種小批量離散行業(yè)-航空行業(yè) 應(yīng)用分析（五）

四類應(yīng)用問題的關(guān)鍵（六）

成”業(yè)格局心路徑（七）

突破0101工業(yè)智能是工業(yè)互聯(lián)網(wǎng)充分釋放賦能價值的關(guān)鍵要素工業(yè)互聯(lián)網(wǎng)的核心是數(shù)據(jù)驅(qū)動的智能分析與決策優(yōu)化。工業(yè)互聯(lián)網(wǎng)從發(fā)展之初，就將數(shù)據(jù)作為核心要素，將數(shù)據(jù)驅(qū)動的優(yōu)化閉環(huán)作為實(shí)現(xiàn)工業(yè)互聯(lián)網(wǎng)賦能價值的關(guān)鍵。在工業(yè)互聯(lián)網(wǎng)體系架構(gòu)1.0中，明確提出工業(yè)互聯(lián)網(wǎng)核心是基于全面互聯(lián)而形成數(shù)據(jù)驅(qū)動的智能，即通過數(shù)據(jù)采集交換、集成處理、建模分析、優(yōu)化決策與反饋控制等實(shí)現(xiàn)機(jī)器設(shè)備、運(yùn)營管理到商業(yè)活動的智能與優(yōu)化。工業(yè)互聯(lián)網(wǎng)架構(gòu)2.0則進(jìn)一步強(qiáng)調(diào)數(shù)據(jù)閉環(huán)的作用，明確了工業(yè)互聯(lián)網(wǎng)基于感知控制、數(shù)字模型、決策優(yōu)化三個基本層次，以及由自下而上的信息流和自上而下的決策流構(gòu)成的工業(yè)數(shù)字化應(yīng)用優(yōu)化閉環(huán)實(shí)現(xiàn)核心功能。工業(yè)智能是實(shí)現(xiàn)工業(yè)互聯(lián)網(wǎng)數(shù)據(jù)優(yōu)化閉環(huán)的關(guān)鍵。在全面感知、泛在連接、深度集成和高效處理的基礎(chǔ)上，工業(yè)智能基于計算與算法，將以人為主的決策和反饋轉(zhuǎn)變?yōu)榛跈C(jī)器或系統(tǒng)自主建模、決策、反饋的模式，為工業(yè)互聯(lián)網(wǎng)實(shí)現(xiàn)精準(zhǔn)決策和動態(tài)優(yōu)化提供更大的可能性。工業(yè)智能實(shí)現(xiàn)了從數(shù)據(jù)到信息、知識、決策的轉(zhuǎn)化，挖掘數(shù)據(jù)潛藏的意義，擺脫傳統(tǒng)認(rèn)知和知識邊界的限制，為決策支持和協(xié)同優(yōu)化提供可量化依據(jù)，最大化發(fā)揮利用工業(yè)數(shù)據(jù)隱含價值，成為工業(yè)互聯(lián)網(wǎng)發(fā)揮使能作用的重要支撐。工業(yè)智能的創(chuàng)新突破不斷拓寬工業(yè)互聯(lián)網(wǎng)的賦能價值。工業(yè)智能技術(shù)正迎來多方面創(chuàng)新與突破，為支撐工互聯(lián)網(wǎng)的數(shù)據(jù)優(yōu)化閉環(huán)，進(jìn)一步拓展和豐富工業(yè)互聯(lián)網(wǎng)的能力邊界與作用發(fā)揮關(guān)鍵作用。一是以深度學(xué)習(xí)、知識圖譜為代表的工業(yè)智能技術(shù)及相應(yīng)的新理論新方法百花齊放并相互融合，從根本上提高系統(tǒng)建模和處理復(fù)雜性、不確定性、常識性等問題的能力。二是自動化機(jī)器學(xué)習(xí)，聚焦特定功能、采用特殊架構(gòu)的芯片等工程技術(shù)不斷突破。三是工業(yè)智能技術(shù)與領(lǐng)域知識融合不斷加深，更加貼近行業(yè)實(shí)際需求。工業(yè)智能通過技術(shù)的持續(xù)創(chuàng)新與動態(tài)迭代，使工業(yè)互聯(lián)網(wǎng)具備了復(fù)雜計算和推理能力，降低了工業(yè)互聯(lián)網(wǎng)應(yīng)用的開發(fā)門檻與成本，增強(qiáng)了行業(yè)應(yīng)用賦能的價值與潛力，成為釋放并拓寬工業(yè)互聯(lián)網(wǎng)賦能價值的關(guān)鍵。圖1：工業(yè)互聯(lián)網(wǎng)的數(shù)據(jù)功能原理 圖片來源《工業(yè)互聯(lián)網(wǎng)體系架構(gòu)2.0報告》工業(yè)智能的內(nèi)涵工業(yè)智能的內(nèi)涵0202（一）工業(yè)智能發(fā)展背景 提升工業(yè)智能化水平成為全球共識與趨勢當(dāng)前，以智能化為核心的新一輪科技產(chǎn)業(yè)變革興起，人工智能技術(shù)與社會各領(lǐng)域不斷融合已經(jīng)是大勢所趨，正逐步改變現(xiàn)有產(chǎn)業(yè)形態(tài)、商業(yè)模式和生活方式，并成為助推工業(yè)智能化轉(zhuǎn)Markets，2025172(2018-202549.5%。AutomationTechnology2035年，人工智能對制造業(yè)增值占比可達(dá)2.2%，排名社會16個主要行業(yè)之首。根據(jù)麥肯錫報告，人工智能可以使德國工業(yè)部門的生產(chǎn)率每年提高0.8%至1.4%。埃森哲則比較了人工智能對我國各個行業(yè)部門增加值增速的影響，預(yù)計到2035年，制造業(yè)因人工智能的應(yīng)用其增加值增速可以提高2.0%左右，是所有產(chǎn)業(yè)部門中提高幅度最大的。世界主要發(fā)達(dá)國家政府及組織高度重視，積極出臺相關(guān)戰(zhàn)略政策，提升工業(yè)智能化水平成為全球共識與趨勢。經(jīng)統(tǒng)計，截止到2019年底，在全球20多個經(jīng)濟(jì)體近三年發(fā)布的100份人工智能方面的戰(zhàn)略規(guī)劃或政策文件中，涉及與工業(yè)結(jié)合的超過一半以上。美、日、德、歐盟分別發(fā)布《國家人工智能研究和發(fā)展戰(zhàn)略規(guī)劃》《新機(jī)器人戰(zhàn)略》《國家工業(yè)戰(zhàn)略2030》《歐盟人工智能》等一系列政策戰(zhàn)略，重點(diǎn)提及產(chǎn)品全生命周期優(yōu)化、先進(jìn)機(jī)器人、自動駕駛、大數(shù)據(jù)挖掘等在工業(yè)領(lǐng)域應(yīng)用。工業(yè)是我國國民經(jīng)濟(jì)的主導(dǎo)，我國積極搶抓以人工智能為驅(qū)動的新一輪科技產(chǎn)業(yè)變革的機(jī)遇，工業(yè)智能成為了國家及業(yè)界高度重視的領(lǐng)域方向。我國政府雙側(cè)發(fā)力，推動人工智能與制造業(yè)的融合發(fā)展。一方面，將人工智能技術(shù)作為制造業(yè)創(chuàng)新發(fā)展的重要驅(qū)動力，在制造業(yè)相關(guān)政策文件中提及人工智能技術(shù)應(yīng)用的有20余篇。另一方面，將工業(yè)制造領(lǐng)域作為人工智能落地應(yīng)用的重點(diǎn)行業(yè)，在《互聯(lián)網(wǎng)+人工智能三年行動實(shí)施方案》《新一代人工智能發(fā)展規(guī)劃》《促進(jìn)新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃》等10余份文件中均提出將制造業(yè)作為開展人工智能應(yīng)用試點(diǎn)示范的重要領(lǐng)域之一。同時，各省市地區(qū)積極響應(yīng)，形成了“國-省-市-區(qū)”多級協(xié)同的政策體系。各地關(guān)于工業(yè)智能發(fā)展的政策文件超過30篇，上海、四川、青島、中關(guān)村等多個省市及區(qū)域已經(jīng)出臺或正在布局人工智能與工業(yè)融合創(chuàng)新的政策方案，為工業(yè)智能的發(fā)展奠定了完善有力的政策保障。工業(yè)智能的內(nèi)涵工業(yè)智能的內(nèi)涵0303人工智能技術(shù)加速滲透，構(gòu)建制造業(yè)智能化基礎(chǔ)制造業(yè)智能化升級需求是工業(yè)智能發(fā)展的根本驅(qū)動。制造業(yè)升級的最終目的，是從數(shù)字化、網(wǎng)絡(luò)化轉(zhuǎn)而最終實(shí)現(xiàn)智能化。當(dāng)前制造業(yè)正處在由數(shù)字化、網(wǎng)絡(luò)向智能發(fā)展的重要階段，核心是要實(shí)現(xiàn)基于海量工業(yè)數(shù)據(jù)的全面感知，和通過端到端的數(shù)據(jù)深度集成與建模分析，實(shí)現(xiàn)智能化決策與控制指令。工業(yè)智能通過1.固化熟練工人和專家的經(jīng)驗，模擬判斷決策過程，解決過去工業(yè)領(lǐng)域中需要人工處理的點(diǎn)狀問題；2.基于知識匯聚實(shí)現(xiàn)大規(guī)模推理，實(shí)現(xiàn)更廣流程更可靠的管理與決策；3.通過構(gòu)建算法模型，強(qiáng)化制造企業(yè)的數(shù)據(jù)洞察能力，解決工業(yè)中機(jī)理或經(jīng)驗復(fù)雜不明的問題。成為企業(yè)轉(zhuǎn)型升級的有效手段，也是打通智能制造最后一公里的關(guān)鍵環(huán)節(jié)。人工智能技術(shù)體系逐步完善，推動工業(yè)智能快速發(fā)展。一方面是技術(shù)實(shí)現(xiàn)縱向升級，為工業(yè)智能的落地應(yīng)用奠定基礎(chǔ)。算法、算力和數(shù)據(jù)的爆發(fā)推動人工智能技術(shù)不斷深化，使采用多種路徑解決復(fù)雜工業(yè)問題成為可能。傳感技術(shù)的發(fā)展、傳感器產(chǎn)品的規(guī)?；瘧?yīng)用及采集過程自動化水平的不斷提升，推動海量工業(yè)數(shù)據(jù)快速積累。工業(yè)網(wǎng)絡(luò)技術(shù)發(fā)展保證了數(shù)據(jù)傳輸?shù)母咝?、?shí)時性與高可靠性。云服務(wù)為數(shù)據(jù)管理和計算能力外包提供途徑。另一方面是技術(shù)實(shí)現(xiàn)橫向融合。人工智能具有顯著的溢出效應(yīng)，泛在化人工智能產(chǎn)業(yè)體系正在快速成型，工業(yè)是其涵蓋的重點(diǎn)領(lǐng)域之一。（二）工業(yè)智能的發(fā)展歷程 總體來看，工業(yè)智能的發(fā)展與人工智能技術(shù)的演進(jìn)密切相關(guān)，從人工智能概念誕生至今，工業(yè)智能歷經(jīng)了三個發(fā)展階段。自上世紀(jì)八十年代開始，規(guī)則型專家系統(tǒng)逐漸成熟，通過歸納已有知識形成規(guī)則解決問題，并成功應(yīng)用于工業(yè)企業(yè)管控系統(tǒng)中，如美國車間調(diào)度專家系統(tǒng)ISIS，日本新日鐵FAIN專家系統(tǒng)等，實(shí)質(zhì)上就是領(lǐng)域?qū)＜抑R的固化和程序化執(zhí)行。工業(yè)智能的內(nèi)涵工業(yè)智能的內(nèi)涵040490年代至二十一世紀(jì)初可概括為基于統(tǒng)計的傳統(tǒng)機(jī)器學(xué)習(xí)時代。該時期統(tǒng)計學(xué)派、機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)等概念（即“聯(lián)結(jié)主義”）盛行，人工智能基于傳統(tǒng)機(jī)器學(xué)習(xí)/模式識別系統(tǒng)等統(tǒng)計學(xué)方法能夠解決機(jī)理相對模糊的問題，包括以模糊控制、神經(jīng)網(wǎng)絡(luò)控制和專家系統(tǒng)控制為代表的智能控制理論在工業(yè)過程控制和機(jī)器人領(lǐng)域的應(yīng)用；將圖像處理方法應(yīng)用于產(chǎn)品視覺質(zhì)量檢測，使用機(jī)器學(xué)習(xí)進(jìn)行工業(yè)數(shù)據(jù)的建模分析，形成工業(yè)數(shù)據(jù)模型并指導(dǎo)優(yōu)化制造過程。然而以神經(jīng)網(wǎng)絡(luò)為主的機(jī)器學(xué)習(xí)方法大多是黑箱方法，其可靠性和可解釋性問題限制了此類實(shí)際應(yīng)用的深入推進(jìn)。本世紀(jì)初至今可以概括為基于復(fù)雜計算的深度學(xué)習(xí)時代。深度學(xué)習(xí)、知識圖譜等更加復(fù)雜多元的技術(shù)出現(xiàn)，新型的算法對于復(fù)雜問題的可解度有了顯著提升，人工智能技術(shù)逐漸發(fā)展到可以解決實(shí)際問題并完全超越人類的程度。這一時期的典型代表有：基于數(shù)據(jù)驅(qū)動的優(yōu)化與決策、深度視覺質(zhì)量檢測；工業(yè)知識圖譜解決全局性、行業(yè)性問題；人機(jī)協(xié)作等智能工業(yè)機(jī)器人蓬勃發(fā)展并廣泛應(yīng)用。（三）工業(yè)智能的定義及內(nèi)涵 工業(yè)智能的定義工業(yè)智能（亦稱工業(yè)人工智能）是人工智能技術(shù)與工業(yè)融合發(fā)展形成的，貫穿于設(shè)計、生產(chǎn)、管理、服務(wù)等工業(yè)領(lǐng)域各環(huán)節(jié)，實(shí)現(xiàn)模仿或超越人類感知、分析、決策等能力的技術(shù)、方法、產(chǎn)品及應(yīng)用系統(tǒng)?？梢哉J(rèn)為，工業(yè)智能的本質(zhì)是通用人工智能技術(shù)與工業(yè)場景、機(jī)理、知識結(jié)合，實(shí)現(xiàn)設(shè)計模式創(chuàng)新、生產(chǎn)智能決策、資源優(yōu)化配置等創(chuàng)新應(yīng)用。需要具備自感知、自學(xué)習(xí)、自執(zhí)行、自決策、自適應(yīng)的能力，以適應(yīng)變幻不定的工業(yè)環(huán)境，并完成多樣化的工業(yè)任務(wù)，最終達(dá)到提升企業(yè)洞察力，提高生產(chǎn)效率或設(shè)備產(chǎn)品性能等目的。工業(yè)智能的內(nèi)涵工業(yè)智能的內(nèi)涵0505工業(yè)智能的問題分類圖2：工業(yè)智能的基本框架 圖3：工業(yè)智能的主要類型為了更好的分析工業(yè)智能的技術(shù)與應(yīng)用體系，我們提出了工業(yè)智能的基本框架：構(gòu)建一個四象限橫縱坐標(biāo)軸，其中橫軸是機(jī)理/經(jīng)驗不確定度，與人們對問題機(jī)理的認(rèn)識或自身經(jīng)驗的掌握程度直接相關(guān)；縱軸為計算的復(fù)雜度，是計算機(jī)算法的時間復(fù)雜度，與工業(yè)機(jī)理的復(fù)雜性和算法的實(shí)現(xiàn)效率直接相關(guān)。據(jù)此可將工業(yè)領(lǐng)域的問題分為低不確定性低計算復(fù)雜度問題、高不確定性低計算復(fù)雜度問題、低不確定性高計算復(fù)雜度問題和高不確定性高計算復(fù)雜度問題四類。除上述工業(yè)智能四大技術(shù)方向外，工業(yè)領(lǐng)域還存在許多解決問題的其它方法：對于可用清晰的數(shù)學(xué)模型描述的問題，通常采用最優(yōu)化方法進(jìn)行近似甚至精確求解。對于工藝或過程機(jī)理相對模糊、計算復(fù)雜度相對較高的問題，通常利用數(shù)學(xué)近似的方法對真實(shí)物理系統(tǒng)（幾何和載荷工況）進(jìn)行模擬，即有限元分析，實(shí)質(zhì)是對工業(yè)問題拆分為若干簡單問題的近似求解。對于復(fù)雜度極高或是機(jī)理極為不清晰的問題，目前仍然主要通過實(shí)驗方法來解決，比如原材料的配比。由于以上方法沒有體現(xiàn)工業(yè)智能所定義的自適應(yīng)自學(xué)習(xí)等智能化特征，故不作過多討論。工業(yè)智能經(jīng)歷了基于規(guī)則、基于統(tǒng)計和基于復(fù)雜計算的三大階段。一方面，三大階段并不是相互替代的關(guān)系，專家系統(tǒng)、傳統(tǒng)機(jī)器學(xué)習(xí)、知識圖譜、前沿機(jī)器學(xué)習(xí)四類技術(shù)同時共存，并不斷交織融合互補(bǔ)長短。另一方面，技術(shù)演進(jìn)脈絡(luò)日益清晰，逐步形成了以知識圖譜為代表的知識工程和以深度學(xué)習(xí)為代表的數(shù)據(jù)科學(xué)兩大方向。工業(yè)智能的典型應(yīng)用工業(yè)智能的典型應(yīng)用0606工業(yè)智能在工業(yè)系統(tǒng)各層級各環(huán)節(jié)已形成了相對廣泛的應(yīng)用，其細(xì)分應(yīng)用場景可達(dá)到數(shù)十種。參考美國國家標(biāo)準(zhǔn)與技術(shù)研究院（NIST）對智能制造的劃分標(biāo)準(zhǔn)，在所建框架內(nèi)將工業(yè)智能的應(yīng)用場景按產(chǎn)品、生產(chǎn)、商業(yè)三個維度進(jìn)行了劃分。工業(yè)智能主要通過四大技術(shù)解決上述問題。一是諸如庫存管理、生產(chǎn)成本管理等問題，由于其流程或機(jī)理清晰明確且計算復(fù)雜度較低，因此可以將此類任務(wù)的執(zhí)行過程固化并通過專家系統(tǒng)解決。二是設(shè)備運(yùn)行優(yōu)化、制造工藝優(yōu)化，質(zhì)量檢測等問題，往往機(jī)理相對復(fù)雜，但并不需要大量的數(shù)據(jù)和復(fù)雜的計算，因此通常是機(jī)器學(xué)習(xí)作用的領(lǐng)域。三是需求分析、風(fēng)險預(yù)測等環(huán)節(jié)需要依靠大量數(shù)據(jù)的推理作為決策支持，因此其計算復(fù)雜度相較于前兩種體系更高，但是其問題原理或是不同對象間的關(guān)系相對清晰，因此可利用知識圖譜技術(shù)來解決問題；四是前沿機(jī)器學(xué)習(xí)作為近年來人工智能發(fā)展的核心技術(shù)體系，其主要目的就是解決問題機(jī)理不明、無法使用經(jīng)驗判斷理解、計算極為復(fù)雜的問題，如無人操作、不規(guī)則物體分類、故障預(yù)測等。而對于產(chǎn)品智能研發(fā)、無人操作設(shè)備等更為復(fù)雜的問題，通常需要多種方法組合進(jìn)行求解。圖4：工業(yè)智能應(yīng)用總體視圖工業(yè)智能的典型應(yīng)用工業(yè)智能的典型應(yīng)用0707（一）專家系統(tǒng)沉淀已有知識經(jīng)驗解決低不確定性低計算復(fù)雜度問題 專家系統(tǒng)是一種模擬人類專家解決領(lǐng)域問題的計算機(jī)程序系統(tǒng)，具有大量的專門知識與經(jīng)驗的程序系統(tǒng)，它應(yīng)用人工智能技術(shù)和計算機(jī)技術(shù)，根據(jù)某領(lǐng)域一個或多個專家提供的知識和經(jīng)驗，進(jìn)行推理和判斷，主要用來解決特定場景/領(lǐng)域內(nèi)機(jī)理清晰、專家經(jīng)驗豐富、計算相對簡單的工業(yè)問題。目前已實(shí)現(xiàn)較為成熟的工業(yè)應(yīng)用，尤其在鋼鐵行業(yè)中應(yīng)用最為普遍，主要應(yīng)用在車間調(diào)度管理、故障診斷、生產(chǎn)過程控制與參數(shù)優(yōu)化等環(huán)節(jié)。調(diào)度與生產(chǎn)管理場景中，美國卡內(nèi)基梅隆大學(xué)曾研發(fā)專門用于車間調(diào)度的ISIS專家系統(tǒng)，該系統(tǒng)采用約束指導(dǎo)的搜索方法產(chǎn)生調(diào)度指令，動態(tài)情況則由重調(diào)度組件進(jìn)行處理，當(dāng)沖突發(fā)生時，它通過有選擇地放松某些約束來重新調(diào)度那些受影響的定單；美國設(shè)備公司digital研制的IMACS專家系統(tǒng)可用于制造環(huán)境的容量計劃、清單管理及其他與制造過程有關(guān)的管理工作。故障診斷與參數(shù)優(yōu)化場景中，美國Corus公司采用專家系統(tǒng)診斷結(jié)晶器液面自動控制系統(tǒng)是否出現(xiàn)故障；瑞典鋼鐵公司研發(fā)專家系統(tǒng)，用于給出高爐參數(shù)調(diào)整操作的專家建議。異常預(yù)測與過程控制場景中，芬蘭Rautaruukki鋼鐵公司的GO/STOP專家系統(tǒng)具有600多條規(guī)則，對爐熱和異常爐況等實(shí)行全面監(jiān)控；澳大利亞BHP（必和必拓）公司則基于熱平衡模型和專家知識研發(fā)了用于爐熱平衡控制的高爐工長指導(dǎo)系統(tǒng)。經(jīng)過多年積累與研究，專家系統(tǒng)已經(jīng)獲得了迭代升級，具備了并行與分布處理、多專家系統(tǒng)協(xié)同工作的能力；此外，得益于人工智能的發(fā)展，專家系統(tǒng)具有了自學(xué)習(xí)功能，部分系統(tǒng)還引入了新的推理機(jī)制，具備了自糾錯和自完善能力；更有一些應(yīng)用前沿技術(shù)的專家系統(tǒng)，擁有先進(jìn)的智能人機(jī)接口，能夠更好地協(xié)助操作人員完成工作。（二）（二）算復(fù)雜度問題，占據(jù)當(dāng)前應(yīng)用“大半江山”機(jī)器學(xué)習(xí)是人工智能的核心技術(shù)之一，專門研究計算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為。傳統(tǒng)機(jī)器學(xué)習(xí)方法以統(tǒng)計學(xué)為基礎(chǔ)，從一些觀測（訓(xùn)練）樣本出發(fā)，發(fā)現(xiàn)不能通過原理分析獲得的規(guī)律，實(shí)現(xiàn)對未來數(shù)據(jù)行為或趨勢的準(zhǔn)確預(yù)測。廣泛應(yīng)用在工業(yè)現(xiàn)場層，產(chǎn)品生產(chǎn)、管理與服務(wù)環(huán)節(jié)，是當(dāng)前工業(yè)智能應(yīng)用最為廣泛的技術(shù)類型，主要涵蓋產(chǎn)品質(zhì)量檢測、設(shè)備精準(zhǔn)控制與預(yù)測性維護(hù)、生產(chǎn)工藝優(yōu)化等場景。工業(yè)智能的典型應(yīng)用工業(yè)智能的典型應(yīng)用0808設(shè)備自執(zhí)行場景中，通過機(jī)器學(xué)習(xí)方法對人類行為及語音的復(fù)雜分析，能夠增強(qiáng)協(xié)作機(jī)器人的學(xué)習(xí)、感知能力，提升生產(chǎn)效率。西班牙P4Q公司應(yīng)用Sawyer機(jī)器人組裝電路板，傳統(tǒng)的籠式機(jī)器人存在著成本高昂和員工安全問題等因素，而應(yīng)用了機(jī)器學(xué)習(xí)的機(jī)器人采用的自動化解決方案能夠確保一致性和可預(yù)測性，并實(shí)現(xiàn)生產(chǎn)量提高25%。設(shè)備/系統(tǒng)預(yù)測性維護(hù)場景中，機(jī)器學(xué)習(xí)方法擬合設(shè)備運(yùn)行復(fù)雜非線性關(guān)系，能夠提升預(yù)測準(zhǔn)確率，減少成本與故障率，是工業(yè)智能應(yīng)用最為廣泛的場景之一。德國KONUX結(jié)合智能傳感器及機(jī)器學(xué)習(xí)算法，能利用除傳感器以外的數(shù)據(jù)源如傳感數(shù)據(jù)、天氣數(shù)據(jù)和維護(hù)日志等構(gòu)建設(shè)備運(yùn)行模型，使機(jī)器維護(hù)成本平均降低30%，實(shí)際故障率降低70%。還能不斷自我學(xué)習(xí)進(jìn)化，并為優(yōu)化維護(hù)計劃和延長資產(chǎn)生命周期提供建議。帕紹大學(xué)使用機(jī)器學(xué)習(xí)技術(shù)來準(zhǔn)確預(yù)測機(jī)床的磨損狀態(tài)，通過傳感器和功耗數(shù)據(jù)預(yù)測錘子何時停止正常工作以確定更換關(guān)鍵組件的最佳時間，避免原始零件加工中的意外停機(jī)。能源供應(yīng)商HansewerkAG基于機(jī)器學(xué)習(xí)，利用來自電纜的硬件信息、實(shí)時性能測量（負(fù)載行為等）、天氣數(shù)據(jù)檢測以及預(yù)測電網(wǎng)中斷和停電，主動識別電網(wǎng)缺陷的可能性增加了兩到三倍。紐約創(chuàng)業(yè)公司Datadog推出基于AI的控制和管理平臺，其機(jī)器學(xué)習(xí)模塊能提前幾天、幾周甚至幾個月預(yù)測網(wǎng)絡(luò)系統(tǒng)問題和漏洞。圖5：KONUX設(shè)備預(yù)測性維護(hù)系統(tǒng)工業(yè)智能的典型應(yīng)用工業(yè)智能的典型應(yīng)用0909（三）深度學(xué)習(xí)和知識圖譜是當(dāng)前兩大熱點(diǎn)方向，依靠大樣本進(jìn)行復(fù)雜（三）深度學(xué)習(xí)和知識圖譜是當(dāng)前兩大熱點(diǎn)方向，依靠大樣本進(jìn)行復(fù)雜關(guān)系的分析或推理深度學(xué)習(xí)是一種以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)，建立深層結(jié)構(gòu)模型對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的算法。通過對以圖像、視頻類為主的數(shù)據(jù)的深度分析挖掘，解決工業(yè)領(lǐng)域的“疑難雜癥”，逐步成為當(dāng)前應(yīng)用探索熱點(diǎn)，目前在工業(yè)領(lǐng)域廣泛應(yīng)用在復(fù)雜產(chǎn)品質(zhì)量檢測、設(shè)備復(fù)雜控制、生產(chǎn)安全等環(huán)節(jié)。復(fù)雜質(zhì)量（缺陷）檢測場景中，利用基于深度學(xué)習(xí)的解決方案代替人工特征提取，能夠在環(huán)境頻繁變化條件下檢測出更微小、更復(fù)雜的產(chǎn)品缺陷，提升檢測效率，成為解決此問題主要方法。美國機(jī)器視覺公司康耐視（COGNEX）開發(fā)了基于深度學(xué)習(xí)進(jìn)行工業(yè)圖像分析的軟件，利用較小的樣本圖像集合就能夠在數(shù)分鐘內(nèi)完成深度學(xué)習(xí)模型訓(xùn)練，能以毫秒為單位識別缺陷，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、定位等問題，檢測效率提升30%以上。富士康、奧迪等制造企業(yè)利用深度學(xué)習(xí)，實(shí)現(xiàn)電路板復(fù)雜缺陷檢測、汽車鈑金零件微小裂縫檢測、手機(jī)蓋板玻璃檢測、酒精質(zhì)量檢測等高質(zhì)量檢測。圖6:康耐視基于深度學(xué)習(xí)質(zhì)量檢測軟件工業(yè)智能的典型應(yīng)用工業(yè)智能的典型應(yīng)用PAGE10PAGE10此外，基于深度學(xué)習(xí)的技術(shù)協(xié)作有望解決更復(fù)雜問題。美國工業(yè)智能企業(yè)將深度學(xué)習(xí)與3D顯微鏡結(jié)合，將缺陷檢測降低到納米級；荷蘭初創(chuàng)公司Scyfer使用深度學(xué)習(xí)與半監(jiān)督學(xué)習(xí)結(jié)合的方法對鋼表面進(jìn)行檢測，實(shí)現(xiàn)對罕見未知缺陷的檢測。不規(guī)則物體分揀場景中，通過深度學(xué)習(xí)構(gòu)建復(fù)雜對象的特征模型，實(shí)現(xiàn)自主學(xué)習(xí)，能夠大幅提高分揀效率。慕尼黑公司Robominds開發(fā)了Robobrain-Vision系統(tǒng)，基于深度學(xué)習(xí)與3D視覺相機(jī)幫助機(jī)器人自動識別各種材料、形狀甚至重疊的物體，并確定最佳抓取點(diǎn)，無需任何編程。同時具有直觀的用戶界面，用戶可通過大型操作面板或直接在Web瀏覽器中輕松完成配置。愛普生、埃爾森、梅卡曼德等紛紛推出基于3D視覺與深度學(xué)習(xí)的復(fù)雜堆疊物體、不規(guī)則物品的識別和分揀機(jī)器人。發(fā)那科利用深度強(qiáng)化學(xué)習(xí)使機(jī)器人具備自主及協(xié)同學(xué)習(xí)技能，能夠?qū)⒘悴考囊欢央s物中挑選出來，并達(dá)到90%準(zhǔn)確率，極大地提升工程師編程效率。圖7：Robobrain?.vision自動揀選系統(tǒng)圖8：阿里工業(yè)大腦工藝參數(shù)優(yōu)化流程

/采用深度學(xué)習(xí)方法對設(shè)備運(yùn)行、工藝參數(shù)等數(shù)據(jù)進(jìn)行綜合分析并找出最優(yōu)參數(shù)，能夠大幅提升運(yùn)行效率與制造品質(zhì)。西門子利用深度學(xué)習(xí)使用天氣和部件振動數(shù)據(jù)來不斷微調(diào)風(fēng)機(jī)，使轉(zhuǎn)子葉片等設(shè)備能根據(jù)天氣調(diào)整到最佳位鋼、東華水泥等企業(yè)借助阿里云工業(yè)大腦的深度學(xué)習(xí)技術(shù)識別生產(chǎn)制造過程中的關(guān)鍵因子，找出最優(yōu)參數(shù)組合，提升生產(chǎn)效率，知識圖譜基于全新的知識組織方式以實(shí)現(xiàn)更全面可靠的管理與決策，在知識圖譜中，每個節(jié)點(diǎn)表示現(xiàn)實(shí)世界中存在的“實(shí)體”，每條邊為實(shí)體與實(shí)體之間的“關(guān)系”。知識圖譜是關(guān)系的最有效的表示方式，能夠?qū)⒍喾N工業(yè)知識整理為圖表，明確各影響因素相互關(guān)系，實(shí)現(xiàn)更便捷的檢索、更全面可靠的管理與決策，包括供應(yīng)鏈風(fēng)險管理和融資風(fēng)險管控等應(yīng)用場景。供應(yīng)鏈風(fēng)險管理場景中，華為通過匯集學(xué)術(shù)論文、在線百科、開源知識庫、氣象信息、媒體信息、產(chǎn)品知識、物流知識、采購知識、制造知識、交通信息、貿(mào)易信息等信息資源，構(gòu)建華為供應(yīng)鏈知識圖譜，通過企業(yè)語義網(wǎng)（關(guān)系網(wǎng)）實(shí)現(xiàn)供應(yīng)鏈風(fēng)險管理與零部件選型。圖9：華為供應(yīng)鏈知識圖譜融資風(fēng)險管控場景中，依靠知識圖譜將多個對象進(jìn)行關(guān)聯(lián)分析，能夠?qū)崿F(xiàn)對金融風(fēng)險的預(yù)測及管控。西門子基于知識圖譜打破信息孤島，建立自營、合作伙伴、競爭對手等對象之間的高維關(guān)系網(wǎng)絡(luò)，實(shí)現(xiàn)融資過程不可預(yù)見事件的風(fēng)險識別。（四）方法組合提升可解問題的性能與邊界 1.AI技術(shù)間組合AI技術(shù)通過橫縱組合提升并擴(kuò)展了可解問題的性能與邊界，而深度學(xué)習(xí)則成為了技術(shù)組合的共性選擇。一是橫向組合，通過數(shù)據(jù)科學(xué)、知識工程相互組合，解決產(chǎn)品研發(fā)、企業(yè)決策管理等機(jī)理不明、計算復(fù)雜度高，同時任務(wù)環(huán)節(jié)多、流程長等工業(yè)領(lǐng)域最為復(fù)雜的問題。產(chǎn)品研發(fā)場景中，UTC聯(lián)合技術(shù)研究中心依靠知識圖譜解決多因素產(chǎn)品研發(fā)問題，將產(chǎn)品分解為不同的功能塊，構(gòu)建設(shè)計方案庫，然后利用深度學(xué)習(xí)的復(fù)雜計算能力進(jìn)行指標(biāo)分析和方案評估，通過學(xué)習(xí)確定最佳設(shè)計方案，設(shè)計出的換熱器重量減輕20%，傳熱效率提高80%，設(shè)計周期加快9倍。圖10：UTC換熱器智能設(shè)計企業(yè)決策管理場景中，通過知識圖譜與數(shù)據(jù)科學(xué)協(xié)同，能夠?qū)崿F(xiàn)企業(yè)級優(yōu)化運(yùn)營。美國初創(chuàng)公司Maana聚焦石油和天然氣領(lǐng)域，打造名為KnowledgePlatform的平臺，梳理領(lǐng)域知識打造計算知識圖譜，與機(jī)器學(xué)習(xí)計算模型相結(jié)合，為GE、殼牌、阿美等石油巨頭提供決策和流程優(yōu)化建議；德勤研發(fā)的“端腦智能”，結(jié)合知識圖譜與深度學(xué)習(xí)，為企業(yè)提供智能化、自動化解決方案。二是縱向組合，通過不同數(shù)據(jù)科學(xué)技術(shù)（深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、遷移學(xué)習(xí)等）組合，強(qiáng)化已有應(yīng)用的智能化能力。例如智能抓取場景中，日本發(fā)那科公司基于深度學(xué)習(xí)賦予機(jī)器人抓取混雜零件的功能，并通過強(qiáng)化學(xué)習(xí)賦予機(jī)器人自學(xué)習(xí)能力，通過自主訓(xùn)練8小時使散件分揀的成功率達(dá)到了90%。圖11：日本發(fā)那科公司混合拆垛機(jī)器人

AI1）邊緣計算賦能高實(shí)時性工業(yè)場景，已成為人工智能在云端發(fā)揮作用的重要補(bǔ)充為滿足工業(yè)應(yīng)用實(shí)時性要求，降低網(wǎng)絡(luò)和IT資源消耗，邊緣與云端協(xié)同開展數(shù)據(jù)分析已成為工業(yè)智能領(lǐng)域的普遍做法。邊緣設(shè)備基于傳感器收集周邊環(huán)境數(shù)據(jù)，通過云端輸出的數(shù)據(jù)分析模型實(shí)時對現(xiàn)場工業(yè)數(shù)據(jù)進(jìn)行分析并形成決策信息。例如，高速移動產(chǎn)線下的質(zhì)量檢測場景中，鞍鋼將工業(yè)相機(jī)的數(shù)據(jù)通過MEC分流至云平臺，實(shí)現(xiàn)了在統(tǒng)一缺陷圖像庫下，基于機(jī)器視覺帶鋼表面質(zhì)量的95%13572另外，邊緣側(cè)直接進(jìn)行基于機(jī)理和智能的復(fù)雜分析，進(jìn)一步提升了應(yīng)用的實(shí)時決策能力，成為重要探索方向。邊緣分析功能從基于“IF-THEN”的簡單規(guī)則引擎應(yīng)用向人工智等復(fù)雜分析延伸。例如，ADAMOS平臺集成德瑪吉森CELOS系統(tǒng)，支持在機(jī)床中部署機(jī)器學(xué)習(xí)算法，根據(jù)溫度補(bǔ)償?shù)额^位移。天澤智云在邊緣端部署特征提取算法，對火車軸箱軸承等核心部件進(jìn)行故障診斷。2）5G賦能視頻類與控制類應(yīng)用，并孕育全新應(yīng)用模式5G以其高數(shù)據(jù)速率、極低延遲與功耗、高可靠和大規(guī)模設(shè)備連接等特性，能實(shí)現(xiàn)原始數(shù)據(jù)的低時延、高速率、大范圍采集傳輸和控制指令的實(shí)時上傳下達(dá)，以及加速現(xiàn)場側(cè)與算法層、邊緣側(cè)與云端的相互聯(lián)系，不斷強(qiáng)化工業(yè)智能已有應(yīng)用場景，并有望引發(fā)顛覆性變革。當(dāng)前集中在基于高清視頻回傳的質(zhì)量檢測與監(jiān)控、設(shè)備數(shù)據(jù)采集和實(shí)時監(jiān)控、特種車輛遠(yuǎn)程操控與無人駕駛等應(yīng)用場景。例如，在質(zhì)量檢測與監(jiān)控場景中，5G以其大帶寬特性將工業(yè)相機(jī)獲取的高清圖像等現(xiàn)場數(shù)據(jù)快速精準(zhǔn)地送至云端，經(jīng)過深度學(xué)習(xí)、圖形圖像處理等技術(shù)，實(shí)現(xiàn)質(zhì)量缺陷檢測等功能。新松機(jī)器人公司利用5G+人工智能的巡檢機(jī)器人，實(shí)現(xiàn)了全自動巡檢以及異常問題的自主判斷；上飛利用5G實(shí)現(xiàn)檢測數(shù)據(jù)快速傳輸，通過深度學(xué)習(xí)對海量缺陷樣本進(jìn)行訓(xùn)練，形成智能檢測系統(tǒng)，評判時間由4小時縮短為幾分鐘，人員成本降低95%。圖12：新松公司5G智能巡檢機(jī)器人

觀等多類數(shù)據(jù)傳輸?shù)亩嘣丛O(shè)備預(yù)測性維護(hù)；實(shí)現(xiàn)場景/工件識別、靈活配置與實(shí)時控制（五）工業(yè)智能應(yīng)用面臨四大問題 實(shí)時性問題現(xiàn)有通用計算架構(gòu)與芯片尚無法滿足工業(yè)實(shí)時性所帶來的計算要求，端側(cè)推理需求迫切。深度學(xué)習(xí)包括訓(xùn)練和推理兩個環(huán)節(jié)，訓(xùn)練環(huán)節(jié)的功耗比和實(shí)時性不是首要關(guān)注因素，現(xiàn)階段通常使用離線訓(xùn)練模型隨后部署應(yīng)用的方式，GPU基本能滿足現(xiàn)有需求。相比于云側(cè)推理環(huán)節(jié)，特定場景工業(yè)終端對推理環(huán)節(jié)實(shí)時性要求極高，現(xiàn)有芯片無法滿足，專用芯片需求較為迫切。以圖片高精度高速檢測和實(shí)時工業(yè)場景識別為例，傳統(tǒng)芯片處理1080P圖片需要耗時1秒，而以上場景的圖像實(shí)時識別需求需要達(dá)到人眼識別幀率，即1/24秒；以設(shè)備實(shí)時控制為例，中低端設(shè)備的控制周期是微秒級，高端設(shè)備甚至要求200-500納秒級，當(dāng)前AI完全無法達(dá)到。因此，為滿足工業(yè)實(shí)時性要求，高能效低成本的特定域架構(gòu)芯片及面向工業(yè)領(lǐng)域開發(fā)的專用端側(cè)框架有望成為市場上布局工業(yè)智能芯片、框架的主要趨勢?？煽啃詥栴}算法可靠性是指在規(guī)定的時間內(nèi)、條件或場景下能有效地實(shí)現(xiàn)規(guī)定功能的能力，以推薦系統(tǒng)為例，電商平臺的推薦系統(tǒng)達(dá)到60%-70%的準(zhǔn)確率已經(jīng)算是比較高的精準(zhǔn)度，而部分工業(yè)領(lǐng)域、部分工業(yè)核心環(huán)節(jié)對推薦參數(shù)的準(zhǔn)確性要求是100%，一旦參數(shù)出現(xiàn)任何問題，將對生產(chǎn)、制造等環(huán)節(jié)，甚至生命財產(chǎn)安全產(chǎn)生巨大影響。然而，可靠性不是現(xiàn)有人工智能算法在工業(yè)領(lǐng)域的設(shè)計和關(guān)注重點(diǎn)。神經(jīng)網(wǎng)絡(luò)等算法的本質(zhì)導(dǎo)致了可靠性問題的存在，限制其在工業(yè)場景的深入應(yīng)用。BP、RBF和LSTM與CNN等主流神經(jīng)網(wǎng)絡(luò)的輸出層函數(shù)均為基于概率分布的函數(shù)，且對新數(shù)據(jù)泛化性較差，導(dǎo)致其目前主要應(yīng)用于產(chǎn)品缺陷質(zhì)量檢測、設(shè)備預(yù)測性維護(hù)等低危、輔助和以最終表現(xiàn)為評價標(biāo)準(zhǔn)的工業(yè)場景，需要針對工業(yè)場景定制的深度學(xué)習(xí)算法，使其在高危等場景中的可靠性得到保障?？山忉屝詥栴}目前，以神經(jīng)網(wǎng)絡(luò)為代表的“聯(lián)結(jié)主義”尚不能提供明確的語義解釋。雖然神經(jīng)網(wǎng)絡(luò)在股票波動預(yù)測、用戶需求預(yù)測、房價走勢分析、自動駕駛、AlphaGo等較為復(fù)雜的問題上表現(xiàn)出了較好的效果，但可能正如貝葉斯網(wǎng)絡(luò)的創(chuàng)始人Pearl所指出的“幾乎所有的深度學(xué)習(xí)突破性的本質(zhì)上來說都只是些曲線擬合罷了”。在冶煉、核電等工業(yè)領(lǐng)域核心環(huán)節(jié)所面臨的問題如果期望通過數(shù)據(jù)技術(shù)解決，則此類問題的解決必須建立在可靠的工程/科學(xué)突破上，即需要能夠明確解釋其背后機(jī)理。適應(yīng)性問題通常包括模型間交互、軟硬件適配與算法的數(shù)據(jù)/任務(wù)適配三類問題。一是模型間交互，在實(shí)際工程應(yīng)用中，工業(yè)智能算法能選擇多種軟件框架實(shí)現(xiàn)，但各個軟件框架的底層實(shí)現(xiàn)技術(shù)不同，導(dǎo)致在不同軟件框架下開發(fā)的AI模型之間相互轉(zhuǎn)換存在困難。二是軟硬件適配，軟件框架開發(fā)者和計算芯片廠商需要確?？蚣芎偷讓有酒g、框架和工業(yè)設(shè)備芯片之間良好的適配性。三是數(shù)據(jù)/任務(wù)適配，目前深度學(xué)習(xí)算法需要依靠大量樣本數(shù)據(jù)進(jìn)行訓(xùn)練，隨著人工智能與工業(yè)融合的滲透速度逐步加快，越來越多智能細(xì)分應(yīng)用場景面臨“小數(shù)據(jù)”問題；此外，由于工業(yè)設(shè)備產(chǎn)品、場景的差異化與任務(wù)的多樣性，當(dāng)前工業(yè)場景下機(jī)器學(xué)習(xí)模型的可復(fù)制推廣性較差，例如，而工業(yè)場景下的產(chǎn)品檢測，不同生產(chǎn)線、不同產(chǎn)品的缺陷種類情況可能完全不同，在某一企業(yè)可能獲得高效率的算法或解決方案，移植到另一企業(yè)或許并不能達(dá)到同樣的效果?？傮w來看，當(dāng)前工業(yè)智能的應(yīng)用以點(diǎn)狀場景居多、普及范圍有限、還存在許多問題尚無法解決，仍處在發(fā)展的初級階段?？傮w來看，當(dāng)前工業(yè)智能的應(yīng)用以點(diǎn)狀場景居多、普及范圍有限、還存在許多問題尚無法解決，仍處在發(fā)展的初級階段。垂直行業(yè)工業(yè)智能應(yīng)用分析垂直行業(yè)工業(yè)智能應(yīng)用分析PAGE16PAGE16（一）工業(yè)智能面向不同行業(yè)形成不同應(yīng)用 垂直行業(yè)依托工業(yè)智能解決不同痛點(diǎn)問題圖13：垂直行業(yè)的工業(yè)智能共性與特性應(yīng)用場景性痛點(diǎn)問題延伸出差異化方向。一方面，工業(yè)智能能為不同類型的制造行業(yè)提供質(zhì)量檢測、供應(yīng)鏈管理、現(xiàn)場監(jiān)控、決策輔助、市場響應(yīng)、生產(chǎn)性服務(wù)業(yè)拓展等共性問題的解決方案。另一方面，也能夠解決流程行業(yè)安全風(fēng)險大、設(shè)備價值高、流程管控要求高、產(chǎn)品價值低、排放污染大、能耗高等問題；為多品種小批量離散行業(yè)解決工藝問題、產(chǎn)品結(jié)構(gòu)復(fù)雜、產(chǎn)品價值高、高、產(chǎn)品更新快、同質(zhì)化問題、后市場增值服務(wù)需求等問題?？傮w呈現(xiàn)出分析深化、服務(wù)延伸的發(fā)展路徑圖14：垂直行業(yè)的工業(yè)智能應(yīng)用分析體系與主要場景以應(yīng)用深度作為縱軸、產(chǎn)品全生命周期作為橫軸構(gòu)建垂直行業(yè)的工業(yè)智能應(yīng)用分析體系，可以看出工業(yè)智能應(yīng)用復(fù)雜多元，但總體呈現(xiàn)分析深化、服務(wù)延伸兩大發(fā)展路徑：一是分析深化。流程行業(yè)與大數(shù)據(jù)分析結(jié)合，從設(shè)備側(cè)切入，實(shí)現(xiàn)更有效的安環(huán)管理、設(shè)備維護(hù)等；多品種小批量離散行業(yè)與仿真模擬結(jié)合，從設(shè)計和工藝側(cè)切入，實(shí)現(xiàn)復(fù)雜產(chǎn)品高效設(shè)計和工藝深度優(yōu)化；少品種大批量離散行業(yè)與產(chǎn)品創(chuàng)新結(jié)合，從質(zhì)量側(cè)

切入，實(shí)現(xiàn)更完善的質(zhì)量檢測、追溯全方位體系。二是服務(wù)延伸。流程行業(yè)與市場分析結(jié)合，從定制化切入，實(shí)現(xiàn)個性化水平改善、客戶服務(wù)能力提升；多品種小批量離散行業(yè)與數(shù)據(jù)分析結(jié)合，從產(chǎn)品運(yùn)維切入，實(shí)現(xiàn)故障預(yù)測、遠(yuǎn)程運(yùn)維等應(yīng)用服務(wù)；少品種大批量離散行業(yè)與新技術(shù)結(jié)合，從增值服務(wù)切入，實(shí)現(xiàn)生產(chǎn)服務(wù)、非生產(chǎn)服務(wù)的全面覆蓋。垂直行業(yè)工業(yè)智能應(yīng)用分析垂直行業(yè)工業(yè)智能應(yīng)用分析PAGE18PAGE18 （二）流程行業(yè)-鋼鐵行業(yè)應(yīng)用分析 行業(yè)生產(chǎn)特點(diǎn)與需求鋼鐵行業(yè)產(chǎn)業(yè)鏈較短，但制造過程流程長、工序多，既包括高溫、周期不等的化學(xué)變化工藝過程（冶煉，也包括高速、負(fù)荷瞬變的物理形變工藝過程（軋鋼，是典型的流程型生產(chǎn)。中游冶煉環(huán)節(jié)占據(jù)核心地位，并且經(jīng)過千年的演變和發(fā)展，形成了現(xiàn)代化的制造工藝流程和高度信息化的產(chǎn)線裝備。目前主要存在安環(huán)壓力大、生產(chǎn)運(yùn)營增效難等痛點(diǎn)問題：生產(chǎn)能耗與排放高，安全事故頻發(fā)，面臨較大環(huán)保、安全政策壓力。鋼鐵行業(yè)是典型的能耗大戶，例如我國鋼鐵行業(yè)能耗占全國總能耗的15%左右。產(chǎn)生污染的環(huán)節(jié)多、生產(chǎn)現(xiàn)場的設(shè)備設(shè)施一般承載著高溫液體、高壓氣體、有毒氣體等危險介質(zhì)，污染排放量大，例如2017年以來，我國鋼鐵行業(yè)主要污染物排放量已經(jīng)超過電力行業(yè)，成為工業(yè)最大的污染排放源。此外，人身、設(shè)備安全隱患較多，一旦發(fā)生安全生產(chǎn)事故往往會造成群死群傷的嚴(yán)重后果，不僅容易造成巨大的經(jīng)濟(jì)財產(chǎn)損失，而且會嚴(yán)重危及企業(yè)生產(chǎn)運(yùn)行。高價值設(shè)備多，生產(chǎn)過程分段連續(xù)，部分環(huán)節(jié)原理不明，生產(chǎn)運(yùn)營需要增效。鋼鐵行業(yè)的主要設(shè)備均為非標(biāo)產(chǎn)品，價值高，計劃外停機(jī)將對設(shè)備產(chǎn)生一定程度的額外損耗。生產(chǎn)涉及冶煉、動力學(xué)、熱力學(xué)等多學(xué)科，多領(lǐng)域交叉知識，且規(guī)模反應(yīng)器的高壓、高溫特性導(dǎo)致冶煉機(jī)理研究難度大，工序多元復(fù)雜、設(shè)備繁多，立體交叉分布在鋼鐵企業(yè)的各個崗位，工序間生產(chǎn)數(shù)據(jù)又存在相互隱形耦合，僅僅通過機(jī)理分析很難分析清楚各參數(shù)之間的潛在關(guān)系。生產(chǎn)過程尚未完全實(shí)現(xiàn)自動化，人工干預(yù)成分較高，部分制造過程控制與優(yōu)化分析決策仍依靠人工歷史經(jīng)驗判斷，決策效率和準(zhǔn)確率相對較低。應(yīng)用模式與路徑工業(yè)智能助力鋼鐵行業(yè)解決痛點(diǎn)需求，主要形成安環(huán)管理（安全監(jiān)控、能耗管理、排放控制、生產(chǎn)運(yùn)營優(yōu)化（工藝優(yōu)化、設(shè)備監(jiān)測、物流管理）兩大應(yīng)用模式，六大應(yīng)用場景。安全監(jiān)控場景中，通過智能監(jiān)控、圖像識別等技術(shù)，排查安全隱患，保證生產(chǎn)安全。例如JFE鋼鐵公司與日本電氣公司利用AI圖像識別技術(shù)，對員工工作安全性進(jìn)行識別，提高鋼鐵廠安全性。AI10℃，70陜鋼龍鋼公司成功對450平米燒結(jié)機(jī)專家系統(tǒng)進(jìn)行了智能改造，日可增加余熱發(fā)電量1.5萬kWh，減少CO21.5工藝優(yōu)化場景中，通過數(shù)據(jù)建模、深度學(xué)習(xí)等技術(shù)，解決生產(chǎn)“黑箱”問題，提高生產(chǎn)質(zhì)量。例如攀鋼預(yù)計應(yīng)用人工智能可優(yōu)化轉(zhuǎn)爐煉鋼復(fù)吹、造渣過程及冷軋工藝控制，年效益數(shù)千萬元。同時，已通過優(yōu)化脫硫過程參數(shù)實(shí)現(xiàn)700萬的年創(chuàng)效。設(shè)備監(jiān)測場景中，通過數(shù)據(jù)采集、機(jī)器學(xué)習(xí)等手段，實(shí)時監(jiān)測設(shè)備運(yùn)行狀態(tài)，預(yù)防設(shè)備故障。例如FeroLabs利用機(jī)器學(xué)習(xí)處理傳感器數(shù)據(jù)，預(yù)防成本高昂的機(jī)器故障以及減少浪費(fèi)的洞察，每年為鋼鐵公司節(jié)省數(shù)百萬美元的成本。物流管理場景中，通過自動識別、智能控制等技術(shù)，實(shí)現(xiàn)全自動智能倉庫和物料流轉(zhuǎn)，保證生產(chǎn)穩(wěn)定運(yùn)行。例如寶鋼建立無人倉庫，AI自動識別入庫板坯號，通過激光掃描成像、測距、防搖、二維碼生成等實(shí)現(xiàn)智能化倉儲。圖15：鋼鐵行業(yè)工業(yè)智能應(yīng)用主要場景與發(fā)展路徑總體來看，鋼鐵行業(yè)應(yīng)用場景集中在生產(chǎn)環(huán)節(jié)，形成多類點(diǎn)狀應(yīng)用，以制造環(huán)節(jié)為核心的應(yīng)用實(shí)踐將持續(xù)走向深入，同時個性化市場因素也將推動服務(wù)環(huán)節(jié)應(yīng)用增多。未來將形成兩條發(fā)展路徑。一是生產(chǎn)環(huán)節(jié)分析優(yōu)化，由生產(chǎn)環(huán)節(jié)切入，從基礎(chǔ)的描述、診斷走向預(yù)測、洞察，實(shí)現(xiàn)生產(chǎn)全流程的高效管控，深化智能應(yīng)用；二是生產(chǎn)性服務(wù)拓展，從市場個性化需求響應(yīng)切入，圍繞業(yè)務(wù)板塊探索工業(yè)智能在生產(chǎn)配套服務(wù)中的應(yīng)用，推動生產(chǎn)向服務(wù)化演進(jìn)。 （三）少品種大批量離散行業(yè)-汽車行業(yè)應(yīng)用分析 行業(yè)生產(chǎn)特點(diǎn)與需求汽車行業(yè)以制造企業(yè)為核心，吸引配套上下游形成生態(tài)，其中制造環(huán)節(jié)自動化程度較高，已經(jīng)形成以市場為導(dǎo)向的成熟生產(chǎn)模式。目前主要存在需求響應(yīng)快、產(chǎn)品研發(fā)設(shè)計與產(chǎn)業(yè)鏈復(fù)雜化等痛點(diǎn)問題：產(chǎn)品同質(zhì)化嚴(yán)重，市場需求變化快，難以快速響應(yīng)?？蛻粢笤桨l(fā)精細(xì)，行業(yè)定制化程度越來越高；行業(yè)對生產(chǎn)柔性化和供應(yīng)鏈響應(yīng)速度的要求也在逐步升高。研發(fā)設(shè)計周期長，質(zhì)量管控嚴(yán)，產(chǎn)品零

部件數(shù)量多且來源復(fù)雜。新車型研發(fā)屬于復(fù)雜系統(tǒng)工程，周期較長，從研發(fā)到投入市場一般需要5年左右時間；普通汽車零部件總數(shù)超過1萬個，零部件占汽車總成本的70%-80%。新市場已經(jīng)出現(xiàn)，同時產(chǎn)業(yè)鏈向服務(wù)化深入，帶來新的挑戰(zhàn)。新能源汽車、智能網(wǎng)聯(lián)汽車等帶來需求沖擊和市場變革，后市場價值增速較快，例如2018年我國汽車后市場行業(yè)規(guī)模已突破1.2萬億，同比增長20.6%。應(yīng)用模式與路徑工業(yè)智能助力汽車行業(yè)解決痛點(diǎn)需求，主要形成過程質(zhì)量控制（質(zhì)量檢測、工序檢驗、產(chǎn)品創(chuàng)新（設(shè)計仿真、無人駕駛）和增值服務(wù)（預(yù)測性維護(hù)、汽車金融）三大應(yīng)用模式，六大應(yīng)用場景。質(zhì)量檢測場景中，通過機(jī)器視覺等技術(shù)，增強(qiáng)對零部件的實(shí)時監(jiān)控。例如奧迪基于人工神經(jīng)網(wǎng)絡(luò)的圖像檢測技術(shù)，精確檢測金屬板中最細(xì)的裂縫并標(biāo)記。工序檢驗場景中，通過機(jī)器視覺等技術(shù)，增強(qiáng)對生產(chǎn)過程與工序的管理與檢驗。例如福田汽車在噴涂機(jī)器人引入視覺檢測系統(tǒng)，捕捉車身噴涂外觀，在現(xiàn)場邊緣節(jié)點(diǎn)判別作業(yè)完成度，指導(dǎo)高效作業(yè)。設(shè)計仿真場景中，通過機(jī)器學(xué)習(xí)、知識圖譜等技術(shù)，提高產(chǎn)品研發(fā)仿真效率，推動產(chǎn)品迭代創(chuàng)新。例如福田汽車在噴涂機(jī)器人引入視覺檢測系統(tǒng)，捕捉車身噴涂外觀，在現(xiàn)

場邊緣節(jié)點(diǎn)判別作業(yè)完成度，指導(dǎo)高效作業(yè)。無人駕駛場景中，通過深度學(xué)習(xí)、智能控制等技術(shù)，實(shí)現(xiàn)車輛對周圍環(huán)境的自動感知與自主決策功能。例如英國初創(chuàng)公司W(wǎng)ayve利用增強(qiáng)學(xué)習(xí)、仿真和計算機(jī)視覺實(shí)現(xiàn)自動駕駛，消除98.3%因疏忽或無效駕駛導(dǎo)致的人為錯誤。預(yù)測性維護(hù)場景中，通過機(jī)器學(xué)習(xí)、專家系統(tǒng)等技術(shù)，實(shí)現(xiàn)車輛異常提前診斷和維

護(hù)，降低維修成本。例如DataRPM通過無監(jiān)督機(jī)器學(xué)習(xí)實(shí)現(xiàn)車輛異常檢測，使54%的潛在故障可以被提前診斷，減少服務(wù)成本。汽車金融場景中，通過機(jī)器學(xué)習(xí)、知識圖譜等技術(shù)，提供金融風(fēng)險識別、智能定損等多樣化服務(wù)。例如車300平臺利用知識圖譜綜合貸前反欺詐KS值可達(dá)0.5，貸中一個月內(nèi)監(jiān)控不良風(fēng)險預(yù)測準(zhǔn)確率達(dá)89%。圖16：汽車行業(yè)工業(yè)智能應(yīng)用主要場景與發(fā)展路徑總體來看，汽車行業(yè)應(yīng)用場景分布較廣，在多個環(huán)節(jié)形成點(diǎn)狀應(yīng)用，當(dāng)前行業(yè)領(lǐng)域不斷拓展，除傳統(tǒng)的設(shè)計生產(chǎn)運(yùn)營環(huán)節(jié)外，增值服務(wù)開始走向多樣化和智能化。未來將形成兩條發(fā)展路徑：一是基于價值的分析深化，從設(shè)計和生產(chǎn)環(huán)節(jié)切入，整體從診斷、預(yù)測走向洞察，主要圍繞產(chǎn)品價值聚焦設(shè)計和質(zhì)檢過程；二是基于新領(lǐng)域的服務(wù)化，圍繞當(dāng)前增值服務(wù)、無人駕駛等工業(yè)智能應(yīng)用新領(lǐng)域，從業(yè)務(wù)創(chuàng)新切入，探索未來服務(wù)新模式。 （四）多品種小批量離散行業(yè)-航空行業(yè)應(yīng)用分析 行業(yè)生產(chǎn)特點(diǎn)與需求航空行業(yè)產(chǎn)業(yè)鏈條較長，超大型企業(yè)負(fù)責(zé)產(chǎn)品研制、總裝，部分零部件外協(xié)生產(chǎn)，產(chǎn)品種類少、批量小，按照訂單需求進(jìn)行設(shè)計生產(chǎn)，并提供后續(xù)服務(wù)。目前主要存在設(shè)計、制造環(huán)節(jié)復(fù)雜，后續(xù)服務(wù)運(yùn)營影響因素較多等痛點(diǎn)問題：設(shè)計過程缺乏集成與數(shù)據(jù)打通，人工重復(fù)性勞動較多，效率低、周期長、費(fèi)用高。目前的設(shè)計方式缺乏系統(tǒng)性，工具智能化程度不高，設(shè)計效率不適應(yīng)當(dāng)前任務(wù)量密集、研制進(jìn)度緊迫的要求。各生產(chǎn)環(huán)節(jié)分散且復(fù)雜，影響因素極多，要求高，管控嚴(yán)。大部件裝配等環(huán)節(jié)難度和復(fù)雜度較高，耗費(fèi)大量人力物力；涉及多類零部件的質(zhì)量檢測、匹配以及組裝等問題，需要智能化的識別檢測手段。產(chǎn)品零件數(shù)量多、主尺度大、生命周期長，運(yùn)維服務(wù)相對復(fù)雜。產(chǎn)品零件基本均為關(guān)鍵部件，且面臨的風(fēng)險因素較多，需長期檢查和維修，成本較高，運(yùn)維服務(wù)迫切需要走向高端化、智能化。應(yīng)用模式與路徑工業(yè)智能助力航空行業(yè)解決痛點(diǎn)需求，主要形成分析設(shè)計提升（材料分析、零部件設(shè)計、生產(chǎn)制造優(yōu)化（排程管理、工藝調(diào)優(yōu)、質(zhì)量檢測、服務(wù)運(yùn)營改善（運(yùn)維響應(yīng)、運(yùn)營服務(wù)、綜合管理）三大應(yīng)用模式，八大應(yīng)用場景。材料分析場景中，運(yùn)用新型智能分析代替?zhèn)鹘y(tǒng)重復(fù)試驗方法，實(shí)現(xiàn)對航空材料的分析優(yōu)化。例如ANSYS依托MSE專家，將機(jī)器學(xué)習(xí)用于材料分析，相比反復(fù)試驗效果更好、改進(jìn)更快、成本更低。零部件設(shè)計場景中，通過仿真建模、智能分析等方式，實(shí)現(xiàn)對航空零部件的設(shè)計優(yōu)化。例如Autodesk（歐特克）利用創(chuàng)成式設(shè)計打造輕量化飛機(jī)座椅結(jié)構(gòu)件，可通過減重為航空公司節(jié)約數(shù)百萬美元成本。排程管理場景中，借助人工智能數(shù)據(jù)分析能力，輔助生產(chǎn)計劃流程的制定和進(jìn)一步優(yōu)化。例如GE在航空發(fā)動機(jī)制造過程中，使用智能算法優(yōu)化生產(chǎn)線設(shè)計方案，同時通過智能控制技術(shù)保障產(chǎn)線穩(wěn)定運(yùn)行，提高生產(chǎn)效率。工藝調(diào)優(yōu)場景中，基于深度學(xué)習(xí)相關(guān)算法和機(jī)器人

部署應(yīng)用，實(shí)現(xiàn)特定工藝環(huán)節(jié)的優(yōu)化和增效。例如三菱重工與FANUC合作，面向機(jī)身鋼板打孔、鉚接等工序，依托人工智能計算精密、高速加工的最佳條件。質(zhì)量檢測場景中，基于機(jī)器視覺等智能手段，打造在線智能檢測的模式，助力產(chǎn)品良率提升。例如中國商飛通過圖像識別進(jìn)行缺陷智能識別及判斷，減少人為因素誤差，打造檢測評價的自動化、智能化模式。運(yùn)維響應(yīng)場景中，制造廠商通過人工智能與網(wǎng)絡(luò)等技術(shù)結(jié)合，實(shí)現(xiàn)產(chǎn)品的預(yù)測性運(yùn)維服務(wù)。例如普惠發(fā)動機(jī)利用IBMWatsonIoT數(shù)

據(jù)深度分析和優(yōu)化能力，實(shí)現(xiàn)預(yù)測性維護(hù)，防止由于發(fā)公司通過數(shù)據(jù)挖掘分析，實(shí)現(xiàn)客戶精準(zhǔn)服務(wù)、飛行風(fēng)險分析等應(yīng)用。例如美聯(lián)航基于乘客的交互數(shù)據(jù)，利用機(jī)器學(xué)習(xí)提供航班選擇、座位升級、里程購買、優(yōu)先值機(jī)等匹配型服務(wù)，優(yōu)化客戶體驗。綜合管理場景中，機(jī)場等管理方通過圖像識別、預(yù)測分析等方式，實(shí)現(xiàn)資源配置優(yōu)化，改善管理能力。例如北京大興國際機(jī)場通過深度學(xué)習(xí)等實(shí)現(xiàn)資源調(diào)配和優(yōu)化，監(jiān)控飛機(jī)狀態(tài)、氣象信息，預(yù)測機(jī)場流量分布，支撐復(fù)雜決策。圖17：航空行業(yè)工業(yè)智能應(yīng)用主要場景與發(fā)展路徑垂直行業(yè)工業(yè)智能應(yīng)用分析垂直行業(yè)工業(yè)智能應(yīng)用分析總體來看，航空行業(yè)應(yīng)用場景分布較廣，應(yīng)用場景相對豐富，形成較多點(diǎn)狀應(yīng)用，基于產(chǎn)業(yè)鏈復(fù)雜、主體較多的特點(diǎn)，除傳統(tǒng)的設(shè)計生產(chǎn)環(huán)節(jié)外，服務(wù)環(huán)節(jié)也將開展深化探索。未來將形成兩條發(fā)展路徑：一是基于分析深化和服務(wù)化，從設(shè)計和生產(chǎn)環(huán)節(jié)切入，整體從診斷、預(yù)測走向洞察，同時與配套服務(wù)結(jié)合，走向生產(chǎn)服務(wù)化；二是基于分析深化和多樣化，從不同主體應(yīng)用實(shí)踐切入，圍繞各自業(yè)務(wù)拓展工業(yè)智能在服務(wù)環(huán)節(jié)的應(yīng)用深度，走向服務(wù)洞察。24工業(yè)智能的關(guān)鍵技術(shù)工業(yè)智能的關(guān)鍵技術(shù)PAGE25PAGE25工業(yè)智能的技術(shù)整體遵循數(shù)據(jù)、算力和算法三要素的邏輯，由底層至上包括芯片、編譯器、框架、算法四方面。從技術(shù)角度來看，工業(yè)智能即是依靠算法作用在工業(yè)數(shù)據(jù)和（或）工業(yè)機(jī)理/知識/經(jīng)驗等工業(yè)智能使能要素中，通過對要素進(jìn)行分類、回歸等本質(zhì)作用，映射至設(shè)計、生產(chǎn)、管理服務(wù)等工業(yè)環(huán)節(jié)或場景下，形成智能化應(yīng)用。一方面，工業(yè)智能的技術(shù)仍然以人工智能算法為核心，不僅需要滿足人工智能算法作用的本質(zhì)需求，工業(yè)問題數(shù)字化和抽象化的方法論也是算法作用的關(guān)鍵。此外，算法的突破使人工智能解決問題的能力不斷深化，同時與工業(yè)問題轉(zhuǎn)化相互匹配，構(gòu)成了工業(yè)智能發(fā)展的本質(zhì)推動因素。另一方面，通用技術(shù)往往無法滿足工業(yè)場景復(fù)雜性與特殊性要求，即應(yīng)用面臨的四類問題，需要通過技術(shù)創(chuàng)新與工業(yè)化適配解決。 （一）工業(yè)智能算法作用機(jī)理 1.工業(yè)智能算法應(yīng)用的必要條件與充分條件智能的本質(zhì)是降低數(shù)據(jù)價值挖掘過程中人腦力的占比。數(shù)據(jù)的利用需要經(jīng)歷數(shù)據(jù)—信息—知識—智慧的過程：數(shù)據(jù)是對客觀事物或過程的數(shù)量、屬性、位置及其相互關(guān)系進(jìn)行抽象表示，是算法應(yīng)用的“原料”；信息是對數(shù)據(jù)的再加工，形成有一定含義的、有邏輯的、對決策有價值的數(shù)據(jù)流；知識是從相關(guān)信息中過濾、提煉及加工而得到的有用資料；智慧則是基于已有的知識，針對問題進(jìn)行分析、對比、演繹，從而找出解決方案。在以專家系統(tǒng)為代表的前AI時代，人需要完成由數(shù)據(jù)到知識的全部處理過程，機(jī)器僅基于已有規(guī)則實(shí)現(xiàn)知識的應(yīng)用。在深度學(xué)習(xí)為代表的當(dāng)前AI時代，人完成數(shù)據(jù)初步處理后由機(jī)器執(zhí)行端到端的建模與分析，直接得到結(jié)果，實(shí)現(xiàn)智能化應(yīng)用，使人可以規(guī)避一些原理與機(jī)制的限制，突破一些以前難以解決的困難問題。圖18：人工智能技術(shù)演進(jìn)本質(zhì)

工智能算法是工業(yè)智能技術(shù)的核心，當(dāng)前主要人工智能算法根本在于解決分類和回歸兩大問題。簡單來說，分類是進(jìn)行離散的定性輸出，代表應(yīng)用包括圖片/語音識別、機(jī)器問答與信息檢索、虹膜/指紋等生物特征識別等實(shí)際問題；回歸則是通過樣本進(jìn)行連續(xù)的定量輸出，包括股票波動預(yù)測、用戶需求預(yù)測、房價走勢分析等實(shí)際問題；圍棋、游戲等復(fù)雜的應(yīng)用則可以分解為分類問題和回歸問題的集合。同時，算法突破不斷提升問題的求解能力。深度學(xué)習(xí)通過數(shù)據(jù)驅(qū)動擬合復(fù)雜機(jī)理，知識圖譜通過匯聚已有知識實(shí)現(xiàn)復(fù)雜推理，兩大技術(shù)分別以“更深”和“更廣”的方式擴(kuò)展人工可解工業(yè)問題邊界，成為當(dāng)前工業(yè)人工智能探索的熱點(diǎn)。因此，工業(yè)需求能否拆分為兩大問題是工業(yè)智能技術(shù)實(shí)施的必要前提。故障診斷、產(chǎn)品質(zhì)量檢測是工業(yè)領(lǐng)域典型的分類問題，通過人工智能技術(shù)可以對圖像音頻、文字等數(shù)據(jù)進(jìn)行離散的定性劃分，形成決策依據(jù)。生產(chǎn)指標(biāo)軟測量、工藝參數(shù)優(yōu)化等是工業(yè)領(lǐng)域典型的回歸問題，通過人工智能技術(shù)進(jìn)行連續(xù)的定量預(yù)測，輔助決策。自動駕駛、產(chǎn)品設(shè)計等復(fù)雜工業(yè)問題可拆解為分類和回歸問題，使用人工智能技術(shù)綜合解決。而發(fā)動機(jī)燃燒機(jī)理、機(jī)床加工極限精度等工業(yè)基礎(chǔ)理論、制造技術(shù)和工藝標(biāo)準(zhǔn)等無法拆分為兩大問題，故不屬于工業(yè)智能的技術(shù)應(yīng)用范疇。工業(yè)問題的數(shù)字化和抽象化是人工智能技術(shù)應(yīng)用的充分條件。一方面，傳感、網(wǎng)絡(luò)、計算技術(shù)及數(shù)字化的發(fā)展使更多的對象與問題能以數(shù)據(jù)的方式呈現(xiàn)出來，構(gòu)成了算法應(yīng)用的基礎(chǔ)。原本非數(shù)字對象通過數(shù)字化呈現(xiàn)到了計算機(jī)中，原本有限的數(shù)據(jù)積累升級為海量的采集存儲，原本單一的數(shù)據(jù)存儲類型演變?yōu)闅v史/實(shí)時數(shù)據(jù)、結(jié)構(gòu)/非結(jié)構(gòu)化數(shù)據(jù)等多樣的數(shù)據(jù)類型。例如在基于機(jī)器學(xué)習(xí)的工人健康評估應(yīng)用中，需要在人體30個部位部署傳感器采集數(shù)據(jù)，再進(jìn)行分類；美國的材料自主研發(fā)系統(tǒng)ARES，需將材料指標(biāo)參數(shù)化后通過隨機(jī)森林分類確定當(dāng)前對應(yīng)的最佳參數(shù)。另一方面，工業(yè)問題的抽象化是關(guān)鍵，搭建了算法與應(yīng)用的橋梁。例如傳統(tǒng)的預(yù)測性維護(hù)基于歷史經(jīng)驗進(jìn)行故障判定，基于人工智能的預(yù)測性維護(hù)將問題抽象為分類/回歸的數(shù)學(xué)概念，采用相對應(yīng)的機(jī)器學(xué)習(xí)算法進(jìn)行設(shè)備使用剩余時間（回歸）或是否可能發(fā)生故障（分類）的決策，指導(dǎo)工業(yè)實(shí)踐。工業(yè)智能算法應(yīng)用的必要條件與充分條件（1）傳統(tǒng)算法解決工業(yè)機(jī)理相對明確+小數(shù)據(jù)量問題的模式已經(jīng)并將長期固化專家系統(tǒng)、機(jī)器學(xué)習(xí)/模式識別等傳統(tǒng)方法在工業(yè)機(jī)理可公式化的小數(shù)據(jù)場景問題中優(yōu)勢明顯。依靠程序?qū)⑷藗儗I(yè)問題的特征描述、處理方式等固化下來，通過相對“自動化”的機(jī)器執(zhí)行方式，通常以實(shí)現(xiàn)人力成本的節(jié)約為主要目的。例如，在缺陷檢測問題中，需圖19：技術(shù)視角下的工業(yè)智能發(fā)展本質(zhì)要人工建立缺陷的特征，如缺陷的長寬比、周長、面積、重心等，然后通過相應(yīng)算法進(jìn)行訓(xùn)練與決策應(yīng)用，在故障模式固定、特征相對明確的工業(yè)場景應(yīng)用非常普遍。圖20：鋁帶表面缺陷檢測流程（2）工業(yè)問題轉(zhuǎn)化不斷催生新應(yīng)用場景，傳統(tǒng)人工智能方法具有更大的發(fā)揮空間數(shù)字化的不斷推進(jìn)與抽象化使許多以往“想不到”的需求轉(zhuǎn)化為人工智能可解的數(shù)學(xué)問題，推動形成了一系列典型的工業(yè)人工智能應(yīng)用，而以統(tǒng)計機(jī)器學(xué)習(xí)為代表的傳統(tǒng)人工智能方法仍然發(fā)揮著重要作用。例如，在機(jī)床加工過程知識發(fā)現(xiàn)問題中，通過FPGA從機(jī)器獲取實(shí)時數(shù)據(jù)，為了找到對取圖21：基于聚類的機(jī)床加工知識發(fā)現(xiàn)實(shí)時數(shù)據(jù)，為了找到對機(jī)床主軸貢獻(xiàn)最大的變量，使用K均值、層次聚類和高斯模型三種算法分別對近10萬組數(shù)據(jù)進(jìn)行聚類分析，以時間成本和算法應(yīng)用效果等因素確定最佳算法，并得到加工過程主軸的主要影響因素。（3）新興算法突破引發(fā)應(yīng)用技術(shù)變革，一大批舊問題有了新的解決方案人工智能技術(shù)不僅使人們擺脫了過去過度依賴經(jīng)驗機(jī)理的模式，隨著技術(shù)發(fā)展，尤其是以深度學(xué)習(xí)為代表的算法突破使各類數(shù)據(jù)能夠被全面地利用，極大提升了原有問題求解的效率、功能與性能。以設(shè)備預(yù)測性維護(hù)中的關(guān)鍵技術(shù)過程建模技術(shù)為例，其演進(jìn)路徑相對清晰，領(lǐng)域知識逐步弱化，深度學(xué)習(xí)技術(shù)重要度提升。技術(shù)演進(jìn)分為三個階段。階段一：設(shè)備機(jī)理發(fā)揮主導(dǎo)作用。設(shè)備運(yùn)行模型的建立是關(guān)鍵環(huán)節(jié)，即利用加速度傳感器對信號進(jìn)行采樣，通過特征圖22：設(shè)備預(yù)測維護(hù)技術(shù)路徑頻率獲取、快速傅里葉變換等手段對信號進(jìn)行前期處理，然后基于物理、熱力/動力學(xué)等機(jī)理人為建立發(fā)動機(jī)、渦輪機(jī)組、燃?xì)廨啓C(jī)等設(shè)備的理論模型與故障監(jiān)測閾值，通過狀態(tài)監(jiān)測系統(tǒng)進(jìn)行分析，以獲得設(shè)備的剩余使用時間、故障點(diǎn)等處理信息。此階段設(shè)備專業(yè)知識的重要性占據(jù)絕對比重。階段二：數(shù)據(jù)統(tǒng)計模型發(fā)揮主導(dǎo)作用。數(shù)據(jù)預(yù)處理和特征工程是關(guān)鍵環(huán)節(jié)，即確定所需數(shù)據(jù)類型，如電壓、電流、振動數(shù)據(jù)等，人為進(jìn)行特征選擇，需要了解設(shè)備運(yùn)行知識。此階段專業(yè)知識與機(jī)器學(xué)習(xí)技術(shù)重要性相當(dāng)。階段三：深度網(wǎng)絡(luò)模型發(fā)揮主導(dǎo)作用。模型選擇與超參數(shù)優(yōu)化是關(guān)鍵環(huán)節(jié)，模型選擇環(huán)節(jié)是根據(jù)主要數(shù)據(jù)類型進(jìn)行模型算法的選擇，需要的領(lǐng)域知識較少；超參數(shù)優(yōu)化環(huán)節(jié)中，參數(shù)調(diào)整直接影響建模效果，往往需要經(jīng)驗豐富的算法工程師完成。此階段深度學(xué)習(xí)技術(shù)重要性極大提升。（4）新技術(shù)新條件催生全新應(yīng)用技術(shù)深度學(xué)習(xí)、知識圖譜兩大技術(shù)突破與工業(yè)問題數(shù)字化抽象化的結(jié)合迸發(fā)巨大的乘數(shù)效應(yīng)，使許多以往“不敢想”的需求成為現(xiàn)實(shí)。以機(jī)器人為代表的裝備產(chǎn)品為例，主要集中在形態(tài)與功能兩方面變革：一是形態(tài)方面，柔性、模塊化提高了機(jī)器人使能的邊界與靈活性。傳統(tǒng)剛性、一體化的固有形態(tài)逐步被打破，柔性化、模塊化的新型裝備不斷涌現(xiàn)。比如FESTO公司研

圖23：FESTO公司柔性抓取機(jī)械手臂發(fā)的柔性抓取機(jī)械手臂，將剛性的“抓取”轉(zhuǎn)變?yōu)槿嵝缘摹皣　?，配合AI技術(shù)完成形狀大小各異物體的抓取，能夠完成更多復(fù)雜的任務(wù)。二是功能方面，裝備的單體能力全面增強(qiáng)，協(xié)同智能不斷深化。一是工業(yè)機(jī)器人依靠人工智能技術(shù)全面提升對環(huán)境與任務(wù)的解析和執(zhí)行能力，包括指令解析、基于視覺的定位與抓取等，如西門子機(jī)器人基于深度學(xué)習(xí)的復(fù)雜計算能力自動讀取并遵循CAD說明，無需編程即可構(gòu)建零件；谷歌機(jī)器人通過深度學(xué)習(xí)+強(qiáng)化學(xué)習(xí)方法，能進(jìn)行物體分割抓取，且錯誤率降低五倍以上。

二是人工智能改變了傳統(tǒng)的人-機(jī)、機(jī)器-機(jī)關(guān)系，協(xié)同化、群體化的特征不斷深化。人機(jī)協(xié)作方面，一是機(jī)器人的感知能力不斷增強(qiáng)，傳統(tǒng)依靠觸覺、力覺或距離等物理機(jī)理的機(jī)器人僅具有防碰撞等簡單功能，深度學(xué)習(xí)使機(jī)器人具有復(fù)雜的智能

功能，能感受工作環(huán)境，甚至聽懂人的說話。如越疆科技人機(jī)協(xié)作機(jī)器人通過語音識別與視覺識別技術(shù)，實(shí)現(xiàn)物體的識別和任務(wù)識別并實(shí)施。二是機(jī)器人的學(xué)習(xí)能力不斷增強(qiáng),替代傳統(tǒng)基于編程的控制方式。傳統(tǒng)協(xié)作機(jī)器人只能通過編程或示教器等方式進(jìn)行編程學(xué)習(xí)，深度學(xué)習(xí)方法使機(jī)器人能夠進(jìn)行復(fù)雜計算，完成智能學(xué)習(xí)功能。如歐姆龍發(fā)布了世界上首個全圖像化協(xié)作機(jī)器人，用戶只需簡單拖拽，1分鐘即可掌握工作流程。多機(jī)協(xié)作方面，機(jī)器人能夠進(jìn)行經(jīng)驗共享與協(xié)同作業(yè)。如谷歌基于機(jī)器學(xué)習(xí)和云計算，在云端建立數(shù)據(jù)庫存儲機(jī)器人執(zhí)行任務(wù)的經(jīng)驗，形成集中式技能模型，提升學(xué)習(xí)效率和任務(wù)執(zhí)行能力。圖24：人機(jī)協(xié)作機(jī)器人（左，西門子；右，谷歌） （二）通用技術(shù)突破與工業(yè)化適配成為解決四類應(yīng)用問題的關(guān)鍵 圖25：技術(shù)與解決四類問題的對應(yīng)關(guān)系

FPGA心底座工業(yè)問題的復(fù)雜性導(dǎo)致深度學(xué)習(xí)應(yīng)用具有極高的算力要求，必須通過AI芯片解決。深度網(wǎng)絡(luò)所需的矩陣運(yùn)算量極大，通用CPU博而不專，無法滿足算力需求。一方面，CPU架構(gòu)中負(fù)責(zé)計算的區(qū)域(ALU)占用面積較小，緩存和控制單元占據(jù)大量空間。另一方面，ALU與內(nèi)存交互過于頻繁，限制了總體吞吐量，并需要大量能耗。使用CPU進(jìn)行深度網(wǎng)絡(luò)運(yùn)算將導(dǎo)致較大的耗時與功耗，提高計算成本，限制了在工業(yè)領(lǐng)域的應(yīng)用。CPU微架構(gòu) GPU微架構(gòu)圖26：CPU與GPU架構(gòu)對比

FPGA能滿足算力與實(shí)時性要求，同時兼具功耗比低、價格可控和靈活性高等相對優(yōu)勢。將FPGA與CPU、GPU進(jìn)行峰值浮點(diǎn)運(yùn)算和算法運(yùn)行時間的對比可以看出，F(xiàn)PGA的算力遠(yuǎn)高于CPU，略低于GPU，而算法運(yùn)行時間遠(yuǎn)小于CPU和GPU，具有較大的優(yōu)勢。與ASIC芯片相比，F(xiàn)PGA的研發(fā)成本低、設(shè)計周期短，同時具有多任務(wù)靈活處理的優(yōu)勢，而與GPU相比，F(xiàn)PGA具有更高的功耗比。FPGA能夠提高機(jī)器人感知與處理性能、節(jié)省能耗，并已逐步融入機(jī)器人操作系統(tǒng)中。機(jī)器人的感知與處理環(huán)節(jié)猶如人“眼”和“腦”。在感知環(huán)節(jié)中，通過FPGA和CPU運(yùn)行SIFT、SURF、SLAM算法的加速比與能耗比可以看出，F(xiàn)PGA能提高感知幀率，讓感知更加精準(zhǔn)，并且FPGA運(yùn)行功耗較低，可使計算持續(xù)多個小時。在處理環(huán)節(jié)，以CNN（卷積神經(jīng)網(wǎng)絡(luò)）計算過程為例，與CPU相比，F(xiàn)PGA具有更高的速度和極低的計算能耗，使深度學(xué)習(xí)實(shí)時計算更容易在端側(cè)執(zhí)行。進(jìn)一步，F(xiàn)PGA正逐步融入機(jī)器人ROS中，為其未來在機(jī)器人的應(yīng)用普及奠定了基礎(chǔ)。如美國Sandia國家實(shí)驗室的機(jī)器人手臂SandiaHand使用FPGA進(jìn)行數(shù)據(jù)預(yù)處理；日本的研究人員提出了ROS-CompliantFPGA設(shè)計，使ROSNode可以直接運(yùn)行在FPGA上；ROS運(yùn)營機(jī)構(gòu)OpenSourceRoboticsFoundation發(fā)現(xiàn)機(jī)器人開發(fā)者對FPGA融入ROS的需求逐步提升。27：CPUGPUFPGA相關(guān)性能對比27-1：與峰值浮點(diǎn)對比(TFlops)

圖27-2：FPGA與CPU感知算法加速比（左）和節(jié)能比（右）27-3：CNN

除FPGA外，微處理器（MPU）在工業(yè)領(lǐng)域的發(fā)展也值得關(guān)注。MPU算力強(qiáng)大，能夠滿足通用性的工業(yè)AI推理需求，例如瑞薩電子根據(jù)工業(yè)控制的具體需求，推出RZ/G2系列MPU產(chǎn)品，該系列主要面向工業(yè)與樓宇自動化領(lǐng)域。還具有協(xié)同、控制FPGA從而重構(gòu)系統(tǒng)的能力。所以，未來可能形成通用AI功能使用MPU、專用化/實(shí)時性AI功能使用FPGA的協(xié)同局面。工業(yè)領(lǐng)域存在適應(yīng)性問題，對編譯器需求較為迫切。如各個框架底層實(shí)現(xiàn)技術(shù)不同，不同軟件框架開發(fā)的模型相互轉(zhuǎn)換存在困難，而且工業(yè)領(lǐng)域存在大量的實(shí)體與模型，模型表達(dá)不統(tǒng)一，不同框架下的模型存在交互需求。此外，軟件框架開發(fā)者和計算芯片廠商需要確保軟件框架和底層計算芯片之間良好的適配性。工業(yè)領(lǐng)域終端設(shè)備(芯片)種類繁多，需要通過中間語言IR實(shí)現(xiàn)前端與后端硬件的解耦。

通用編譯器群雄相爭，兼容性編譯器可能成為工業(yè)應(yīng)用未來趨勢。英特爾、亞馬遜、谷歌、Facebook、華為、阿里和KhronosGroup等企業(yè)和機(jī)構(gòu)基于各自優(yōu)勢與競爭考慮打造了相應(yīng)編譯器或模型表示規(guī)范。但目前業(yè)界并沒有統(tǒng)一的中間表示層標(biāo)準(zhǔn)，模型底層表示、存儲及計算優(yōu)化等方面尚未形成事實(shí)標(biāo)準(zhǔn)，仍處于群雄相爭的局面。初步判斷，未來兼容性的編譯器可能成為趨勢，其能不斷擴(kuò)展框架支持種類，滿足復(fù)雜的工業(yè)需求。訓(xùn)練框架方面，Tensor?ow、Ca?e等框架已能滿足工業(yè)訓(xùn)練應(yīng)用需求。例如GE的貝克休斯公司基于TF，利用深度學(xué)習(xí)算法進(jìn)行震動預(yù)測、設(shè)備預(yù)測性維護(hù)、供應(yīng)鏈優(yōu)化和生產(chǎn)效率優(yōu)化。阿里工業(yè)大腦全面支持TensorFlow、Ca?e等架構(gòu)，已廣泛參與到新能源、化工、重工業(yè)等不同制造領(lǐng)域。INDICS平臺基于Tensor?ow進(jìn)行軸承預(yù)測，并開發(fā)了基于INDICS平臺的算法建模工具平臺。推理框架方面，端側(cè)推理框架無法滿足工業(yè)終端計算需求，需定制化開發(fā)?，F(xiàn)階段工業(yè)領(lǐng)域云側(cè)推理基本采用TensorRT，一方面由于現(xiàn)有云側(cè)推理框架種類較少，而TensorRT對各訓(xùn)練框架兼容性較強(qiáng)，基本能夠滿足云端推理需求；另一方面，工業(yè)云端芯片基本為英偉達(dá)，TensorRT底層對其做了多方面優(yōu)化。但隨著工業(yè)終端智能化功能與計算需求的不斷提升，端側(cè)推理框架需求較為緊迫，華為、谷歌、騰訊、百度和蘋果等企業(yè)已經(jīng)開發(fā)出主要面向手機(jī)端的推理框架，極大地提升了移動終端的計算智能能力，未來具備向工業(yè)領(lǐng)域滲透可能性。比如華為MindSpore框架支持包括手機(jī)、攝像頭、自動駕駛等場景的推理需求，滿足端邊云全場景AI的計算需求。工業(yè)智能應(yīng)用面臨的四個關(guān)鍵問題中，實(shí)時性問題、軟硬件與模型適應(yīng)性問題可通過芯片、架構(gòu)與編譯器的發(fā)展來解決，而可靠性、可解釋性、數(shù)據(jù)與場景適應(yīng)性則需依靠算法層面的研究解決。場景定制化算法、基礎(chǔ)研究深化、前沿技術(shù)創(chuàng)新有望成為解決前述三個問題的三大利器。針對可靠性問題，需要將通用算法與工業(yè)機(jī)理、知識、實(shí)際場景結(jié)合，研發(fā)針對工業(yè)場景定制化的算法；針對可解釋性問題，人工智能可解釋性相關(guān)研究早已出現(xiàn)，深度學(xué)習(xí)具備可解釋基礎(chǔ)，技術(shù)透明化必會實(shí)現(xiàn)。根據(jù)公開資料顯示，21世紀(jì)以來，機(jī)器學(xué)習(xí)可解釋性相關(guān)文獻(xiàn)數(shù)量逐年遞增，算法透明化的研究不斷開展，并取得了一定的進(jìn)展。而通過深度學(xué)習(xí)識別人臉圖像的可視化過程可以看出，計算過程由邊角→五官→面部，完全符合人類的認(rèn)知邏輯，說明算法本質(zhì)并非黑箱，具備可解釋的基礎(chǔ)。隨著深度學(xué)習(xí)算法研究的持續(xù)開展，技術(shù)透明化在未來有可能實(shí)現(xiàn)。針對適應(yīng)性問題，遷移學(xué)習(xí)的“觸類旁通”通過從已學(xué)習(xí)的任務(wù)中轉(zhuǎn)移相關(guān)知識，解決新任務(wù)數(shù)據(jù)缺乏的問題；生成對抗網(wǎng)絡(luò)（GAN）等能夠合成訓(xùn)練數(shù)據(jù)，增強(qiáng)算法“自力更生”的能力?？傊?，前沿技術(shù)創(chuàng)新或可打破深度學(xué)習(xí)類算法對大數(shù)據(jù)限制，實(shí)現(xiàn)已有知識、模型的場景化遷移。從更長遠(yuǎn)來看，隨著類腦智能的發(fā)展，通用智能時代的到來或許能從根本上解決此類問題。圖28：深度學(xué)習(xí)圖像處理步驟可視化工業(yè)智能支撐產(chǎn)業(yè)工業(yè)智能支撐產(chǎn)業(yè)PAGE33PAGE33 （一）工業(yè)智能形成“兩橫一縱”的支撐產(chǎn)業(yè)格局 盟、咨詢服務(wù)機(jī)構(gòu)的周邊服務(wù)。ICT企業(yè)、研究機(jī)構(gòu)及相關(guān)行業(yè)協(xié)會三類主體為工業(yè)智能提供通用技術(shù)支撐；在應(yīng)用層面，裝備/自動化與軟件企業(yè)、制造企業(yè)、ICT企業(yè)和初創(chuàng)企業(yè)四類主體通過應(yīng)用部署與創(chuàng)新實(shí)現(xiàn)工業(yè)智能價值。盟、咨詢服務(wù)機(jī)構(gòu)的周邊服務(wù)。ICT企業(yè)、研究機(jī)構(gòu)及相關(guān)行業(yè)協(xié)會三類主體為工業(yè)智能提供通用技術(shù)支撐；在應(yīng)用層面，裝備/自動化與軟件企業(yè)、制造企業(yè)、ICT企業(yè)和初創(chuàng)企業(yè)四類