当前位置:今期特马刘伯温玄机图 > 人工约束 >

人工智能与工业互联网的结合是大势所趋现在只是刚刚开始

  摘要:本周,由天泽智云主办的2019未来工业智能峰会成功举行。在主题演讲中,中国工程院院士邬贺铨全方位的汇总并解读了人工智能应用于工业场景中的各种实际案例,涵盖设计仿真、数字化排产、生产工艺优化、个性化生产、质量监控、预防性维护、供应链和销售、客服中心、企业管理等多个环节。演讲内容颇具参考价值,因此本文对有价值的信息进行了详细整理。

  本周,由天泽智云主办的2019未来工业智能峰会成功举行,我受邀担任主持人。在主题演讲中,中国工程院院士邬贺铨全方位的汇总并解读了人工智能应用于工业场景中的各种实际案例,涵盖设计仿真、数字化排产、生产工艺优化、个性化生产、质量监控、预防性维护、供应链和销售、客服中心、企业管理等多个环节。演讲内容颇具参考价值,因此在本文中,我对有价值的信息进行了详细整理。

  需要预先说明的是,虽然人工智能AI和机器学习ML被认为是黑科技,但还缺乏事实证明这些技术可以有效复用,并使企业获得确定性的投资回报。人工智能在工业领域,也还没有产生可以量化的重大影响。

  工业上也有IT技术,包括传感器、执行器、监控与数据获取系统SCADA、制造执行系统MES、可编程逻辑控制器PLC。工业上OT技术包括材料、机器、方法、测量、维护、管理、模型,这两者需要结合,否则工业互联网还是“两张皮”。

  人工智能AI与工业互联网IIoT、大数据分析、云计算和信息物理系统的集成将使工业以灵活、高效和节能的方式运作。工业人工智能中需要融合数据技术(DT)、分析技术(AT)、平台技术(PT)和运营技术(OT)等技术。

  工业领域主要以企业私有数据库为主,规模有限,要实现人工智能与制造业的深度融合,就必须要在制造业领域加强数据获取与整合,企业必须切实做到数字化转型,大力发展工业互联网。

  人工智能我们可以分成感知、理解、行动,具体又包含视觉分析、语音处理、知识表达、机器学习,其目的是为了提升效率、降低成本、改进客户体验、促进技术创新。

  对于传统的制造业企业来说,如果想做到人工智能的融合落地,企业首先要收集数据,这就需要比较好的传感器、物联网等,但是大部分企业都不具备。

  所以,人工智能与制造业的深度融合发展需要以大数据作为支撑,与消费环节相比,制造环节数据的可获得性、可通用性更弱。制造业机器设备生成的数据通常较为复杂,有接近一半的数据是没有相关性的。

  传统制造业不擅长信息技术的研发,但有些信息技术领域的公司是愿意进入传统产业领域的,与制造企业共同为生产力赋能。

  人工智能在工业的应用,包括质量分析、装备诊断、能源能效管理、采购管理、制造销售等环节,都可以派上用场,下面依次来谈。

  台湾中钢公司,他们引进了IBM的Power AI解决方案,用于分析轧钢过程中的缺陷。为了更好的将27吨的钢坯,轧到0.5毫米的成品,预测和分析过程中的缺陷,他们收集了过去一年7000多批次的产品数据。经过数据清洗,筛选出了可能影响产品质量的特征数据,并且转换成了可供机器学习使用的数据。

  这些数据中,80%拿来做学习,20%拿来做检验。然后他们设计了4种数学模型,来看哪种模型更符合实际情况。最后他们根据模型分析一条产品线多个数据,发现炉内压力对缺陷影响最大。

  最后中钢公司在人力资源和钢坯质量方面,都得到了很好的改进,成本大幅降低。

  现在我们很多地方会用到工业机器人,但是工业机器人买来了,工程师们还需要根据生产需求来编写程序,否则机器人是不能完成加工任务的。

  现在一些公司正在研发带有自主程序的机器人。比如左图这个机器手臂,它并没有预置程序,而是跟踪人的手臂运动,人怎么动,它就怎么动。右图这个机器人也没有预先编写程序,人怎么走,它就怎么走。在这个训练的过程中,机器人自动把编程完成了。

  还有人正在尝试,将工业机器人的大脑统一配置在云端,由云端来集中管理,而不是为工厂中大量机器人的每一台都分别配备一个大脑。

  仿真中,我们要先做一个模型,然后再做仿真。建模的过程往往并不容易,需要跟企业的实际相符,需要专业人员做非常艰苦的工作。现在仿真模型可以考虑用人工智能技术来做。

  比如吉利,原本需要经过很多次的汽车碰撞实验,仿真时间很长。现在通过AI技术,仿真时间可以大大缩短,碰撞的车辆损耗也可以减少。

  仿真如果用上VR、AR技术,就会更加直观。浙江大学与某汽轮机厂合作,在网络上进行汽轮机的设计与仿真,使得整个过程更直观、更直接。通过这套设计与仿真流程,大大节省了汽轮机产品设计的时间成本。

  工厂中排产过程是必不可少的。比如汽车企业的冲压车间,排产的特性是小批次、多边界、多约束。如果涉及到更换模具,时间长、次数多,很多时候影响生产效率。而且人工考虑的约束条件常常是不完善的,所以导致排产效率较低。

  上汽在传统冲压车间,将手工排产转变成数字排产,减少了物料的存放,快速响应了生产需求,提高了生产效率,减少了能耗和物流成本。

  苏州协鑫是做光伏切片的,他们是全球最大的光伏切片供应商。光伏切片,切得越薄,成本越低,然而如果越薄,可靠性和成品率都会产生问题,他们的痛点是怎么平衡切片厚度和成品率?根据苏州协鑫积累的大量数据,利用工业大脑,他们从工艺的上千个参数中,找出60个关键指标。通过优化流程,良品率提了升了1%。不要小看这1%,它意味着每年的利润增加一个亿。

  天合光能也是做光伏电池的,在全世界也是很有名的一家企业。利用AI技术他们进行了业务流程的工艺优化,找出了其中最关键的环节,成品率提升了7%。

  杭州中策是做轮胎的,全世界排名第三,每年生产5000多万条轮胎。他们每天需要从全世界不同地区进口一千多吨橡胶,质量很难保证。他们也是借助于工业大脑,找出其中最关键的环节是粉凝胶环节,平均合格率提了3~5%,年增1000万利润。

  这几个企业的AI应用之所以能够成功,实际上得益于他们此前通过工业互联网,积累了大量且有价值的生产数据。

  伴随个性化生产,出现了一个很有意思的现象。90年代后期,欧美的汽车企业,从订单到交付期限是20天,现在是40天,为什么现在反而比原来还长呢?因为现在要求汽车的个性化定制。那么怎么做到个性化?

  奥迪跟SAP合作,基于人工智能技术,把匈牙利的电动汽车的流水线进行了改造,做到不同车型的工序和大量零部件的广泛协同。这种组合是几何量级的数据,依靠人工根本不可能完成,他们最终通过人工智能将生产效率提升了20%。

  中国青岛的红领,在西服制衣领域,他们有个性化的服装数据库,利用人工智能算法,优化了整个生产过程。所以红领的个性化生产只比批量生产的成本提高10%,但是回报翻番。

  韩国的浦项钢铁公司,钢板上要镀锌。镀锌镀厚了没好处,还多花成本。镀得太薄了,又达不到质量标准。怎么能准确掌握镀层的指标呢?最终他们利用人工智能技术,浦项将原来人工控制镀锌,每平方米7克的重量,减少到每平方米0.5克。

  普锐特公司与宝钢合作,控制1580热轧机上热轧板的宽度。我们都知道钢铁越扎越薄,越薄就越长。怎么控制这个过程中的张力和压力,减少偏差?这个过程是一套比较复杂的数学模型,过去靠专家的人为经验,现在通过AI实现精轧机的动态宽度控制,提高了成品率。

  印度塔塔钢铁公司也是个大型的钢铁企业,他们利用人工智能发现汽车用带钢的表面缺陷。PCB板的生产过程现在很成熟,线条非常密集,依靠员工的检测,很难知道不该连的线是不是连了,该连的线是不是没连上。清华跟英业达合作,利用包含人工智能的机器视觉,发现人工无法检测的PCB板故障,每年增加上亿元的效益。

  华星光电通过机器学习与快速训练,对LED面板进行检验。识别出哪些是合格的LED,节省了60%人力。

  我们都在讲预防性维护,为什么呢?根据分析,82%的故障是随机发生的,很难预先发现。而18%的故障是可以利用传统方法预防的。如果我们抛开传统方法,能不能把82%的故障也实现预防?现在利用人工智能技术,这是有可能的。

  清华大学跟金风科技合作,提升风机的效率。如果叶片对不准风向,则发电效率大大下降。如果在北方地区,叶片结冰了,不但效率下降,整个风机还有可能损坏。这种情况靠人工巡查是比较困难的,利用传感器、大数据和人工智能算法,能够很好地建立风机设备的健康评估模型,整个维护成本可以降低50%。

  数字孪生是个大家越来越熟悉的概念。右图是机器人在网上的镜像,也就是数字孪生,它掌握了左图中实际运行产品的所有参数。一旦数字孪生发现正常运行的参数发生了变化,产生异常,就可以通过网络的远程控制进行调整。

  利用数字孪生可以实现预防性维护。GE公司管理的数字风场,也是利用了这样的技术,预先发现问题,能够提升20%的效率。

  联想利用全球数据中心掌握的数据,根据国际市场状况,与宝钢合作建立了钢铁的销量预测系统,预测精度是92.2%,库存周转期减少20%。

  卖羽绒服的波司登,在全国有3000多家门店。门店的衣服到底是卖光了,还是有库存,过去很难掌握。现在他们也是利用了人工智能的管理技术,减少了存货损失。

  蒙牛利用AI,贯穿于从奶源、运输、仓储、生产、销售的整套环节,建立了全流程可追溯的系统。产品周转率提高30~40%,效率提高36%。

  亚马逊,大家都知道,他很早就利用了与用户产品属性相关联的知识图谱,既向用户做个性化推荐,也向销售商提供建议,令其增加了10~30%的附加利润。

  客服中心也可以用到AI技术。菜鸟经过统计分析,发现每个快递员每天要送150到200个包裹,每递送一个包裹要打一次电话。一个电话大概半分钟到一分钟,这样统计下来,每天光打电线个小时。

  于是阿里设计了语音助手,帮助快递员打电话。这个助手具备基本的人工智能,可以跟用户约定送货地点和时间,提高快递员的工作效率。

  印度的Infosys也是类似的情况,他们原来的客服中心里有8000多个座机员,现在被人工智能“接线员”取代。日本的保险公司也采用了人工智能技术,相当于代替了34名保险经纪人,每年节约110万美元的开支。

  华为的管理水平,一直是企业的样板,但是华为仍然在不断发现问题解决问题的过程中。华为开发了很多手机,具有不同的品牌、不同的开发团队。这些手机型号之间的技术关联性不大,没有考虑手机代码的可复用性,耗费研发人员大量的时间,影响了研发的效率。

  华为本身的业务很多,还包括很多的合作方。最多的时候,华为的一个交付人员,在交付产品之前要打开20多个IT系统,实际上很影响效率。另外,2014年华为的账实一致率只有78%,也就是有600多亿元的帐与货是对不上的,要花大量的人力物力去核对。2016年华为进行转型,这个财务的转型是孟晚舟女士牵头做的,现在账实一致率达到了98.62%,很多会计工作完成了由人到机器操作的转变。

  华为这么多的员工,每年的报销量是120万单。现在华为基本不是靠会计人员来做报销,都是机器报销。华为认为未来数字化转型要瞄准5个方面的需要:客户、消费者、合作伙伴、供应商、员工,做到实时的按需服务,通过将人工智能技术引入管理,来提升五方体验和提高客户满意度。

  神经网络是一种以输入为导向的算法,优质的结果取决于接近无穷量的数据。实际上,工业企业长期收集全面高质量的数据,是很难做到的。数据模型往往因为参数和数据的复杂度,使得拟合过程失去的物理意义。尤其是经过深度学习算法得出的结论,可能知其然,不知其所以然。通常这个结果缺乏透明性和可解释性,这是工业企业不愿看到的。为了让人工智能的结果具备可解释性,需要实施神经网络的反向工程。

  另外,机器学习根据大量统计数据得出结论,但在临界点可能会发生误判。所以只有神经网络,这是不够的。

  机器学习着重于通过有限的输入数据流,来了解环境,而人类能够同时洞悉各种不同的环境。

  基于大数据导出的数学模型,未必就优于制造业基于长期积累,对建模对象客观规律的理解所得到的模型。不见得一开始机器模型就比人工的模型好。

  在牵涉权衡利弊的复杂情况的时候,AI对没有先例可循的非连续性变化束手无策。

  群体学习是人类与生俱来的交际能力,电脑是不具备的。AI很难跟对方,无论对方是人还是物,进行深层次的交流。

  人工智能还远远不能完全达到人的能力。日本曾经研究过,某些连续的重复性工作岗位,不到一半能被AI取代,但有一半以上还是没办法用机器取代。

  人工智能要在工业领域真正落地,工业企业必须切实做到数字化转型,大力发展工业互联网,此外还要注重信息安全等问题。

  工业互联网有可能将企业的生产数据暴露到外部,尽管是内网,但还是躲不过病毒。工业互联网中大量使用到传感器和物联网设备,目前防病毒能力还是比较弱的,有可能被木马侵占,产生拒绝服务攻击。

  一周以前,委内瑞拉大部分地区经历了长达9小时的停电,到现在有部分地区还在停电。什么原因呢?委内瑞拉东南部的一个水电站,提供了他们全国电力供应的70%。这个水电站可能受到网络攻击了。

  3月10日,埃航的飞机坠毁了。实际上不到5个月前,印尼狮航的飞机也坠海了。这两架都是波音737 MAX8,机龄一个3个月,一个4个月,一个起飞6分钟,一个起飞13分钟。

  狮航的故障已经基本查明,737是波音的主力机型,737 MAX8采用了更省油的CFM大发动机,这是GE与法国合资的公司生产的。发动机大,虽然省油,但发动机大,意味着半径大,装在飞机翅膀底下,起落架高度不够。所以一方面要把发动机做扁,一方面要把发动机尽量往飞机前面装。安装到飞机前端,发动机头部翘起来,飞机大迎角,受风力比较大。波音已经考虑到这个问题,所以他们设计了把飞机从抬头变成俯冲的失速配平系统。

  波音在机头旁边装了3个迎角传感器,检测飞机是否抬头。结果迎角传感器判断错误,给出了错误的指令,自动把飞机的头往下压。飞行员把机头拉起来,系统继续往下压,人机大战,飞行员打不过自动化,结果发生飞机坠毁的悲剧。

  实际上波音是工业互联网的先驱,波音在生产飞机的过程中,用到8000多种软件,1000种是外购的,7000种是自主开发的。波音说自己是软件公司,非常重视大数据的收集与应用。但尽管如此,如果数据不准确,软件有缺陷,自动化也会失控。

  人工智能推动企业向智能制造和智能运营发展,但人工智能需要跟大数据、移动互联网、物联网、云计算协同,而且需要与企业的运营技术紧密结合。

  目前的工业智能,实际上还是人工+机器智能。在人工智能时代,企业的工程师、工匠精神与经验,仍将发挥不可取代的作用。

  与其他领域相比,AI在制造业的应用会产生较大的效益。但目前我国AI的投资还主要在消费领域,在制造业的投资只占AI投资的1%,需要重视工业智能的研发与创新。

  根据中国信通院2018年9月发布的报告,在各类垂直行业中,人工智能渗透较高的领域包括医疗健康、金融、商业、教育和安防等。其中,医疗健康领域占比居前,达22%;金融和智能商业领域占比分别为14%和11%。但在制造业和工业领域,却面临着融合不足的挑战。

  人工智能在工业落地之所以缓慢,一方面因为相比于数据算法的迭代,硬件升级创新相对周期较长,从而导致滞后。另一方面,工业中应用人工智能要格外小心,因为工业中使用的人工智能与消费领域的人工智能有本质区别。

  工业人工智能是一门严谨的系统科学,它专注于开发、验证和部署各种不同的机器学习算法,以实现具备可持续性能的工业应用。因此人工智能应用于工业,必须根据制造业的具体场景进行定制,简单照搬模板化的人工智能解决方案并不可行。

http://aqilabutik.com/rengongyueshu/111.html
点击次数:??更新时间2019-05-28??【打印此页】??【关闭
  • Copyright © 2002-2017 DEDECMS. 织梦科技 版权所有  
  • 点击这里给我发消息
在线交流 
客服咨询
【我们的专业】
【效果的保证】
【百度百科】
【因为有我】
【所以精彩】