1 引言

智能工廠是推動數(shù)字經(jīng)濟與實體經(jīng)濟深度融合的關鍵路徑。這已成為世界主要經(jīng)濟體推動經(jīng)濟高質(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委員會和產(chǎn)業(yè)價值鏈促進會。同時，他們還提出了先進制造領先戰(zhàn)略、工業(yè)4.0戰(zhàn)略和產(chǎn)業(yè)互聯(lián)戰(zhàn)略。人工智能技術作為關鍵技術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，成為推動產(chǎn)業(yè)升級的關鍵技術。根據(jù)Automation Technology的預測，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%。

國務院先后出臺了《中國制造2025》、《工業(yè)和信息化部關于貫徹落實<國務院關于積極推進“互聯(lián)網(wǎng)+”行動的指導意見》、《國務院關于積極推進“互聯(lián)網(wǎng)+”行動的指導意見》等一系列政策文件。目的在于驅(qū)動工業(yè)數(shù)字化網(wǎng)絡化智能化發(fā)展，走具有中國特色的新型工業(yè)化道路，建設制造強國。同時國家也將制造業(yè)作為人工智能落地的重點行業(yè)，在《新一代人工智能發(fā)展規(guī)劃》、《互聯(lián)網(wǎng)+人工智能三年行動實施方案》、《促進新一代人工智能產(chǎn)業(yè)發(fā)展三年行動計劃》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域。

2 智能工廠中人工智能應用場景

智能工廠是實現(xiàn)傳統(tǒng)工業(yè)向數(shù)字化自動化工業(yè)轉(zhuǎn)型的關鍵路徑。作為實現(xiàn)智能工廠關鍵技術，人工智能技術正在與傳統(tǒng)制造技術不斷融合，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)，成為推動產(chǎn)業(yè)升級的關鍵技術。人工智能技術可應用于智能工廠的5大場景，包括：資產(chǎn)預測性維護場景、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)預測性維護場景

預測性維護是基于傳感器采集的設備運行數(shù)據(jù)，如噪聲、振動、溫度、壓力等，通過人工智能技術分析預測可能的故障點，并自動生成相關的維修建議。技術人員可根據(jù)建議提前處理有風險的設備，避免故障風險。預測性維護技術可以提供：

減少計劃外故障，提高整體設備效率(OEE)，確保連續(xù)生產(chǎn)，提高產(chǎn)量;減少維護頻率，降低維護成本，縮短維護時間，提高運維效率;減少更換零件，充分利用現(xiàn)有設備，延長設備使用壽命，增加投資回報。部分工廠結合智能傳感器和機器學習算法，利用傳感器數(shù)據(jù)、天氣數(shù)據(jù)、維護日志等傳感器以外的數(shù)據(jù)源構建設備運行模型，減少實際故障的發(fā)生幾率，優(yōu)化資產(chǎn)生命周期的維護計劃。比如在能源行業(yè)，基于機器學習技術，能源供應商可以利用來自電纜的硬件信息、實時性能測量和天氣數(shù)據(jù)來檢測和預測電網(wǎng)中斷，并主動識別電網(wǎng)故障的可能性。

2.2 工廠流水線管理場景

產(chǎn)品缺陷檢測和物體分揀是人工智能技術在流水線中的典型應用。人工智能技術在流水線上的應用，可以實現(xiàn)缺陷檢測和物體分揀，提高流水線效率。在缺陷檢測場景中，可以利用深度學習技術在頻繁的環(huán)境變化下檢測更小、更復雜的產(chǎn)品缺陷，提高檢測效率。通過與3D顯微鏡結合，可實現(xiàn)毫秒級缺陷識別，支持高速應用并提高吞吐量，解決傳統(tǒng)方法無法解決的復雜缺陷檢測和定位問題，大幅提升檢測效率。

在不規(guī)則物體排序的場景下，通過深度學習構建復雜物體的特征模型，實現(xiàn)自主學習，大大提高排序效率。通過結合3D視覺相機，機器人可以自動識別各種材料、形狀甚至重疊物體，并確定最佳抓取點。

此外，基于人工智能技術的AGV小車可以基于機器視覺技術，進行3D環(huán)境感知，可使AGV小車在夜間、室外、路面崎嶇的復雜環(huán)境運行，實現(xiàn)產(chǎn)線及倉儲場景下的自動物料傳送，大大提高工廠的運行效率。

2.3 車間管理場景

在工廠管理的場景中，需要對工廠內(nèi)工人的工作狀態(tài)進行監(jiān)控，規(guī)范工人的工作流程，識別安全隱患。工廠可以通過攝像頭捕捉生產(chǎn)線上員工的操作行為，利用人工智能技術進行計算分析，判斷工人的工序是否達標，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)，當出現(xiàn)某些不安全因素時，如工人離大型機器太近，或安全配件未正確佩戴時，可以通知系統(tǒng)并提醒工人在危機發(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

在供應鏈風險管理場景中，企業(yè)通過收集供應鏈各個環(huán)節(jié)中的企業(yè)內(nèi)部與外部的知識數(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，通過知識圖譜技術，構建企業(yè)的供應鏈知識圖譜，實現(xiàn)供應鏈風險的預測與管理。

在融資風險管控場景中，可以通過收集企業(yè)的控制人/合伙人、競爭關系、業(yè)務關系等數(shù)據(jù)，形成融資風控知識圖譜。通過知識圖譜構建企業(yè)的各種復雜關系信息，實現(xiàn)對金融風險的預測與管理，降低可能的風險與損失。此外，通過知識圖譜技術還可以與數(shù)據(jù)分析相結合，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，對設備運行、工藝參數(shù)等數(shù)據(jù)進行分析，找出最優(yōu)參數(shù)，可以大大提高運行效率，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，動態(tài)進行調(diào)度處理，執(zhí)行制造能力計劃、庫存管理等與制造過程相關的管理任務。例如，某制造商在航空發(fā)動機制造過程中使用智能算法優(yōu)化生產(chǎn)線設計，輔助制定和優(yōu)化生產(chǎn)計劃流程，通過智能制造技術提高生產(chǎn)力。

3 智能工廠中人工智能關鍵技術分析

為了實現(xiàn)智能工廠中的人工智能不同場景下的各種需求，其基礎就是各種工業(yè)數(shù)據(jù)的采集和網(wǎng)絡傳輸，模型的訓練和推理，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、工業(yè)數(shù)據(jù)傳輸網(wǎng)絡、人工智能算法模型、安全性以及硬件算力的要求成為實現(xiàn)工廠智能的關鍵。

3.1 工業(yè)數(shù)據(jù)采集技術

數(shù)據(jù)是智能工廠的核心，通過工業(yè)數(shù)據(jù)全周期的應用，實現(xiàn)機器彈性生產(chǎn)、運營管理優(yōu)化、生產(chǎn)協(xié)同組織與商業(yè)模式創(chuàng)新，推動工業(yè)智能化發(fā)展。

工廠內(nèi)部網(wǎng)絡包含連接管理信息系統(tǒng)的IT網(wǎng)絡和連接現(xiàn)場控制與監(jiān)測系統(tǒng)的OT網(wǎng)絡。傳統(tǒng)OT網(wǎng)絡多采用工業(yè)總線技術，標準多樣并且技術較為封閉，相對而言IT網(wǎng)絡標準則較為統(tǒng)一且開放。這使得OT網(wǎng)絡與IT網(wǎng)絡的對接與數(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)絡與IT網(wǎng)絡的關鍵。

為了能夠?qū)崿F(xiàn)工業(yè)數(shù)據(jù)采集，采集設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)設備接口，實現(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

為了更方便地實現(xiàn)OT與IT網(wǎng)絡的互通，以及實現(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)絡技術發(fā)展的趨勢。通過IP技術可以實現(xiàn)從現(xiàn)場級、過程測量與控制級、管理級、企業(yè)級網(wǎng)絡技術的統(tǒng)一，完成“e網(wǎng)到底”的技術目標 (如圖1所示)。

工業(yè)以太網(wǎng)由于應用的廣泛性和技術的先進性，已經(jīng)成為過程控制領域中上層信息管理與通信的主流技術，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。

圖1 “e網(wǎng)到底”工業(yè)網(wǎng)絡的趨勢同時，隨著5G網(wǎng)絡的大規(guī)模部署，5G網(wǎng)絡在工廠中的應用也越來越普遍。5G是一種超連接技術，可實現(xiàn)超可靠的低延遲通信 (URLLC)、增強型移動寬帶(EMB)和海量機器類型通信 (mMTC) 。通過5G網(wǎng)絡可以實現(xiàn)在工廠內(nèi)部隨時隨地的網(wǎng)絡接入，并可以實現(xiàn)海量設備，海量數(shù)據(jù)的高速，低時延接入。通過5G和邊緣技術的結合，可以將AI技術延伸至工廠的各個部分。

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)各個工廠的具體情況和數(shù)據(jù)進行定制化的訓練和部署。因此，人工智能模型的全生命周期的管理對于智能工廠是非常重要的，其中包含數(shù)據(jù)的預處理，模型的訓練，模型的推理，模型的部署。

數(shù)據(jù)預處理：首先需要確保用于模型訓練的數(shù)據(jù)集的質(zhì)量，這些數(shù)據(jù)需要包含需要檢測的模式特征，并且具有足夠高的信噪比。其次，需要對數(shù)據(jù)進行數(shù)據(jù)驗證(例如類型、格式、范圍、一致性)、轉(zhuǎn)換(例如單位、時區(qū))、對齊(例如時間戳的對齊以及語義層面的對齊)、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，需要對數(shù)據(jù)進行標注，以便于監(jiān)督學習模型的訓練。數(shù)據(jù)預處理的處理必須在模型訓練和推理階段保持一致，以確保在模型訓練和推理期間使用的數(shù)據(jù)內(nèi)容和格式相同。

模型的訓練：模型的訓練需要大量的數(shù)據(jù)，并根據(jù)智能工廠不同的應用場景和數(shù)據(jù)類型(比如視頻/圖片，自然語言，時序數(shù)據(jù)等)選擇合適的算法或模型(深度學習模型，傳統(tǒng)機器學習算法，知識圖譜，時序數(shù)據(jù)模型等)。模型訓練需要大量的計算資源，因此通常在云端服務器中進行，并根據(jù)業(yè)務需求進行模型的迭代更新。模型訓練所需要的數(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：相對于模型訓練，模型推理過程不需要大量的數(shù)據(jù)，但在不同場景下對于推理的時延要求不同。工廠流水線場景以及車間管理場景中的部分應用對時延要求較高，時延要求可以到毫秒級，比如缺陷檢測，工業(yè)機器人控制等。而對于預測性維護以及制造流程優(yōu)化等場景，則對時延不敏感，時延可到秒級。因此，對于時延敏感場景，模型的推理建議在邊緣端進行，而對于時延不敏感的場景，模型的推理任務可以在云端服務器進行。

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

3.4 安全性要求

隨著人工智能技術的大規(guī)模應用，人工智能的安全性已得到越來越多的關注，特別是在智能工廠領域，在一些場景下，比如流水線控制，對于錯誤的容忍率很低，準確率要求達到99.9%或者更高，此時模型的魯棒性就顯得非常重要。同時，隨著聯(lián)邦學習應用越來越廣泛，需要保證各個邊緣設備間協(xié)同模型訓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模型可能具有自學習能力，可以在運行時通過收集新的數(shù)據(jù)不斷訓練并進行參數(shù)更新。在這種情況下，將通過自學習產(chǎn)生的模型應用到可能影響機器運行或流程操作的環(huán)境中，必須實施嚴格的驗證以防止安全隱患或者意外結果的發(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)絡的安全性也需要得到重視。應確保工業(yè)網(wǎng)絡安全，確保邊緣側(cè)與云端服務器間網(wǎng)絡的傳輸保護與邊界網(wǎng)絡隔離。對于數(shù)據(jù)安全，應進行數(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)在傳輸與存儲過程中的安全。

此外，為了防止AI模型的訓練數(shù)據(jù)被人為操控或投毒，同時也便于審計和防御，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”，并跟蹤訓練數(shù)據(jù)、模型/算法和決策過程，以支持審計和問責制的確定。

3.5 硬件算力要求

隨著深度學習技術的出現(xiàn)，現(xiàn)代人工智能的數(shù)據(jù)需求越來越大，隨之而來的是對計算能力要求的激增。在訓練階段，由于現(xiàn)在采用的方式主要是在云端服務器離線訓練完模型后，再部署到推理服務器的方式，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。對于云端推理，由于實時性要求不高，因此GPU也可以滿足需求，但對于邊緣側(cè)推理，現(xiàn)有的智能工廠的應用場景主要是實時監(jiān)測和實時控制等高實時性業(yè)務為主，因此對推理的實時性要求極高，需要在幾毫秒至幾十毫秒級別，現(xiàn)在的GPU方案已難以滿足要求。為了滿足工業(yè)場景下的實時性要求，滿足邊緣側(cè)推理要求的專用FPGA方案已成為趨勢。

4 結束語

如今，人工智能已廣泛嵌入到智能工廠各個領域的應用中，幫助企業(yè)實現(xiàn)各種智能化應用，并深刻改變工廠的運作方式和為企業(yè)創(chuàng)造價值的方式。隨著硬件算力的提高，更龐大的訓練數(shù)據(jù)，以及算法的日益復雜化，將導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。同時，人工智能的實時性，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，未來人工智能技術將在智能工廠中得到越來越廣泛的應用。
責任編輯：彭菁