人工智能下的工业制造应用与趋势

摘要：在数字化浪潮的驱动下，人工智能由理论逐渐走向应用与实践，并带动了工业智能制造的飞速发展。基于人工智能的时代背景，本文阐述了我国智能制造的发展现状，结合国际标准介绍了参考模型RAMI4.0与生态系统SMS，并分析了我国在该领域面临的困境。此外，本文结合RFID技术和Agent技术分析了人工智能在工业智能制造领域的应用，并对未来发展提出展望。

关键词：智能制造；人工智能；参考模型；RFID技术；Agent技术

随着时代的发展，人工智能技术在我国的关注度逐年提高，其热门的衍生应用包括工业智能制造与人工智能的融合。制造智能化的过程不仅涉及技术且涉及企业组织流程的重构和商业模式的创新，甚至能够影响企业战略发展的进程。由于人工智能技术的融合，智能制造在我国也呈现出广阔的发展前景。

1人工智能时代的语境分析

1.1人工智能的发展现状

智能制造最初被定义为机器人应用制造软件系统技术、集成系统工程以及机器人视觉等技术，实行批量生产的系统性过程。如今，中国AI企业超过1000家，已成为人工智能发展最快的国家之一。到2020年，中国人工智能市场规模将超过700亿元。然而，我国仍处于人工智能发展的初级阶段，在诸多关键指标上与美国还存在较大差距。我国的工业制造企业更青睐技术相对成熟及应用场景更清晰的领域，而对基础层关注较少。人工智能主要产业链有三个层面：基础层，即芯片、算法框架等；技术层，即计算机视觉、自然语义理解、语音识别、机器学习等领域；应用层，指垂直产业或精确场景的领域。其中企业价值链主要分布在应用层和技术层。

1.2人工智能的技术布局

AI技术的布局由核心技术研发、产业化及基础资源公共服务平台三部分构成。其中，核心技术的研发及产业化项目大多有三个技术层面上的要求。（1）人工智能的深度学习和类脑智能的基本理论；（2）芯片、传感器、操作系统、存储系统等基础软件和硬件的人工智能共性技术；（3）以AI为基础的计算机视听感知、生物识别、人机交互、自然语言理解等人工智能重要技术[1]。

1.3人工智能在重点领域的智能应用

为加快AI技术的产业化进程，AI先后被各国在多个重要领域试点推广，在第一时间转化为生产力，如家庭、制造、教育、环境等领域。制造业领域，使用人工智能的方案主要分为产品、产品和服务、业务运营管理、供应链和业务模型验证五个领域。AI在工业领域的应用从智能制造转移到生产服务和供应链管理。智能化生产领域，计算机视觉技术的发展促进了人工智能在质量监控和缺陷管理中的应用，未来越来越多的应用场景将应用到AI技术。例如自动化生产工厂、订单管理、自动调度等。商业模型决策领域，客户体验和成本结构是AI在制造商业模型决策中的主要方向。众多公司计划使用人工智能来准确预测客户需求、开发智能产品和服务，采用定价和计费方式，为客户提供高效，完善的服务体验。

2智能制造发展现状

截至2019年2月，人工智能企业广泛分布在18个应用领域，上述两个领域企业数占比最高，分别达到15.7%和10.5%[2]。基于人工智能在制造业的发展，国际电工委员会提出十余种描述不同制造技术系统特征和结构的通用参考模型。其中工业4.0参考体系结构模型Rami4.0和智能制造生态系统模型SME两种模型最具代表性。

2.1工业4.0参考架构模型

RAMI4.0工业4.0参考架构模型利用三维模型描述了智能制造的关键因素，从产品的全生命周期与价值链、层级结构和架构等级进行分析，帮助智能制造企业进行自我定位。该模型第一维度是产品生命周期和价值链。产品完整的生命周期从流程规划开始，到产品设计、生产仿真测试，接着正式投入制造，最后到销售和服务，进入市场。[3]第二维度是层级结构，除工厂及其中的设备，在原有框架中增加了“产品”和“互联世界”两层。第三维度是最重要的创新部分，即“功能级”维度，用于对以上两个角度进行信息建模，其主要分为六层：业务层、功能层、信息层、通信层、集成层、资产层。各层功能相对独立，相邻层间联通，“下层”对上层提供接口，上层可以获得下层的服务[3]。

2.2智能制造生态系统SMS

与RAMI4.0相比，智能制造生态系统SMS着重分析制造网络中各组分间的联系，分为三个维度，不同维度的生命周期相互“独立”[4]。在产品维度，其生命周期从设计阶段开始，经过工艺规划和设计、制造、直到最后退役回收作为结束，该“维度”涉及整个周期中的信息流和控制；在生产系统维度，其生命周期专注于生产系统的设计、建设仿真、系统调试、运行维护和最终的退役；在业务维度，其生命周期着重于在采购和配送环节上调节供需关系的平衡。各维度都在制造金字塔中发挥一定的作用且强调了制造生态系统中软件的集成[5]，有助于制造流程的调控和战略决策的优化。以上概念和网络关系结合在一起形成完整的智能制造生态系统。基于标准制造的SMS系统可以自由方便地进行数据的交换，进而优化产品更新的速度和生产系统的供应效率，同时改善车间安全和加强产业的可持续性。

2.3我国智能制造尚存的问题

2.3.1核心技术的归属芯片技术包括集成电路和半导体产品两大主要方面，我国在世界芯片市场的占比极为低下。如今中国技术基础的落后也在一定程度上表现鲜明，这同时表明我国的提升空间。比如我国集成电路的自给率从2010年的4.5%到2017年的11.2%，我国集成电路的自给率在近年有着难以忽视的进步，与此同时技术的落后也彰显出来。以我国核心芯片占有率为例，能够替代的国产芯片寥寥无几，多数能够发挥作用的属于低端产品。包括工业机器人等工业智能化的堡垒相较于其他国家都不可及，其核心技术及市场分布主要是集中在日本、德国等技术大国。2.3.2产品转化能力的弱化如今，我国智能制造的设计能力被困箍在实验室中，商品化、产品化的能力过弱，缺少专业化的供给输出机构。这其中也有智能制造本身特性所带来的对专业性机构（即产品转化能力）的渴求，首先智能制造企业对其“供应链”有着极为严苛的需求，从设计产品，到线上线下店铺的经营，每个环节都必不可少。其次，智能制造的“试错成本”和投入高昂，加上无法避免的“长制造”周期，针对这一缺陷，专业性的输出产品化机构能够在很大程度上减少经济损耗。

2.3.3核心人才培养环节的缺失AI技术的融合发展给予行业新的活力，但同时提高了对人才的要求，能为两者的融合发展发挥个人作用和贡献的人才在数量上相对较少，使得行业发展受到了限制。以工业机器人为例，人才的培养主要集中在以下三类：一是制造阶段的技术人才需求，即对应产品的基本制造和工厂组装；二是系统加成阶段的技术人才需求，即对应集成电路、机器人的安装调试等工作；三是企业应用阶段的技术人才需求，即处理机器人的专业维护以及操作编程等工作[6]。

3人工智能对智能制造的影响

3.1RFID技术在智能制造上的应用

智能传感技术是智能制造领域的核心技术之一，RFID是其中一种射频识别技术，主要包括读写器、电子标签、天线以及数据管理系统[7]。在磁场范围内，天线对电子标签发送无线射频信号，电子标签接收信号后发送对应信息，而读写器的作用是读取电子标签反馈的信息，提交到数据管理系统进行处理，从而实现信息的无接触传递，完成对标签信息的识别。如RFID和AI结合在汽车生产流水线的应用：输送线将汽车的发动机配送到特定的位置时，控制系统利用电子标签识别汽车的型号并配备相应物料，同时确定发动机的摆放位置、方向是否正确。装配物料后，控制系统可以根据读取到的型号，通知电动拧紧机自动寻找位置进行螺栓拧紧，并在工作完成后将该发动机运至下一道的生产工序中。

3.2Agent技术在智能制造上的应用

Agent理念源于分布式人工智能，可理解为驻留在特定环境下，能自主感知周围环境并采取行动、灵活执行接受的命令以满足预设目标的计算机系统，具有自治性、主动性、反应性、面向目标性以及交互协作性等特点。Agent系统主要由推理机、知识库/数据库、通讯模块及功能模块组成[6]。其中推理机主要负责接受通讯模块的信息，结合知识库或数据库中的信息进行分析和推导，并对功能模块下达相应任务，功能模块包含计划、监控、决策和协作等功能，其基础结构如图1所示。Agent系统可以应用在手机制造当中，如：参与新型手机的开发和设计、操控手机制作和组装的过程、对手机制造流水线进行维护。理论上，Agent技术可应用于制造的各阶段，需要考虑如何对系统进行建模，使用Agent的总量，Agent间连接方式，多Agent情况下的配置方案等问题。

4人工智能与智能制造的未来趋势

4.1对智能制造行业的痛点针对性

针对目前市场上的智能制造行业出现的痛点，我们可以通过AI技术提高产品质量及制作效率。部分服装制造公司经过智能改造后，效率大大提升，提高了产能1.25倍左右；其他诸如高精密仪器制造公司完成的智能化改造的生产线也大大提升，一线工人数量减少了近70%，效率和产出提升超过30%[8]。伴随着智能制造的痛点针对性带来的目的性更为明确，直接带动了未来我国智能制造业的规模兴起。

4.2大数据技术将成为二者融合发展的核心技术

在数据驱动行业的过程中，安全性可以成为业务决策的重要基础。诸如行业关键数据和公司核心技术专利之类的数字资产的价值正在加速增长。最小化数据安全风险，提高系统安全性和数据安全性是数字转换和业务升级的更重要指标[9]。

4.3产品发展的服务化增强以及范围广泛化

新的商业模式和新模式正迅速出现在测试城市中。随着HaierCosmo，ShugenInternet和AerospaceCloudNetwork提供的工业Internet平台的快速发展。在Siasun的“机器人智能工厂”，公司的效率提高了一倍。该工厂的新模型可以在短短三个月内扩展，能有效提高高端本地机器人的效率。

5小结

自1956年起，人工智能技术为生活的各个方面带来新的活力，随着时代的进步，现出现的痛点将会随着智能制造与人工智能技术的适度融合以及共同发展逐步被解决，但当下的AI技术大多停留在理论研究阶段。而智能制造更侧重技术问题，应广泛应用在生活各方面。在工业方面，寻求新的转机、追求智能化的风向已然出现。我国在人工智能技术的诸多领域与其他国家相比还存在劣势，在基础的理论研究、核心技术算法、关键设备、集成电路和产品输出领域，研究的优秀成果并不多，人才数量和技术无法跟上发展的迫切要求。但中国也有其他国家不具备的优势，如大量的数据以及基础设施：并且官方先后部署了智能制造等国家重点研发计划重点专项、《"互联网+"人工智能三年行动实施方案》和《新一代人工智能发展规划》[8]。从指导思想、战略目标、重点任务和保障措施、科技研发、应用推广、产业发展等方面看，我国AI发展将具有先发优势。

参考文献：

[1]谢永峰.人工智能时代工业机器人的发展趋势[J].中国科技纵横，2019（4）：63-64．

[2]王宝鑫.智能制造时代的工业机器人发展新趋势分析[J].发明与创新（职业教育），2019（1）：66-67．

[3]欧阳劲松，刘丹，汪烁，等.德国工业4.0参考架构模型与我国智能制造技术体系的思考[J].自动化博览，2016，（3）：62-65

[4]张力平.面向未来的智能工厂[J].电信快报，2017（3）：5.

[5]王春喜，王成城，汪烁.智能制造参考模型对比研究[J].仪器仪表标准化与计量，2017（4）：1-7.

[6]胡强，向凤红，张勇，等.基于Agent技术的智能制造系统综述[J].昆明理工大学学报（自然科学版），2005（30）：419-422.

[7]郭桓宇，侯悦民，李康.RFID定位方法及其在智能制造中的应用[J].电子科技，2017（4）.

[8]荣伟.工业机器人及智能制造发展现状和发展趋势[J].时代农机，2017（10）：46．

[9]李末军.智能制造领域研究现状及未来发展探讨[J].冶金丛刊，2017（3）：26．

作者：丁芷晴 张雪宁 陈华玲 单位：上海大学