工业智能白皮书(2019讨论稿).pdf
《工业智能白皮书(2019讨论稿).pdf》由会员分享,可在线阅读,更多相关《工业智能白皮书(2019讨论稿).pdf(42页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、 工业智能白皮书 (2019 讨论稿) 工业互联网产业联盟(AII) 2019 年 2 月 目 录 前 言 . 1 一、 工业智能的内涵 . 2 (一)工业智能发展背景 . 2 (二)工业智能的主要类型 . 4 二、 工业智能的典型应用 . 10 (一)高计算复杂度、少影响因素问题 . 11 (二)低计算复杂度、多影响因素问题 . 16 (三)高计算复杂度、多影响因素问题 . 17 三、 工业智能的关键技术 . 18 (一)深度学习基础技术的工业化适配是未来发展方向 . 20 (二)知识图谱通用技术的规范化适配成为主要推进方向 . 28 四、 工业智能的产业发展 . 30 (一)工业智能形成两
2、横两纵产业视图 . 31 (二)工业智能通用技术产业发展趋势各异 . 34 (三)工业化与智能化双向渗透成为两类核心路径 . 36 1 前前 言言 人工智能自诞生以来,经历了从早期的专家系统、机器学习,到当前持续火热的深度学习等多次技术变革与规模化应用的浪潮。随着硬件计算能力、软件算法、解决方案的快速进步与不断成熟,工业生产逐渐成为了人工智能的重点探索方向,工业智能应运而生。 当前,新一轮科技革命和产业变革蓬勃兴起,工业经济数字化、网络化、智能化发展成为第四次工业革命的核心内容。作为助力本轮科技革命和产业变革的战略性技术,以深度学习、知识图谱等为代表的新一轮人工智能技术呈现出爆发趋势,工业智能
3、迎来了发展的新阶段。通过海量数据的全面实时感知、端到端深度集成和智能化建模分析,工业智能将企业的分析决策水平提升到了全新高度。然而,工业智能仍处于发展探索时期,各方对工业智能的概念、类型、应用场景、技术特点及产业发展等尚未形成共识。 在此形势下,工业互联网产业联盟(以下简称“联盟/AII”)联合多家企业共同编写和发布工业智能白皮书(2019 讨论稿),本白皮书深入解读了工业智能的背景内涵,分析了工业智能主要类型,并从应用、技术和产业等方面研究和分析工业智能的发展脉络和最新状况,并在一定程度上对未来发展变革方向有所预见。希望能与业内同仁等共享成果,共谋工业智能新发展。 2 一、一、 工业工业智能
4、的内涵智能的内涵 (一)(一)工业智能发展背景工业智能发展背景 1 1、提升工业智能化水平成为全球共识与趋势、提升工业智能化水平成为全球共识与趋势 新一轮信息革命与产业变革蓬勃兴起,工业的智能化发展成为全球关注重点与趋势。世界主要发达国家政府及组织高度重视,积极出台相关战略政策,促进人工智能在生产制造及工业领域的应用发展。美国于 2016 年 10 月和 2018 年 10 月陆续发布了国家人工智能研究和发展战略规划和美国先进制造领导力的战略报告,其中重点提及了产品全生命周期优化、先进机器人发展、大数据挖掘、制造系统网络安全等内容。日本从 2015 年起,发布了 4 份与工业智能相关的政策文件
5、,包括新机器人战略2015 年制造业白皮书日本高级综合智能平台计划(AIP)人工智能产业化路线图,聚焦先进机器人及大数据挖掘领域,推动设备故障智能预测系统的发展。欧盟 2016 年 5 月发布了数字化工业战略,重点关注先进机器人和工业自治系统的研发。 我国政府双侧发力,推动人工智能与制造业的融合发展。一方面,积极推动人工智能技术为制造业发展注入新动力,在智能制造发展规划(2016-2020)国务院关于积极推进“互联网+”行动的指导意见国务院关于深化“互联网+先进制造业”发展工业互联网的指导意见增强制造业核心竞 3 争力三年行动计划等 20 个政策文件按中均强调推动人工智能等技术在工业制造领域的
6、应用与融合。另一方面,将制造业作为人工智能落地的重点行业,在互联网+人工智能三年行动实施方案新一代人工智能发展规划促进新一代人工智能产业发展三年行动计划等 10 余个文件中均提出将制造业作为开展人工智能应用试点示范的重要领域之一。同时,辽宁、四川、河南等各地方纷纷出台相关文件,推动人工智能等新一代信息技术与实体经济或制造业融合。 2 2、人工智能技术加速渗透,构建制造业智能化基础人工智能技术加速渗透,构建制造业智能化基础 制造业智能化升级需求是工业智能发展的根本驱动。制造业升级的最终目的,是从数字化、网络化转而最终实现智能化。当前制造业正处在由数字化、网络向智能发展的重要阶段,核心是要实现基于
7、海量工业数据的全面感知,和通过端到端的数据深度集成与建模分析,实现智能化决策与控制指令。工业智能强化了制造企业的数据洞察能力,实现了智能化管理和控制,是企业转型升级的有效手段,也是打通智能制造最后一公里的关键环节。 人工智能技术体系逐步完善,推动工业智能快速发展。一方面是支撑技术实现纵向升级,为工业智能的落地应用奠定基础。算法、算力和数据的爆发推动人工智能技术不断迈向更高层次,使采用多种路径解决复杂工业问题成为可能。传感技术的发展、传感器产品的规模化应用及采集过程自动化水平的不 4 断提升,推动海量工业数据快速积累。工业网络技术发展保证了数据传输的高效性、实时性与高可靠性。云服务为数据管理和计
8、算能力外包提供途径。另一方面是人工智能技术实现横向融合,为面向各类应场景形成智能化解决方案奠定了基础。人工智能具有显著的溢出效应,泛在化人工智能产业体系正在快速成型,工业是其涵盖的重点领域之一。 (二)(二)工业智能的工业智能的主要类型主要类型 1 1、工业智能的定义工业智能的定义 工业智能(或工业人工智能)是工业领域中由计算机实现的智能,具有自感知、自学习、自执行、自决策、自适应等特征。可以认为,工业智能的本质是承载于实体与系统,即计算机上的人工智能技术在工业领域中的应用,能不断丰富和迭代自己的分析与决策能力,以适应变幻不定的工业环境,并完成多样化的工业任务,最终达到提升企业洞察力,提高生产
9、效率或设备产品性能的目的。 将工业智能定义为由计算机实现的智能,具体是指在现代计算机的计算能力基础上,在时间和成本可接受的范围内,通过计算机解决的问题。目前来看,在可预见的相当长的时间内,计算机将成为研究工业智能的主要物质手段和实现工业智能技术的唯一实体。 5 2 2、工业智能的、工业智能的问题分类问题分类 现代计算机解决工业问题需要三个步骤,采集数据,将数据代入机理,最终形成结果。通过既定数据带入已知机理形成预期结果的方式并不具备智能特征,而基于已知结果的梳理自动回答问题,或者通过数据直接绕过机理或者方程直接形成结果的过程才是真正的智能化。 图 1:工业领域相关问题分类 为了更好的分析工业智
10、能的功能范围,我们提出了工业智能的基本框架:构建一个四象限横纵坐标轴,其中横轴为计算的复杂度,是计算机算法的时间复杂度,与工业机理的复杂性和算法的实现效率直接相关;纵轴是影响因素的多少,与相关问题涉及的变量个数直接相关。据此可将工业问题分解为四类, 6 一是多因素复杂问题,二是多因素简单问题,三是少因素简单问题,四是少因素复杂问题。 图 2:工业领域问题的制造系统层级分布 工业系统自下而上包括设备/单元级、车间级、企业级、协同级等四个层级,其对应的工业问题也呈现一定的规律性分布。具体地,设备/单元级和车间级工业问题的影响因素通常较少,但和工业机理密切相关,导致计算复杂度较高,其中设备/单元级问
11、题的复杂度更是普遍高于车间级。企业级和协同级的工业问题并没有过于复杂的机理,但影响的因素较多,其中协同级问题的影响因素普遍多于企业级。除各层级在体系中的范围性分布外,还存在部分多影响因素高复杂度的点状问题。 7 图 3:工业智能的主要类型 深度学习和知识图谱是当前工业智能实现的两大技术方向,正不断拓展可解工业问题的边界。“根据已知结果梳理实现自动问答”是基于以知识图谱、专家系统为代表的认知科学,是解决已知工业知识的主要途径。“绕过机理直接通过数据形成结果”是基于以深度学习和机器学习为代表的数据科学,能更好地解决机理未知或模糊的工业问题。当前工业智能主要体现在以知识图谱为代表的知识工程以及以深度
12、学习为代表的机器学习两大技术领域的突破,其中深度学习侧重于解决影响因素较少,但计算高度复杂的问题,如产品复杂缺陷质量检测。而知识图谱侧重于解决影响因素较多,但机理相对简单的问题,如供应链管理等。多因素复杂问题可以分解为多因素简单问题和少因素复杂问题进行求解,例如产品设计等。两大驱动技术 8 的发展,使工业领域内多因素简单问题与少因素复杂问题的可解范围进一步扩大,同时使部分多因素复杂问题可解。 图 4:当前工业智能两大技术方向 除上述两大技术方向外,工业领域还存在许多解决问题的其它方法:对于影响因素少、计算复杂度低的问题,通常采用最优化方法进行精确求解。对于影响因素相对较多、计算复杂度相对复杂的
13、问题,通常利用数学近似的方法对真实物理系统(几何和载荷工况)进行模拟,即有限元分析,实质是对复杂问题拆分为若干简单问题的近似求解。对于复杂度较高且影响因素较多的问题,目前仍然主要通过实验方法来解决,比如原材料的配比。由于以上方法没有体现工业智能所定义的自适应自学习等智能化特征,故不作过多讨论。 9 (三(三)工业智能的工业智能的发展历程发展历程 图 5:工业智能的发展历程 总体来看,工业智能的发展与人工智能技术的演进密切相关,从人工智能概念诞生至今,工业智能经历了三个发展阶段,推动工业领域可解问题边界不断扩展。一是 80 年代开始的萌芽期,可概括为基于规则的时代,规则型专家系统逐渐成熟,并应用
14、于工业企业信息系统中。如美国车间调度专家系统 ISIS,日本新日铁 FAIN 专家系统等。然而专家系统的实质是领域专家知识的程序化执行,并不具备前述定义的智能化特征,本文不过多论述。二是 90 年到 21 世纪初的渗透期,可概括为传统人工智能方法渗透应用的时代,通过机器学习、数据科学与工业机理结合解决相对复杂问题,典型代表是:以模糊控制、神经网络控制和专家系统控制为代表的智能控制理论在工业过程控制和机器人领域的应用;将图像处理方法应用于产品视觉质量检测,使用机器学习进行工业数据的建模分析,形成工业数据模型并指导优化制造过程。然而以神经网络为代表的机器学习 10 方法是一种黑箱方法,其可靠性和可
15、解释性问题限制了此类实际应用的深入推进。三是 21 世纪初至今,可概括为数据/知识深度洞察的时代,以深度学习、知识图谱等为代表的新一代人工智能引发工业智能发展浪潮,典型代表有:基于工业大数据驱动的优化、决策、深度视觉质量检测;工业知识图谱,解决全局性、行业性问题;人机协作等智能工业机器人蓬勃发展并实际应用。 二、二、 工业工业智能的典型应用智能的典型应用 工业智能在工业系统各层级各环节具有广泛应用,其细分应用场景达到数十种,如不规则物体分拣、复杂质量检测、供应链风险管理、融资风险管控、设备运行优化、复杂质量检测等。按照制造系统自下而上、产品、商业的维度,工业智能的应用领域可以总结为五大类,即生
16、产现场优化、生产管理优化、经营管理优化、产品全生命周期和供应链优化,五类问题具有不同复杂度和影响因素。 工业智能主要通过三种方式解决上述问题:一是通过知识图谱和专家系统解决多因素低复杂度问题,在影响因素快速提升的场景,比如供应链风险管理、融资风险管控等,知识图谱的作用会更加明显。二是通过机器学习与深度学习解决少因素高复杂度问题,一些传统方法无法有效解决的场景如及微小故障的检测、不规则物体的分拣等,是深度学习发挥重要作用的领域,而随着场景机理的计算复杂度提升,深度学习则发挥更 11 大作用。三是通过问题拆解解决多因素高复杂度问题,如产品研发等。而在例如安全风险分析、生产排程等因素和复杂度都较低的
17、场景,可以依靠人工经验或成熟的解析法解决,并不需工业智能方法。 图 6:工业智能应用总体视图 (一)(一)高计算复杂度、少影响因素问题高计算复杂度、少影响因素问题 针对高度复杂问题,深度学习方法能够绕过机理障碍,解决传统方法无法解决的问题,如复杂质量(缺陷)检测、复杂(环境/系统)指标软测量、不规则物体分拣等。 复杂质量(缺陷)检测场景中,利用基于深度学习的解决方案代替人工特征提取,能够在环境频繁变化条件下检测出更微小、更复杂的产品缺陷,提升检测效率,成为解决此问题主要方法。美国机器视觉公司康耐视(COGNEX)开发了基于深度 12 学习进行工业图像分析软件,利用较小的样本图像集合就能够在数分
18、钟内完成深度学习模型训练,能以毫秒为单位识别缺陷,支持高速应用并提高吞吐量,解决传统方法无法解决的复杂缺陷检测、定位等问题,检测效率提升 30%以上。富士康、奥迪等制造企业利用深度学习,实现电路板复杂缺陷检测、汽车钣金零件微小裂缝检测、手机盖板玻璃检测、酒精质量检测等高质量检测。另一方面,基于深度学习的技术协作有望解决更复杂问题,如美国工业智能企业将深度学习与 3D 显微镜结合,将缺陷检测降低到纳米级;荷兰初创公司 Scyfer 使用深度学习与半监督学习结合的方法对钢表面进行检测,实现对罕见未知缺陷的检测。 图 7:康耐视基于深度学习质量检测软件 复杂(环境/系统)指标软测量场景中,通过深度学
19、习方法挖掘更深层次隐藏结构与特征的抽象关系,能够打破传统机器学习模型的泛化能力界限,同时保障模型的精确性和鲁棒性, 13 已在食品、冶金、化工等领域得到实验验证,并逐步实现工业应用。 不规则物体分拣场景中,通过深度学习构建复杂对象的特征模型,实现自主学习,能够大幅提高分拣效率。慕尼黑公司Robominds 开发了 Robobrain-Vision 系统,基于深度学习与 3D视觉相机帮助机器人自动识别各种材料、形状甚至重叠的物体,并确定最佳抓取点,无需任何编程。同时具有直观的用户界面,用户可通过大型操作面板或直接在 Web 浏览器中轻松完成配置。爱普生、埃尔森、梅卡曼德等纷纷推出基于 3D 视觉
20、与深度学习的复杂堆叠物体、不规则物品的识别和分拣机器人。发那科利用深度强化学习使机器人具备自主及协同学习技能,能够将零部件从一堆杂物中挑选出来,并达到 90%准确率,极大地提升工程师编程效率。 图 8:robobrain.vision 自动拣选系统 针对较为复杂问题,利用机器学习方法增强传统场景的应用效果/性能,如设备自执行、设备(系统)维护、设备/制造工艺优化等。 14 设备自执行场景中,通过机器学习方法对人类行为及语音的复杂分析,能够增强协作机器人的学习、感知能力,提升生产效率。西班牙 P4Q 公司应用 Sawyer 机器人组装电路板,实现生产量提高 25%;德国 Bahlsen 应用协作
21、机器人进行食品包装,实现生产效率提升三倍;Novarc 焊接协作机器人的应用部署,使吞吐量和生产能力提高四倍。 设备/系统预测性维护场景中,机器学习方法拟合设备运行复杂非线性关系,能够提升预测准确率,减少成本与故障率,是工业智能应用最为广泛的场景之一。德国 KONUX 结合智能传感器及机器学习算法,能利用除传感器以外的数据源如传感数据、天气数据和维护日志等构建设备运行模型,使机器维护成本平均降低 30%,实际故障率降低 70%。还能不断自我学习进化,并为优化维护计划和延长资产生命周期提供建议。帕绍大学使用机器学习技术来准确预测机床的磨损状态,通过传感器和功耗数据预测锤子何时停止正常工作以确定更
22、换关键组件的最佳时间,避免原始零件加工中的意外停机。能源供应商 Hansewerk AG 基于机器学习,利用来自电缆的硬件信息以及实时性能测量(负载行为等)和天气数据检测和预测电网中断和停电,主动识别电网缺陷的可能性增加了两到三倍。纽约创业公司 Datadog推出基于 AI 的控制和管理平台,其机器学习模块能提前几天、几周甚至几个月预测网络系统问题和漏洞。 15 图 9:KONUX 设备预测性维护系统 设备/制造工艺优化场景中,采用深度学习方法对设备运行、工艺参数等数据进行综合分析并找出最优参数,能够大幅提升运行效率与制造品质。德国 SCANLAB 公司开发了将检流计扫描仪与数字角度传感器相结
23、合,并配备了基于机器学习控制系统的智能扫描头,能够实时独立地计算控制参数,从而帮助系统更快、更精确地工作。西门子利用机器学习使用天气和部件振动数据来不断微调风机,使转子叶片等设备能根据天气调整到最佳位置,以提高效率,增加发电量。恒逸石化、天合光能等企业借助阿里云 ET 工业大脑的机器学习技术识别生产制造过程中的关键因子,找出最优参数组合,提升效率与在制品良品率。经统计,恒逸石化燃煤效率提升 2.6%,天合光能生产 A 品率的测试值提升 7%。TCL 格创东智针对液晶面板的成膜工序,通过机器学习算法建立过程数据和膜厚之间 16 的关系模型,实现关键指标的预测与品质优化,使站点抽检比例降低 30%
24、,年效益近千万。 图 10:阿里工业大脑工艺参数优化流程 (二)(二)低计算复杂度、多影响因素问题低计算复杂度、多影响因素问题 针对场景影响因素较多的问题,构建知识图谱能够明确各影响因素相互关系,解决此类问题,包括供应链风险管理和融资风险管控等应用场景。 供应链风险管理场景中,通过知识图谱汇集影响供应链各关键环节的因素并提供管理建议,能够实现各类风险预判并保证供应链稳定。华为通过汇集学术论文、在线百科、开源知识库、气象信息、媒体信息、产品知识、物流知识、采购知识、制造知识、交通信息、贸易信息等信息资源,构建华为供应链知识图谱,通过企业语义网(关系网)实现供应链风险管理与零部件选型。 17 图
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 工业 智能 白皮书 2019 讨论
限制150内