制造業人工智能8大應用場景！ - 新聞中心 - 甯波芜湖如亨矿山机械有限责任公司(4G网站)

制造業人工智(zhì)能8大應用場景(jing)！

發布時間：2025-12-13 15:47:13 浏覽(lan)次數：

摘要：

導讀(du)随着智能制造(zao)熱潮的到來，人(rén)工智能應用已(yǐ)經貫穿于設計(jì)、生産、管理和服(fu)務等制造業的(de)各個環節。人工(gong)智能的概念第(di)一次被提出，是(shi)在20世紀50年代，距(jù)今已六十餘年(nián)的時間。然而直(zhi)到近幾年，人工(gong)智能才迎來爆(bao)發式的

人工智能的概(gài)念第一次被提(ti)出，是在20世紀50年(nián)代，距今已六十(shi)餘年的時間。然(ran)而直到近幾年(nián)，人工智能才迎(ying)來爆發式♉的增(zēng)長，

物聯網使(shǐ)得大量數據能(néng)夠被實時獲取(qu)，大數據爲深度(dù)學習👨‍❤️‍👨提供了數(shu)據資源及算法(fǎ)支撐，雲計算則(ze)🌈爲人工智能提(ti)供了靈活✉️的計(jì)算資源。這些技(ji)術的🏃🏻有機結合(he)，驅動💯着人工🥵智(zhi)能技術不斷🧑🏾‍🤝‍🧑🏼發(fā)展，并取得了實(shí)質性的進展。AlphaGo與(yu)李世石的🐕人機(ji)大戰，更是将人(rén)工智能推到了(le)風口浪尖，引爆(bao)了新一輪的人(rén)工智能熱潮。

此(cǐ)後的近幾年，關(guān)于人工智能的(de)研究和應用開(kāi)始遍地開花。

人工智(zhi)能技術的三個(gè)層次

人工智能(neng)技術和産品經(jīng)過過去幾年的(de)實踐檢驗，目前(qián)應用🛀🏻較爲成熟(shu)，推動着人工智(zhi)能與各行各業(ye)的加速融合。從(cóng)技術層面🌍來看(kan)，業界廣泛認爲(wei)，人工智能的核(he)心能力可以分(fèn)爲三個層面，分(fèn)别是計算智能(néng)、感知智能、認知(zhī)智能。

計(jì)算智能即機器(qi)具備超強的存(cún)儲能力和超快(kuài)的計算能力，可(kě)以基于海量數(shu)據進行深度學(xué)習，利用曆史經(jīng)驗指導當前環(huan)境。随着計算力(lì)的不斷發展，儲(chǔ)存手😍段的不斷(duan)升級，計算智🔞能(néng)可以說已經實(shi)現。例如AlphaGo利用增(zeng)強學習技術完(wán)勝世界圍棋冠(guàn)軍；電商♋平💯台基(ji)于對🤟用戶購買(mǎi)習慣的深度學(xue)習，進行個性✏️化(huà)商品推🈚薦等。

2、感知(zhī)智能

感知智能(néng)是指使機器具(jù)備視覺、聽覺、觸(chu)覺等感知能力(lì)，可以将非結構(gou)化的數據結構(gòu)化，并用人類的(de)溝通🧑🏽‍🤝‍🧑🏻方式與用(yòng)戶互動。随着各(ge)類技術發展，更(gèng)多非結構化數(shù)據的價值被重(zhong)視和挖掘，語音(yīn)、圖像、視頻⭐、觸點(dian)等與感知相關(guān)的感知智能也(yě)在快速發展。

相較于計(ji)算智能和感知(zhī)智能，認知智能(neng)更爲複雜，是指(zhi)機器像人一樣(yang)，有理解能力、歸(gui)納能力、推理能(néng)力，有運用知識(shí)的能力。目前認(rèn)知智能技術還(hai)在研究探索階(jiē)段，如在公共安(an)全📞領域，對犯罪(zuì)者的微觀行爲(wei)和宏觀行爲的(de)特征提取和模(mo)式🔱分析💞，開發犯(fàn)罪預測、資金穿(chuān)透、城市🌈犯罪演(yan)🌈化模拟等人工(gong)智能模型和系(xì)統；在金融行業(yè)，用于識别可疑(yí)交易、預測宏觀(guan)經濟波動等。要(yào)将👄認知智能推(tui)入發展的快車(chē)道，還有很長一(yi)段路要🙇🏻走。

從應用(yòng)層面來看，一項(xiàng)人工智能技術(shù)的應用可能會(hui)包🥰含計💃🏻算智能(neng)、感知智能等多(duō)個層次的核心(xīn)能力。工業機器(qi)人、智能手機、無(wu)人駕駛汽車、無(wú)人機等智👌能🈲産(chan)🈲品，本身就是人(ren)工智能的載體(ti)，其硬件與各類(lèi)軟件結合具備(bei)✍️感知、判斷的能(neng)力并實時與用(yong)戶、環境互動，無(wú)不是綜合了多(duo)種人工智能的(de)核心能力。

例如(rú)，在制造業中被(bei)廣泛應用的各(ge)種智能機器人(ren)：分揀/揀選機器(qi)人，能夠自動識(shí)别并抓取不規(gui)則的物體；協作(zuò)機器人能夠理(li)💚解并對周圍環(huan)境做出反應；自(zì)動跟随物料小(xiao)車能夠通過人(rén)臉識别實現自(zì)動跟随；借助SLAM（simultaneous localization and mapping，同(tóng)步定位與地圖(tú)構建）技術✊，自主(zhu)移動機器人可(kě)以利用自身攜(xié)帶的傳感器識(shí)别未知環境中(zhong)的特征标志，然(rán)後根據機器人(rén)與特征标志之(zhi)間的相對位置(zhi)和裏程計的讀(du)數估計機器人(rén)和特征标志的(de)全局坐标。

目(mù)前制造企業中(zhong)應用的人工智(zhi)能技術，主要圍(wei)繞在下文則(ze)總結制造業中(zhōng)常用的八大人(ren)工智能應用場(chǎng)景。

制造業上有(yǒu)許多需要分撿(jiǎn)的作業，如果采(cai)用人工的作業(yè)，速度緩慢且成(chéng)本高，而且還需(xū)要提供适宜的(de)工作溫度環🔴境(jing)。如果采用工業(yè)機器人進行智(zhì)能分揀，可以大(da)幅減低⛷️成本🈲，提(tí)高速度。

以分揀(jian)零件爲例。需要(yao)分撿的零件通(tōng)常并沒有被整(zhěng)齊💛擺放✨，機器人(ren)雖然有攝像頭(tou)可以看到零件(jian)，但卻不知道如(rú)何把零💯件成功(gong)地撿起來。在這(zhe)種情況下，利用(yong)🏃🏻‍♂️機器學🍓習技術(shù)🍓，先讓機器人随(suí)機進行一次分(fen)撿動作，然後告(gao)訴😘它這次動作(zuò)是成功分撿到(dào)零件還是抓空(kong)了，經過多次訓(xùn)練之後，機器人(ren)就會知道按照(zhào)怎樣📐的順序來(lai)分撿才有更高(gao)的成功率；分撿(jiǎn)時夾哪個位置(zhi)會有更高的撿(jian)起成功率；知道(dao)按照怎樣的順(shun)序分撿，成功率(lü)會更高。經過幾(ji)個小時的學習(xí)，機器人的分撿(jian)成功率📱可以達(da)到90%，和熟練工人(ren)的水平相當。

場景(jing)二：設備健康管(guǎn)理

基于對設備(bei)運行數據的實(shí)時監測，利用特(tè)征分析和機器(qì)㊙️學習🏃‍♀️技術，一方(fāng)面可以在事故(gu)發生前進行設(shè)備的故障預測(ce)，減少非計劃性(xing)停機。另一方面(mian)，面👨‍❤️‍👨對設備📧的突(tū)發故障，能夠迅(xùn)速進行故障診(zhen)斷，定位故障原(yuán)因并提供相應(yīng)的解決方案。在(zai)制造行業應用(yòng)較爲常見，特别(bie)是化工、重型設(she)備、五金加工、3C制(zhì)造、風電等行業(ye)。

以數控機床爲(wèi)例，用機器學習(xi)算法模型和智(zhì)能傳感器等技(jì)術手段監測加(jiā)工過程中的切(qie)削刀、主軸和進(jìn)給電💃機的♈功率(lǜ)、電流、電壓等信(xìn)息，辯識出刀具(ju)的受力、磨損、破(pò)損狀态🏃🏻及機床(chuang)加工的🧑🏽‍🤝‍🧑🏻穩定性(xing)狀态，并根據這(zhe)些狀态實時調(diao)整加工參數（主(zhǔ)❤️軸轉速、進給速(sù)度）和加⛹🏻‍♀️工指令(ling)，預判🌂何時需要(yào)換刀，以提高加(jiā)工精度、縮短産(chǎn)線停工時間并(bing)提高設備運行(hang)的安全性。

場景三：基于(yu)視覺的表面缺(que)陷檢測

基于機(ji)器視覺的表面(miàn)缺陷檢測應用(yong)在制造業已經(jīng)較爲✨常見🍓。利用(yòng)機器視覺可以(yǐ)在環境頻繁變(biàn)化的條件下，以(yi)毫秒爲🔴單位🏃🏻快(kuai)速識别出産品(pin)表面更😘微小、更(gèng)複雜的産品缺(quē)✌️陷，并進行分類(lèi)，如檢測産品表(biao)面是否有污染(ran)物、表面損傷、裂(liè)縫等。目前已有(yǒu)工🏃業智能企業(yè)将深度學習🐪與(yu)3D顯微鏡結㊙️合，将(jiāng)缺陷檢測精度(dù)提高到納米級(ji)。對于檢測出的(de)有缺陷的産品(pin)，系統可以自動(dòng)🤞做可修複判定(ding)，并規劃修複路(lù)徑及♊方法，再由(yóu)設備執行修複(fu)動作。

，消耗(hào)大量的人力進(jin)行檢測。采用了(le)表面缺陷視覺(jiào)自動✉️檢測後，通(tong)過面積、尺寸最(zui)小值、最大值設(shè)定，自動進行管(guan)材表面雜質檢(jian)測，最小檢測精(jing)度爲0.15mm²，檢出率大(dà)于🔞99%；通過劃傷長(zhǎng)度、寬度的最小(xiǎo)值、最大值設定(dìng)，自動進行管材(cái)表面劃傷檢測(ce)，最小檢測精度(du)爲0.06mm，檢⭕出率大于(yu)99%；通過褶皺長度(dù)、寬度的最小值(zhi)、最大值、片🌂段長(zhǎng)度、色差阈值設(she)定，自動進行管(guǎn)材表面褶皺檢(jian)測，最小檢測精(jīng)度🌈爲10mm，檢出率大(da)于95%。

圖2 PVC管材表面(mian)褶皺檢測（來源(yuan)：維視智造）

利用(yong)聲紋識别技術(shù)實現異音的自(zi)動檢測，發現不(bú)良品，并比對聲(shēng)紋數據庫進行(háng)故障判斷。例如(ru)，從2018年年末開始(shi)，佛吉亞（無錫）工(gōng)廠就與集團大(dà)數據科學家團(tuán)隊展開全🌈面合(hé)作，緻力于将AI技(ji)術📧應用于座椅(yi)調角器的NVH性能(néng)評判💔（震動噪聲(sheng)測試）。2019年，佛🛀吉亞(yà)（無錫）工廠将AI技(jì)術㊙️應用到調角(jiǎo)😍器異音檢測中(zhong)，實現從信号采(cǎi)集、數據存儲、數(shu)據分析到自我(wo)學習💃全過程的(de)自動化，檢測效(xiao)率及準确性遠(yuan)超傳統人🔞工檢(jiǎn)測。随着基于AI（人(ren)工智能）技術的(de)噪聲檢測系統(tong)在無錫工廠投(tóu)入應用，人員數(shù)量已經從38人下(xia)降至3人，同時，質(zhì)量控制能力顯(xiǎn)著🌏提高，年經濟(jì)效益高達450萬人(rén)民币。

場景五：智能(néng)決策

制造企業(ye)在産品質量、運(yùn)營管理、能耗管(guan)理和刀具💋管理(lǐ)等🈚方面🈲，可以應(ying)用機器學習等(děng)人工智能技術(shu)，結合大數據分(fèn)析，優化調度方(fang)式，提升企業決(jue)策能力。

例如，一(yi)汽解放無錫柴(chái)油機廠的智能(néng)生産管理系統(tǒng)，具有異常和生(shēng)産調度數據采(cai)集、基于決策樹(shu)的異常原因診(zhen)斷、基于回歸分(fen)析的設備停機(ji)時間預測、基于(yú)👣機器學習的調(diao)🔴度決策優化等(děng)功能。通過将曆(li)史調度☎️決策過(guò)程✉️數據和調度(dù)執行後的實際(jì)生産性能指标(biāo)🌈作爲訓練數據(ju)集，采用神♉經網(wang)絡算法🔱，對調度(dù)決策評☁️價算法(fǎ)的參數♊進行調(diao)優，保證🈲調度決(jué)策符合生産實(shí)際需求。

數字孿(luan)生是客觀事物(wu)在虛拟世界的(de)鏡像。創建數字(zì)孿生的過程，集(jí)成了人工智能(neng)、機器學習⭕和傳(chuan)感器🔴數據，以建(jiàn)立一個可以實(shi)時更新的、現場(chǎng)感極強的“真實(shi)”模型，用來支撐(cheng)物理産品生命(mìng)周期各項活動(dong)的決策。在完成(chéng)對數字孿生對(dui)象的降階建模(mó)方面，可以把複(fú)雜性和非♉線性(xing)模型放到神經(jing)網絡中，借助深(shēn)度學習建立一(yi)個有限的目标(biāo)，基于這個有限(xian)的目标，進行降(jiang)階建模。

創成式設計(jì)（Generative Design）是一個人機交(jiāo)互、自我創新的(de)過程。工程師在(zài)進行☎️産品設計(jì)時，隻需要在系(xi)統指引下，設👄置(zhì)期㊙️望的🐉參數🈲及(ji)性能等🍉約束條(tiáo)件，然後自行進行(hang)綜合對比，篩選(xuǎn)出最優的設計(jì)方案推送給設(shè)計者進行最後(hòu)的決策。

創成式(shi)設計已經成爲(wei)一個新的交叉(chā)學科，與計算機(ji)✊和人工智😘能技(jì)術進行深度結(jié)合，将先進的算(suan)法和技術應用(yong)到設計中來。得(dé)到廣泛應用的(de)創成式算法包(bāo)括：參數化系統(tong)、形狀🐉語法（Shape Grammars(SG)）、L-系統(tong)（L-systems）、元胞自動機（Cellular Automata(CA)）、拓(tuo)撲優化算法、進(jin)化系統♊和遺傳(chuan)算法等。

圖3 輪輻(fu)的創成式設計(ji)（來源：安世亞太(tài)）

例如，爲了務實(shi)控制生産管理(li)成本，美國本田(tian)公司希望能夠(gou)㊙️掌握客戶未來(lai)的需求會在何(hé)時發生，因此将(jiang)1200個經銷商的客(ke)👌戶銷售與維修(xiu)資料建立預測(cè)模型，推算未來(lai)👈幾年内⭕車輛回(hui)💞到經銷商維修(xiū)的數量，這些資(zī)👉訊進一步轉爲(wèi)各項零件預先(xian)準備的指标。該(gai)轉變讓美國本(ben)田已做到預測(cè)準确度高達99%，并(bing)降低3倍💁的客♊訴(sù)📧時間。

結語

目前(qian)，随着越來越多(duō)的企業、高校、開(kai)源組織進入人(rén)工✊智能領域，大(da)批成功的人工(gong)智能開源軟件(jiàn)和平✔️台不斷湧(yong)入，人⛹🏻‍♀️工智能迎(ying)來前所未有的(de)爆發期。但與金(jin)融等行業⚽相比(bǐ)，雖然人工智能(neng)在制造業的應(ying)用場景不少，卻(què)并不突出，甚至(zhi)可😍以說發展較(jiào)慢。

究其原因，主(zhǔ)要源于以下三(san)大方面：

一是，由(yóu)于制造環節數(shù)據的采集、利用(yong)、開發都有較大(dà)難度，加之企業(ye)的數據庫也以(yǐ)私有爲主、數據(ju)規模有限，缺乏(fá)優質的機器學(xué)習樣本，制約了(le)機器的自主學(xue)習過程。

三是，不(bú)同的行業内缺(que)乏能夠引領人(ren)工智能與制造(zào)業💞深度融💘合發(fā)展趨勢的龍頭(tóu)企業。

·

制造業人工智(zhì)能8大應用場景(jing)！

1、計算智能

2、感知(zhī)智能

3、認知(zhī)智能

場景一：智能分(fèn)揀

場景(jing)二：設備健康管(guǎn)理

場景三：基于(yu)視覺的表面缺(que)陷檢測

場景四(si)：基于聲紋的産(chan)品質量檢測與(yǔ)故障判斷

場景五：智能(néng)決策

場景六：數(shu)字孿生

場(chǎng)景七：創成式設(she)計

場(chǎng)景八：需求預測(cè)，供應鏈優化