制造业人工智能专题分析报告Word格式文档下载.docx
《制造业人工智能专题分析报告Word格式文档下载.docx》由会员分享，可在线阅读，更多相关《制造业人工智能专题分析报告Word格式文档下载.docx（20页珍藏版）》请在冰豆网上搜索。
电饭煲及其工作原理4
图3：
智能系统的特征与分类5
图4：
当前人工智能的工业应用更多表现为优化决策过程的辅助作用13
图5：
中长期人工智能的工业应用和实现是一个渐进而持续的过程13
图6：
全生命周期不同环节的数据闭环与智能升级14
图7：
工业领域可利用数据来源多样17
图8：
由不同环节、不同设备构建的数据网络是智能化的前提17
图9：
人工智能算法及应用助力工业数据的价值实现19
图10：
GE工业互联网平台Predix21
图11：
通过精准的操控方法为意大利航空节约燃油成本21
图12：
DeepMind控制设备运行方式提升数据中心能源使用效率23
图13：
富士康利用机器代替人降低劳动力成本23
图14：
传统制造业红领借助数字化、智能化实现需求的快速响应23
表目录
表1：
政策迭出，推动工业制造转型升级7
表2：
工业制造相关环节的人工智能升级15
表3：
互联网大数据与工业大数据之间存在明显差别18
科学效应到人工智能:
制造业人工智能应用正起步
提起工业领域的人工智能应用，或许第一联想到的会是生产线上的工业机器人，那些有序挥舞着的机械臂不知疲倦地重复着各自的动作，完成各生产环节的零部件制造、搬运、组装及检测等任务。
事实上，一方面来讲工业领域的人工智能应用远不止机械臂这么单一，另一方面，有时候看起来很智能的应用或许在本质上并不属于人工智能范畴。
生产线上忙碌的工业机器人
本篇报告将会首先对工业领域的“智能”与“人工智能”加以区分，然后主要针对人工智能在工业领域不同环节的应用、难点及实现条件分别展开，并梳理一些代表性案例及国内BAT相关实践。
一、起步于科学效应，逐渐融入人工智能
并非所有的智能都是人工智能。
虽然对于人工智能的定义一直很难有统一说法，但一般意义上会认为让机器能像人一样“听说读写”、“思考决策”就可以划入相关范畴。
那么对于像电饭煲这样能在米饭煮熟以后自动断电算是“智能”吗？
或者说算是“人工智能”吗？
答案很显然，电饭煲的自动断电是“智能”，但似乎还够不上“人工智能”的级别。
从时间来看，世界上第一台电饭煲由东京通讯工程公司发明于1950年代，而“人工智能”是1956年才第一次提出。
从原理来看，电饭煲自动断电只是利用温度高于103℃时感温铁氧体失去磁性的效应，弹簧作用下与永磁铁分开从而切断电源。
因而这种“智能”只是利用了材料本身的“特性”。
电饭煲及其工作原理
电饭煲中感温磁铁在超过一定温度时失去磁性的现象可称为“科学效应”。
一般而言，科学效应是对物理、化学、生物、几何等效应的统称，主要来源于科学研究及日常生活发现。
科学效应在工业领域得到广泛应用，例如空调靠“相变”制冷，洗衣机靠“离心力”将衣服甩干，以及热胀冷缩、热传导、热对流等。
通过算法实现学习提升使得人工智能系统区别于一般工业智能系统。
根据智能系统具备的特征可以分为初级智能系统、恒定智能系统和开放智能系统三类：
智能系统的特征与分类
①、初级智能系统的决策通常依靠科学效应执行动作，不涉及计算分析；
②、恒定智能系统主要是指所具备的智能水平在系统构建之初就已经被设定，嵌入了一定的计算和分析环节，但几乎没有提升空间。
例如智能洗衣机感知衣料特性并自动决定洗衣策略；
③、开放智能系统与恒定智能系统相比多了“学习提升”的环节，这也正是人工智能系统与一般智能系统最大的区别所在。
这样的系统具备一定的认知能力，能通过学习不断提升和改善自身。
工业领域的智能化起步于初级智能系统，主要依赖科学效应形成的工程控制技术。
后来在此基础上逐渐利用机器学习等人工智能算法，从历史数据的分析中挖掘潜在规律，并内化应用于改善和提升系统执行任务的智能水平，逐步融入具备自主学习和提升能力的“人工智能”。
二、人工智能在工业领域不同环节的应用
2.1政策与技术助推生产与业务模式转型
重大政策迭出，从“互联网+”到“人工智能+”，制造业始终是政策重点关注的领域。
2015年5月份国务院印发的《中国制造2025》是推动我国制造业转型升级、提升企业国际竞争力的战略规划和行动纲领，随后在7月份《关于积极推进“互联网+”行动的指导意见》更是直接指出要推动互联网与制造业融合，提升制造业数字化、网络化、智能化水平，实现从制造向“制造+服务”转型升级。
而在2016年5月《“互联网+”人工智能三年行动实施方案》和2017年7月《新一代人工智能发展规划》中，“制造”都位列人工智能应用试点示范重点领域首位。
政策迭出，推动工业制造转型升级
深化互联网在制造领域的应用。
实施工业云及工业大数据创新应用试点，建设一批高质
中国制造2025国务量的工业云服务和工业大数据平台……到2020年，制造业重点领域智能化水平显著提2015年5月院）升，试点示范项目运营成本降低30%，产品生产周期缩短30%，不良品率降低30%。
到2025年，制造业重点领域全面实现智能化，试点示范项目运营成本降低50%，产品生产周期缩短50%，不良品率降低50%。
国务院关于积极推进鼓励制造企业利用物联网、云计算、大数据等技术，整合产品全生命周期数据，形成面2015年7月“互联网+”行动的向生产组织全过程的决策服务信息，为产品优化升级提供数据支撑。
鼓励企业基于互联指导意见网开展故障预警、远程维护、质量诊断、远程过程优化等在线增值服务，拓展产品价值空间，实现从制造向“制造+服务”的转型升级。
国民经济和社会发展加强工业互联网设施建设、技术验证和示范推广、推动制造业由生产型向生产服务型转2016年3月第十三个五年规划纲变，引导制造企业延伸服务链条、促进服务增值，深入实施《中国制造2025》，以提高要制造业创新能力和基础能力为重点，推进信息技术与制造技术深度融合。
“互联网+”人工智2016年5月能三年行动实施方案推进重点领域智能产品创新，支持在制造、教育、环境、交通、商业、健康医疗、网络（发改委、科技部、安全、社会治理等重要领域开展人工智能应用试点示范……工信部、网信办）
国务院关于深化制造到2018年，制造业重点行业骨干企业互联网“双创”平台普及率达到80%、制造业数2016年5月业与互联网融合发展字化、网络化、智能化取得明显进展；
到2025年，力争实现制造业与互联网融合“双的指导意见创”体系基本完备……
智能化改造工程：
数字化车间建设工程（建立数据采集分析系统和制造执行系统（MES），
提升研发制造全过程数字化管理水平）、智能工厂示范工程、验证体验中心建设工程、关于实施制造业升级传感器及仪器仪表智能化升级工程（加快开发生产经营与制造资源数字化管控平台等）；
2016年5月改造重大工程包的通服务型制造转型工程：
推动制造企业和互联网企业建立具有自主知识产权的实时在线服知（发改委、工信部）务平台，开展远程终端设备数据信息实时回传、监控中心大数据智能分析，提升故障预警、远程维护、质量诊断、远程过程优化等在线服务功能。
建立面向客户的全天候实时在线智能信息服务能力，实现基于互联网的产品动态升级和实时信息互动……发展服务型制造专项推动发展服务型制造，优化供应链管理，支持制造业企业整合内部物流资源，优化生产2016年7月行动指南（工信部、管理流程，提高上下游供应链市场响应效率和产品服务质量稳定性，提升企业信息化水发改委、中国工程院）平，大力推动云制造服务。
支持制造业企业、互联网企业、信息技术服务企业跨界联合，鼓励中小企业采购使用工业云服务，引导制造业企业实施产品全生命周期管理等……加快研发智能制造支撑软件，突破设计、工艺仿真软件、工业控制软件、业务管理软件智能制造发展规划（制造执行系统MES、企业资源管理软件ERP、供应链管理软件SCM等）、数据管理2016年12月（2016-2020年）工软件。
到2020年核心支撑软件市场满足率超过30%。
中小企业智能化改造专项行动：
信部、财政部）支持第三方机构提供分析诊断、创新评估等服务、促进互联网和信息技术在生产制造、经营管理、市场营销各个环节中的应用、推进云制造，构建云制造平台和服务平台。
鼓励有条件的大企业搭建信息化服务平台，向中小企业开放入口、数据信息、计算能力。
2017年7月新一代人工智能发展推动人工智能与各行业融合创新，在制造、农业、物流、金融、商务、家居等重点行业规划（国务院）和领域开展人工智能应用试点示范……
国务院关于强化实施创新驱动发展战略进加快研究制定工业互联网安全技术标准，建设工业互联网网络安全监测平台和中小企业2017年7月一步推进大众创业万网络安全公共服务平台，强化工业互联网安全保障支撑能力。
众创新深入发展的意见制造业“双创”平台围绕构建多主体参与、跨部门、跨领域的网络化协同研发平台，实施工业技术软件化工2017年8月培育三年行动计划程，推动工业知识、技术、方法、模型的软件化和平台化，鼓励制造企业设计、仿真、（工信部工艺等研发软件和工具的云端迁移和部署，加快各类研发资源在线汇聚和共享……中共中央国务院关提升生产过程智能化水平、降低能耗、物耗、水耗，推广现代企业管理制度，提高质量2017年9月于开展质量提升行动在线监测、控制和产品全生命周期质量追溯能力等的指导意见算法及基础计算设施等技术的进步助推人工智能应用落地。
①、一方面，随着外部政策环境的推动，以及企业内部对生产、管理等环节成本效率要求的提升，借助信息化手段优化管理流程已逐渐成为共识。
而随着数字化程度加深以及大数据处理技术手段的进步，“用数据说话”也开始发挥效力，甚至通过自研或与互联网巨头合作等方式，借助人工智能关算法进一步提升效率、降低成本、改进
客户体验，并逐渐向服务型制造转型也能看到苗头。
②、另一方面，在技术层面上，不同场景之间人工智能应用的迁移、新场景下无法获取足够训练数据以及深度学习算法的过程“黑箱”等问题一直困扰着人工智能应用的进一步发展，尤其是在工业制造、机器人等领域。
而近来众多研究者开始在考虑将基于神经网络的深度学习与基于符号主义的逻辑推理相结合来解决“黑箱”问题，以及迁移学习与增强学习之间的结合以期实现相近但不同的场景之间应用迁移的“冷启动”，从而不再需要每次都从大量数据开始训练。
但以上更多还处于学术研究阶段，距离工业界大规模实践还有些远。
整体而言，在人工智能领域的算法以及基础设施不断进步的基础上，辅之以政策的持续推动，传统制造型企业开始转向新的生产方式与业务模式。
①、生产驱动型生产转向需求快速响应驱动。
这一转型的实现主要得益于对需求数据的采集、处理以及生产线的智能化升级，过程中涉及的数据处理及生产决策分析对人力而言都是几乎难以企及的海量，而借助大数据技术及算法，通过生产端与用户端数据的反馈交换，不断学习提升现有模型的精准度，从而实现面向个性化、定制化需求的快速响应。
例如红领作为一家传统服装厂，就在数据基础上实现了面向客户需求快速响应并实现定制化。
②、生产制造商向服务提供商转型。
向服务提供商转型意味着业务重心从偏后端的生产制造转移到更接近客户的服务环节，最常见的实现方式通过在设备上安装大量传感器，对售后使用过程的数据进行实时采集、处理和分析，及时给用户提供关于使用状况检测、故障预警维护等增值服务。
例如GE航空从发动机制造商转向为客户提供类似“飞行过程节省燃油”等解决方案的服务提供商。
2.2工业领域的人工智能应用是渐进而持续的过程
相比互联网大数据，工业大数据领域的智能化及人工智能渗透还属于蓝海。
首先必须要承认，当前工业领域的智能、自动化控制或者说当下流行的说法“智能制造”，对人工智能的应用还处于相对初级的阶段，无论是利用了机械、电子还是生物技术，更多依赖的还是长期以来对于“科学效应”的应用积累。
但人工智能的介入程度正在逐渐加深，带来效率的提升、成本的下降，甚至业务与服务模式的转变创新这一趋势不可否认。
从目前来看，人工智能在工业领域的应用更多表现为优化决策过程的辅助作用。
正如前文所述，当前工业领域很多智能依然属于传统的“科学效应”范畴，即使能通过一定的算法实现“学习提升”的智能化，更多也只是表现为在决策优化过程中发挥的辅助或部分替代作用。
如果将待解决问题的全过程概括为数据获取、决策优化、方案实施这三个阶段，那么人工智能更可能发挥作用的应该是决策优化过程，基于海量数据和算法，更快更好地完成正常人力难以实现的任务。
当然，在数据采集阶段也可能会应用到对图像、声音等非结构化信息的识别。
最后方案实施阶段的相关反馈信息依然可以作为新的输入数据，不断改进和提升整个系统的能力。
当前人工智能的工业应用更多表现为优化决策过程的辅助作用
从中长期来看，人工智能在工业领域的应用和实现是一个渐进而持续的过程。
从初期的技术、设备、生产线的布局投入，到内部生产、制造流程的优化和效率提升尽可能降低成本，接着与外部整个供应链生态的系统的协同，最后真正实现人和机器各自做最擅长的工作并达到增加资源供给的目标。
这将是一个相对长期的渐进过程。
中长期人工智能的工业应用和实现是一个渐进而持续的过程
2.3全生命周期不同环节的智能升级
在工业制造领域，考虑产品的整个生命周期，大致可以划分为研发、制造、物流、营销、使用、售后等环节。
理想中的状态，最终各环节会在数据化基础上形成闭环，表现较为突出的是将客户（用户）使用以及售后服务所产生的数据作为研发和制造阶段的输入数据来源之一，一方面可以根据用户需求实现定制化设计和生产，另一方面也有助于合理安排生产调度及库存计划。
设备、人员、物料等要素，车间、生产线、整个工厂等生产环境，以及包括生产、物流、销售、售后等全过程在内的数据化网络，是实现智能升级的前提和基础。
全生命周期不同环节的数据闭环与智能升级
在数据化基础上再考虑在相应环节嵌入人工智能应用，或许初期会有一定的布局和投入成本，但在投入使用以后能达到的效果无外乎表现在以下四个方面：
①、降低生产成本：
从短期来看更多是从工艺的自动化和流程的优化来节约成本，借助的也更多是基于“科学效应”的工业智能而非人工智能；
但是基于产品所采集的包括数字、音频、视频图像等在内的基础数据智能分析，可实现异常状况的预警，提前维护，避免更大的损失；
从更为长期的范围来看，随着工业机器人的发展，目前尚不能交由机器完成的任务，未来很可能直接由更为智能的机器人所取代，在一定程度上缓解了人力资源的供给以及劳动力成本上升带来的压力。
②、提高运营效率：
一方面通过实时掌握关键设备的运行状态，辅之以预测性维护，可以提高设备正常运行时间；
另一方面通过对物流及用户端数据的建模处理，预测销量并自动调整生产计划。
③、提升产品质量：
一方面在生产线上的产品质量检测环节，可通过机器学习的方法对产品质量进行鉴定并自动分级分类；
另一方面可以将设备的实时状态与生产的过程控制相结合，使得产品质量在设备或系统状态发生变化时依然能保持稳定。
④、改善客户体验：
主要表现为研发及生产过程面向客户需求的定制化、配送与销售环节的精准精细化，以及售后环节产品的持续跟踪和预测性维护。
工业制造相关环节的人工智能升级
三、人工智能在工业领域实现的难点与条件
对于基于科学效应积累所带来的工业智能应用这里不作过多描述，重点放在梳理和挖掘在工业领域实现人工智能应用可能遇到的难点以及必须具备的条件。
在我们的人工智能系列报告中曾将人工智能商业化应用的要素归纳为“人机料法环”五点，即：
人才储备、计算设施、数据积累、技术算法、应用场景。
而具体到工业领域，开放智能系统所具备的五个特征为：
状态感知、实时分析、自主决策、精准执行以及学习提升。
很显然，状态感知主要是从获取的实时数据等信息判断设备或流程所处状态，实时分析、自主决策主要依赖于技术算法的设计与实现，但离不开强大且合适的计算设施及平台工具，精确执行与学习提升则分别是融入人工智能后的短期运行结果及长期改善过程。
3.1工业数据的有效获取成为前提和基础
工业企业的数据化程度与处理利用能力存在较大的提升空间。
首先并非所有企业都有成熟的数据化结构，即使拥有大量工业数据的企业，也很可能严重缺乏数据处理分析的能力，尤其是对于超出普通Excel表格处理能力的文本、语音、图片、视频等非结构化数据。
根据IDC调查报告，企业中80%的数据为非结构化数据，并且这些数据按照60%的年增长率指数式增长。
而在传统的数据分析领域，尤其是国内很多企业，依然停留在借助现有的数据分析工具处理结构化数据，面对大量非结构化数据显得很无力，分析利用程度远远不够。
数据获取渠道、方法集中表现为建立在传感器、通信协议及网络技术等基础上的物联网。
物联网在
计算机/互联网的基础上，通过射频识别装置、红外感应装置、全球定位系统以及激光扫描等信息传感设备实现单个设备的数字化，然后按照约定的通信协议，将数控车床、加工中心、机器人甚至操作工人所产生的数据都连接起来形成互联互通的信息网络，再通过智能识别、定位、跟踪、监控、管理等一系列手段，从而掌握设备、车间及整个工厂生产线的实时状态、异常状况与维护需求，甚至与销售订单及生产计划管理系统数据对接，实现自动优化生产安排计划。
工业领域可利用数据来源多样
由不同环节、不同设备构建的数据网络是智能化的前提
3.2工业领域人工智能对数据及算法提出新的要求
工业数据具备更强的专业性及关联性，价值实现要求与难度均高于互联网大数据。
工业大数据与互联网大数据之间存在明显区别。
互联网大数据主要来自互联网中产生及传播的社会媒体数据，相对分散，且来自不同媒体与设备，而工业大数据来自不同环节不同设备的不同阶段，专业性及关联性都比较强。
互联网大数据与工业大数据之间存在明显差别
基于互联网大数据训练的人工智能算法模型，其对数据的容错性、结果的准确性要求一般都低于工业领域应用，更多还是基于相关性，不会过于追究背后可能蕴含的因果逻辑关系。
而工业大数据分散在不同环节、不同设备以及设备的不同部位，并且数据的缺漏及异步等问题时有发生，但是对模型表现结果的准确性要求却又很高，很小的失误都可能造成难以想象的损失。
工业领域对人工智能算法处理过程提出了更多更高的要求。
①、透明性：
即便如当前比较火热的“深度学习”，由于算法实现过程近乎“黑箱”，缺乏严密的逻辑推理作为背书，使用者会对应用过程的不可控制产生顾虑。
从当前最新的研究进展来看，或许未来基于神经网络的深度学习与基于符号主义的逻辑推理相结合，可以在一定程度上达到“黑箱”透明化的效果。
②、冷启动：
目前的人工智能应用一般都需要事先获取大量数据对模型进行训练，但实际场景在起步阶段可能无法获取足够多的数据，这就要求算法模型在场景切换时依然能发挥作用，“迁移学习”也再次开始受到关注并与增强学习、深度学习等相结合。
③、非迭代开发：
不同于常规意义上的互联网应用，工业场景下的有些应用在更新时不允许出现系统中断，更新算法设置的同时要保证原状态能持续稳定运行。
人工智能算法及应用助力工业数据的价值实现
对于先期有积累、存在一定的人才、技术与资金优势的企业而言，可以选择自行组建团队。
对于企业规模有限、资金不够充裕、技术积累不够深厚但是对数据化、智能化有需求的企业，尤其是一些中小企业而言，或许利用第三方平台基于云端提供的数据处理及算法工具不失为一种更明智的选择。
事实上从近年来BAT在制造业领域的合作部署也可以看出相关趋势。
四、工业领域的人工智能应用案例
一旦开始讨论应用落地就不得不面对谁发起和谁主导的问题。
一方面，传统制造企业有多年积攒的产品、市场和行业的丰富经验与深刻理解，同时也是数据的来源地和所有者，但对于如何让数据发挥应有价值有些束手无策。
另一方面，互联网、软件等创新型企业有庞大的算力设施、数据处理、算法研发或软件信息化产品开发实力，但掌控力更多集中在线上或者部分线下C端生活消费领域，对传统制造等场景渗透远远不足。
从政策导向以及现有案例来看，形式上确实是两方面的合作，具体而言，软件、互联网等企业提供基础设施和工具，这样不仅能发挥自身优势，相对标准化的产品和服务还有一定的规模效应；
而转型步伐比较领先的传统制造企业也借机开始往数字化、智能化迈近了一步。
4.1典型案例
目前应用相对比较成熟的案例主要表现为对生产或服务过程中不同环节或多个环节的人力替代及辅助决策，带来的效果则表现为成本的节约、效率的提升或服务体验的改进。
例如GE航空通过采集发动机数据给出理想的操控方法从而节省燃油成本，DeepMind通过控制设备运行方式提升数据中心的电力使用效率，富士康则在生产线推行机器替代人，降低人力成本的同时提升产出效率，红领则将客户的定制数据作为生产的输入，在数据化基础上借助智能决策实现快速响应需求的同时尽可能降低库存成本。
而GE工业互联网平台Predix则从更高的视角给出解决方案平台，替客户完成设备海量数据的分析处理及最终的决策优化。
案例一：
GE工业互联网平台Predix，从生产制造商向服务提供商转型。
早在2012年秋季GE就提出希望通过生产设备与IT融合，通过高性能设备、低成本传感器、互联网、大数据收集及分析技术的组合，提升现有产业效率并创造出新产业，实现产品制造向智能服务的转型。
2015年发布的Predix平台是全球第一个专为工业数据分析开发的操作系统，实现人、机、数据之间的互联，能快速获取、分析海量高速运行的工业数据，让客户在安全环境下进行数据分析处理并优化设备。
GE预计，到2020年，每年将有2万名开发者在Predix平台开发应用软件，基于Predix的系列软件和新产品问世，将激活超过2250亿美元的全球最大的工业应用市场。
GE工业互联网平台Predix
通过精准的操控方法为意大利航空节约燃油成本
以航空发动机为例，GE将旗下发动机生产公司改名为GE航空时即已开始新模式的转变，对于出厂后的发动机在云端平台建立虚拟的模型，并根据每次飞行产生的实时数据进行更新，从而实现对发动机当前状态的检测与未来状态的预测，并对可能发生的故障进行预测性维护。
例如为意大利航空的每架飞机安装数百个传感器，实时采集发动机的运转、温度、油耗等数据，利用GE的软件分析后精准地给出理想的操控方法，仅此就为145架飞机每年节约1500万美元燃油成本，同时在避免航班延误和安全事故等方面也提供了良好的服务。
2016年7月GE宣布Predix平台登陆微软Azure云平台，实现工业领域大数据处理云平台与通用领域企业级服务云平台的结合。
两者的结合，GE能获取更为丰富的行业数据以及利用微软在数据可视化、自然语言处理等人工智能技术，微软云应用的企业级客户则可以利用GE云平台比较成熟的数据处理技术，提高流程效率。
案例二：
DeepMind借助人工智能系统控制设备运行方式节约能源。
Google在2014年收购
DeepMind以后就曾表示会将机器学习技术应用于数据中心，使用神经网络来预测耗电量变化，提升设备分配效率。
今年7月份则表示，DeepMind人工智能系统控制着数据中心内包括风扇、制冷系统和窗户
升级会员 