迎來了第四次工業革命之后，傳感器、計算力、以及網絡傳輸的指數級增長，產生著巨大的力量。從德國的“工業 4.0”到“中國制造2025”,制造業迎來了新一輪的革新。制造業的轉型是從數字化到自動化最后到智能化的過程。
數字化
就目前來看，國內工業物聯網處于早期階段，不論是網絡及硬件設備都尚未成熟，基礎設施建設和數據采集這一步還沒有全部完成。工廠首先需要為生產設備裝上傳感器和控制裝置，打通生產設備、生產管理、制造執行及規劃系統，更實時透明地掌控生產進度。
自動化
除了汽車制造業，中國大量的工廠自動化程度仍然偏低。2015年，根據經濟學人發布的統計，中國雖然每年采購全球最多的機器人，但整個國家平均每萬工人只配備了50個機器人，而在自動化程度相對發達的德國和日本這個數字是約300個，在韓國甚至是500個之多。如果要繼續提高生產效率，那么自動化生產系統一定會在工廠普及。
智能化
歷史上，“自動化”代表著機器可以執行某個具體獨立的任務，例如根據定義好的規則開啟和關閉泵。自動化是取代人做重復性的勞動，而智能化是做人做不了的事情。智能工廠的定義是一個靈活的協同系統，自主運行整個生產流程，在全局范圍內自我優化，實時地適應新的環境。它代表著一個持續的自適應的過程，而不是過去“一勞永逸”的升級改造。
人工智能在制造業的主要應用
1、大數據分析 - 設備預測性維護
在傳統工廠里，生產設備依然不能聯網，只有在設備出現故障后再去維修，或者采取定期維護的方式而不考慮設備實際的運行情況。一旦出現計劃外的宕機就需要臨時性地采購零件，花高額費用做緊急檢修，以便盡快恢復正常的生產。就算沒有宕機，當人發現機器故障時，它可能已經制造了不合格的產品，給工廠帶來經濟損失。
美國的AI工業預測平臺Uptake，通過在工廠的設備里置入傳感器，可以采集前端設備的各項運營數據，結合大數據分析以及機器學習技術為工業客戶提供設備的預測性診斷和能效優化等管理建議。工廠可以實時監測運行狀態，對比歷史數據，預判潛在的設備故障，有效規避正常生產的中斷。
2、自動質量控制 - 機器視覺檢測
在深度神經網絡發展起來之前，機器視覺已經應用在工業自動化系統中了，如拾取放置、對象跟蹤、計量、缺陷檢測等。其中，將近80%的工業視覺系統集中在缺陷檢測。
人眼也可以發現產品的異常，即使這種異常我們從未見過。但由于眼睛容易疲勞，人的判斷也很主觀，這樣就會造成產品檢驗的不一致甚至有漏檢的情況。人眼也很難適應高速生產的需求，比如對于圖形復雜的印刷電路板，人工檢查需要很長的時間。通常只能基于抽樣檢查，無法像自動化系統可以進行實時全面的檢查。目前在PCB和IC的生產線上，大約60％的檢測任務都是由機器視覺來完成的。
機器視覺則憑借快速、 精確和客觀等優勢，在現代工業中得到越來越廣泛的應用。舉例來說，在生產線上，自動檢測系統每分鐘能對成百上千個元件進行檢測。如果配備了適當分辨率的相機和光學器件，機器還能檢驗到人眼無法看到的細節特征。另外，由于消除了人與被檢驗元件之間的直接接觸，機器視覺減少了元件磨損的成本，也能讓工人免受危險環境的威脅。
3、智能協作機器人
傳統的機器人由于運動路徑是固定的，每一個動作都需要工程師編程、調試和手工配置來適應具體的生產環境。當機器人要應對不斷變化的場景時，手工調整就無用武之地了。深度學習已經帶來了一場變革，賦予機器人“柔性”學習能力。隨著時間的推移，機器人可以從數據中學習，在不同的任務之間自主切換，新任務的導入也可以在數分鐘之內完成。最終這些機器人不但可以互通互聯，還可以安全地與人類一起工作，甚至觀察工人演示生產流程，自動學會新技能。
蘇公網安備32132302010244號
