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(AI智能站)

制造業人(ren)工智能8大應(yīng)用場景！

發布(bu)時間：2025-12-13 15:47:13 浏覽次(ci)數：

物聯網使(shǐ)得大量數據(ju)能夠被實時(shi)獲取，大數據(jù)爲深度學習(xí)提供了數據(jù)資源及算法(fa)支撐，雲計算(suàn)則爲人工智(zhi)能提供了靈(líng)活的計算資(zī)源。這些技術(shu)的👈有機結合(he)，驅動着人工(gōng)智能技術不(bu)斷✍️發展，并取(qǔ)得了實質性(xìng)的進展。AlphaGo與李(li)世石的人機(jī)大戰，更是将(jiang)人工智能推(tuī)到了風口浪(lang)尖，引爆了新(xin)一輪的🈚人工(gōng)🔴智能🧑🏽‍🤝‍🧑🏻熱潮。

此(ci)後的近幾年(nián)，關于人工智(zhì)能的研究和(hé)應用開始遍(bian)地開💰花。随着(zhe)智能制造熱(re)潮的到來，人(rén)工智能應用(yòng)已經貫穿于(yú)設計、生産、管(guǎn)理和服務等(deng)制造業的各(ge)個環節。

人工智能技(jì)術和産品經(jīng)過過去幾年(nian)的實踐檢驗(yan)，目前應用較(jiao)爲成熟，推動(dòng)着人工智能(neng)與各行各業(ye)的加速融👈合(hé)。從技術層面(mian)來看，業界廣(guǎng)泛認爲，人工(gōng)智能的核心(xīn)能㊙️力可以分(fen)爲三個層面(miàn)，分别是計算(suàn)智能、感知智(zhì)能、認知智能(néng)。

1、計算智能

計(jì)算智能即機(jī)器具備超強(qiang)的存儲能力(li)和超快的計(jì)算能力，可以(yi)基于海量數(shu)據進行深度(dù)學習，利用♍曆(li)史🐇經驗指導(dǎo)⛱️當前環境🌍。随(suí)着計算力的(de)不斷發展🔞，儲(chu)存手段的不(bú)⭐斷升級💘，計算(suàn)智能可以說(shuō)已經實現。例(li)如AlphaGo利用增強(qiáng)學習技術完(wán)勝世界圍棋(qí)冠軍；電商平(píng)台🛀🏻基于對用(yòng)戶購買習慣(guàn)的深度學習(xi)，進行個性🈚化(huà)商品推薦等(děng)。

感(gǎn)知智能是指(zhi)使機器具備(bei)視覺、聽覺、觸(chù)覺等感知能(neng)力，可以将非(fei)結構化的數(shu)據結構化，并(bing)用人類的溝(gōu)通🔆方式與用(yòng)戶互動。随着(zhe)各類技術發(fa)展，更多非結(jie)構化數據的(de)價值被重視(shi)和挖掘，語🌈音(yin)、圖像、視頻、觸(chu)點等與感知(zhi)相關的感知(zhi)智能也在快(kuài)速發展。無人(rén)駕駛汽車、著(zhe)名的波士頓(dùn)動力機器人(ren)等就運用了(le)✏️感知❓智能，它(tā)通過各種傳(chuan)感器，感知周(zhōu)圍環境并進(jin)行處理，從而(ér)有效指導其(qi)運行。

相較于計(jì)算智能和感(gan)知智能，認知(zhī)智能更爲複(fú)雜，是指機器(qi)像人一樣，有(yǒu)理解能力、歸(gui)納能力、推理(lǐ)能力，有運用(yong)知識的能力(lì)。目前認知智(zhi)能技術還在(zai)研究探索階(jiē)段，如在公共(gòng)🧡安♌全☔領域，對(dui)犯罪者的微(wēi)觀行爲和宏(hong)觀行爲的特(te)征提取和模(mó)式分析，開發(fa)犯罪預測、資(zi)金穿透、城市(shi)犯罪演化模(mó)拟等人工智(zhì)能模型和系(xi)統；在金融行(háng)業，用于識别(bie)可疑交易、預(yu)測宏觀經濟(jì)波動等。要将(jiāng)認知智能推(tuī)入發展的快(kuai)車道，還有很(hen)長一段路要(yao)走。

工(gong)業機器人、智(zhi)能手機、無人(ren)駕駛汽車、無(wú)人機等智能(néng)産品，本身🈚就(jiù)是人工智能(néng)的載體，其硬(yìng)件與各類㊙️軟(ruǎn)件結合具備(bei)感知、判斷的(de)能力并實時(shi)與用戶、環境(jìng)互動，無不是(shì)綜合了多種(zhǒng)人🔴工智能的(de)核心能力。

例(lì)如，在制造業(yè)中被廣泛應(ying)用的各種智(zhi)能機器人：分(fen)揀/揀選機器(qì)人，能夠自動(dong)識别并抓取(qu)不規則的物(wu)體；協作機器(qì)㊙️人能夠理🍉解(jiě)并對周圍環(huan)境做出反應(ying)；自動跟随物(wu)料小車能夠(gou)通過人臉🐪識(shi)别實現自💁動(dong)跟随；借助SLAM（simultaneous localization and mapping，同(tóng)步定位與地(dì)圖構建）技術(shù)㊙️，自主移動㊙️機(jī)器人可以利(li)用自身攜👉帶(dai)的傳感器識(shí)别未知環👈境(jìng)中的特征标(biāo)志，然後根據(ju)機♋器人與特(te)征标志之間(jian)的相對位置(zhi)和裏程計✨的(de)讀數估計機(jī)器人和特征(zhēng)标志的全局(ju)坐标。無人駕(jia)駛技術在定(ding)位、環境感知(zhi)、路徑規劃、行(hang)爲決策與控(kòng)🛀制方面，也綜(zōng)合應用了多(duo)種人工智能(neng)技術與算法(fa)。

以分(fen)揀零件爲例(li)。需要分撿的(de)零件通常并(bing)沒有被整齊(qí)擺放，機器人(rén)雖然有攝像(xiang)頭可以看到(dao)零件，但卻不(bú)知道如何把(ba)零件成功地(di)撿起來。在這(zhè)種情況🌏下，利(li)用機器學🏒習(xí)技術，先讓機(ji)🌂器人随機進(jìn)行一次分撿(jiǎn)動作，然後告(gao)訴它這次動(dòng)作是成功分(fèn)撿到零件還(hái)是抓空🔴了，經(jīng)過多次訓練(lian)之後，機器人(rén)就會知道按(an)照怎樣🏃的順(shùn)序來分撿才(cai)有更高的成(chéng)功🛀率；分撿時(shí)夾哪個位置(zhì)會有更高的(de)撿起成功率(lǜ)；知道按照怎(zen)樣的順序分(fèn)撿，成功率會(hui)更高。經過幾(jǐ)個小時的學(xué)習，機器人的(de)分撿成㊙️功率(lü)可以達到90%，和(he)熟練工人的(de)水平相當。

基于(yú)對設備運行(háng)數據的實時(shi)監測，利用特(te)征分析和機(ji)🌍器學🐅習技術(shu)，一方面可以(yi)在事故發生(sheng)前進行設備(bei)的故障預測(ce)，減少非計劃(hua)性停機。另一(yi)方面，面對設(she)備🌈的突發😄故(gù)障，能夠迅速(sù)進行故障診(zhěn)斷，定位故障(zhàng)原因并提供(gòng)相㊙️應的解決(jue)方案。在制造(zào)行業應用較(jiào)爲常見，特别(bié)是化工、重型(xing)設備、五金加(jiā)工、3C制造、風電(dian)等行業。

以數(shù)控機床爲例(lì)，用機器學習(xi)算法模型和(hé)智能傳感器(qi)等技✍️術手段(duan)監測加工過(guò)程中的切削(xuē)刀、主軸和進(jìn)👅給電機的功(gōng)率、電流☎️、電壓(yā)等信息，辯識(shi)出刀具的受(shòu)力、磨損、破損(sǔn)狀态及機床(chuáng)加工的穩定(ding)性狀态，并根(gen)據這些狀态(tài)實時調整加(jia)工參數（主軸(zhóu)轉速、進給速(su)度）和加工指(zhǐ)令，預判何時(shi)需要換刀，以(yǐ)提高加✉️工精(jīng)度、縮短産線(xian)停工時間并(bìng)提高設備運(yùn)行的安全性(xìng)。

圖1 基于深度(dù)學習的刀具(jù)磨損狀态預(yù)測

（來源：華中(zhong)科技大學李(lǐ)斌教授）

基于機(jī)器視覺的表(biao)面缺陷檢測(ce)應用在制造(zao)業已經較爲(wei)常見。利用機(ji)器視覺可以(yǐ)在環境頻繁(fan)變化的條件(jiàn)下，以毫㊙️秒爲(wèi)🔴單位🔞快速識(shí)别出産品表(biao)面更微小、更(geng)複雜的産品(pǐn)缺陷，并進行(hang)分類，如檢測(cè)産品表面是(shi)否有污染物(wù)、表面損傷、裂(lie)縫等。目前已(yǐ)有工業智能(néng)企業⛷️将深度(du)學習與3D顯微(wei)鏡結合，将缺(quē)陷檢🤩測精度(dù)提高到納米(mǐ)級。對于檢測(ce)出的有缺陷(xian)🧑🏽‍🤝‍🧑🏻的産㊙️品，系統(tong)可以自動做(zuo)可修複判定(ding)，并規劃修複(fú)路徑💯及方法(fa)，再由設備執(zhi)行修複動作(zuò)。

例如，PVC管材是(shì)最常用的建(jiàn)築材料之一(yi)，消耗量巨大(da)，在生産包裝(zhuang)過程中容易(yì)存在表面劃(hua)傷、凹坑，水紋(wén)，麻面等諸♋多(duo)類🧡型的缺陷(xiàn)，消耗大量的(de)人力進行檢(jiǎn)測。采用了表(biao)面缺陷視覺(jiào)自動檢🐅測後(hòu)🐉，通過面積、尺(chǐ)寸最小值、最(zui)大值設定，自(zì)♈動進🌈行管材(cái)表🐕面雜質檢(jian)測，最小檢測(cè)精度爲0.15mm²，檢出(chu)率大于♌99%；通過(guò)劃傷長度、寬(kuān)度的⁉️最小值(zhí)✂️、最大值設定(dìng)，自動進行管(guǎn)材表面🔞劃傷(shang)檢測，最小檢(jiǎn)測精度爲0.06mm，檢(jian)🏃出率大于99%；通(tōng)過褶皺長度(du)、寬度的最小(xiǎo)值、最大值、片(piàn)段長度、色差(chà)阈值設定，自(zi)動進行管材(cái)表面褶😘皺檢(jian)測，最小檢測(ce)精度爲10mm，檢出(chū)率大于95%。

圖2 PVC管(guǎn)材表面褶皺(zhòu)檢測（來源：維(wei)視智造）

利用聲(shēng)紋識别技術(shu)實現異音的(de)自動檢測，發(fā)現不良品，并(bing)比對⭐聲紋數(shù)據庫進行故(gu)障判斷。例如(ru)，從2018年年末🙇‍♀️開(kāi)始，佛吉亞（無(wu)錫）工廠就與(yu)集團大數據(ju)科學家團隊(duì)展開全🏃‍♂️面合(hé)作，緻力于将(jiang)AI技術應用于(yu)座椅⛱️調角器(qi)的👌NVH性能評判(pàn)（震動噪聲測(ce)試）。2019年，佛吉亞(ya)（無錫）工廠将(jiāng)AI技術應用到(dao)調角器異音(yin)檢測中，實現(xiàn)從信号采集(jí)、數據存儲、數(shu)據分析到自(zì)我學習全過(guo)程👉的自動化(huà)，檢測效率及(jí)準确性遠超(chao)傳統人工檢(jiǎn)測。随着基于(yú)AI（人工智能）技(ji)術的噪聲檢(jiǎn)測系統在無(wú)錫工廠投入(ru)✌️應用，人員數(shu)量已經從38人(rén)下降至3人，同(tong)時，質量控制(zhi)能力顯著提(ti)高，年經濟效(xiào)益高達450萬人(ren)民币。

場景五(wǔ)：智能決策

例如，一汽解(jie)放無錫柴油(you)機廠的智能(néng)生産管理系(xi)統💞，具有異常(cháng)和生産調度(du)數據采集、基(ji)于決策樹的(de)異常原因診(zhen)斷、基于回歸(gui)分析的設備(bei)停機時間預(yù)測、基于機器(qì)學習的調度(dù)決策優化等(deng)功能。通過将(jiang)曆史調度決(jué)策過程數據(ju)和調度執行(hang)後的實際生(shēng)産性能指标(biao)作爲訓練數(shù)據集，采用神(shen)經網絡算法(fa)，對調度決策(ce)評價算法的(de)參數進行調(diào)優，保證調度(du)決策符合生(sheng)産實際需求(qiu)。

數字孿(luán)生是客觀事(shi)物在虛拟世(shì)界的鏡像。創(chuàng)建數字孿生(sheng)的過程，集成(cheng)了人工智能(néng)、機器學習和(he)傳感器數據(ju)，以建立一個(ge)可以實時更(gèng)新的、現場感(gan)極強的“真實(shi)”模型，用來支(zhi)撐物理産品(pǐn)生命周期各(gè)項活動的決(jue)策。在完成對(duì)數🤩字孿生對(dui)象的降階建(jiàn)模方面，可以(yi)把複雜性和(hé)非線性模型(xing)放到神經✉️網(wang)絡中，借助✂️深(shen)度學習建立(li)一個有限的(de)目标，基于這(zhe)個有限的目(mu)标，進行降階(jie)建模。

創成式(shi)設計（Generative Design）是一個(ge)人機交互、自(zi)我創新的過(guo)程。工程師♻️在(zài)進行❓産品設(she)計時，隻需要(yao)在系統指引(yǐn)下，設置期望(wang)的參數及性(xing)🏃‍♀️能等🔴約束條(tiao)件，然後自(zì)行進行綜合(he)對比，篩選出(chū)最優的設計(ji)方案推送💔給(gěi)🔴設計者進行(háng)最後的決策(ce)。

創成式設計(ji)已經成爲一(yī)個新的交叉(chā)學科，與計算(suàn)♊機👅和人工智(zhi)能技術進行(háng)深度結合，将(jiang)先進的算法(fǎ)和技術應用(yong)到設計中來(lai)。得到廣泛應(ying)用的創成式(shì)算法包括：參(can)數化系統、形(xing)💛狀🧡語♋法‼️（Shape Grammars(SG)）、L-系統(tǒng)（L-systems）、元胞自動機(ji)（Cellular Automata(CA)）、拓撲優化算(suan)法、進化系統(tǒng)和遺傳算法(fǎ)等。

以人(rén)工智能技術(shù)爲基礎，建立(li)精準的需求(qiu)預測模型，實(shí)現✊企業的銷(xiao)量預測、維修(xiu)備料預測，做(zuò)出以需求導(dǎo)向的決策。同(tong)時，通過對外(wài)部數據的分(fen)析，基于需求(qiú)預測，制定庫(ku)存補貨策略(lue)，以及供應商(shang)評估、零部件(jiàn)選型等。

例如(rú)，爲了務實控(kong)制生産管理(lǐ)成本，美國本(běn)田公司希望(wang)能夠掌🌍握客(kè)戶未來的需(xū)求會在何時(shí)發生，因此将(jiang)1200個經銷商的(de)客戶銷售與(yǔ)維修資料建(jian)立預測模型(xíng)，推⭕算未來幾(ji)年内車輛回(huí)到經銷商維(wéi)修的數🌈量，這(zhe)些資訊進一(yī)步轉爲各項(xiàng)零件預先準(zhǔn)備的指标。該(gāi)轉變讓美國(guó)本田已做到(dào)預測準确度(dù)高達99%，并降低(dī)3倍的客訴時(shi)間。

目(mù)前，随着越來(lái)越多的企業(yè)、高校、開源組(zu)織進入人工(gōng)智能領域，大(dà)批成功的人(ren)工智能開源(yuan)軟件和平🌈台(tái)不斷湧入，人(rén)工智能迎✊來(lai)前所未有的(de)爆發期。但與(yǔ)金融等行業(yè)相比，雖然人(ren)工智能在制(zhì)造業的應用(yòng)場景不少，卻(què)并不突出，甚(shèn)至可以說發(fa)展較慢。

究其(qi)原因，主要源(yuan)于以下三大(dà)方面：

一是，由(you)于制造環節(jie)數據的采集(ji)、利用、開發都(dōu)有較大🏃難🎯度(dù)，加之企業的(de)數據庫也以(yi)私有爲主、數(shù)據規模有限(xian)，缺乏優質的(de)機器學習樣(yang)本，制約了機(jī)器的🌈自主學(xué)習過程。

二是(shì)，不同的制造(zào)行業之間存(cun)在差異，對于(yu)人工智能❗解(jie)決方案的複(fú)雜性和定制(zhi)化要求高。

三(sān)是，不同的行(háng)業内缺乏能(néng)夠引領人工(gong)智能與制造(zao)業深🏒度融合(he)發展趨勢的(de)龍頭企業。

解(jie)決以上三大(da)問題，人工智(zhì)能技術才能(néng)更好地應用(yong)于制造🚩業。

上(shang)一篇：【鋁材技(jì)術】如何提高(gāo)鋁型材擠壓(yā)模具的質量(liàng)
下一篇：鋁合(hé)金壓鑄件内(nei)部缺陷問題(tí)大全及解決(jué)辦法

制造業人(ren)工智能8大應(yīng)用場景！

1、計算智能

2、感知智能

3、認知智(zhi)能

場景一(yī)：智能分揀

場(chang)景二：設備健(jiàn)康管理

場景(jing)三：基于視覺(jiào)的表面缺陷(xian)檢測

場景(jing)四：基于聲紋(wen)的産品質量(liàng)檢測與故障(zhàng)判斷

場景五(wǔ)：智能決策

場景六：數字(zi)孿生

場(chǎng)景七：創成式(shi)設計

場景八：需(xū)求預測，供應(yīng)鏈優化