译丛

人工智能在制造业价值链中潜力巨大

人工智能（AI）是学习系统所显示出来的模仿人类能力的统称。典型的AI功能包括语音、图像和视频识别，自主物体、自然语言处理，会话代理，规范性建模，增强的创造力，智能自动化，高级仿真以及复杂的分析和预测。在制造业方面，大多数AI用例都集中在三大技术细分领域。一是机器学习，即算法和代码使用数据并自动从其基础模式中学习而无需明确编程的能力。二是深度学习，即机器学习的一种高级形式，它使用人工神经网络来分析和解释图像和视频。三是自主物体，即人造机器（如协作机器人或自动导航车辆）可以自行处理分配给他们的任务。

为探索AI在制造业中的所有潜在应用，本文调研了全球汽车、工业制造、消费品、航空航天与国防四大关键领域中的300家主要制造商（排名为本领域全球前75位的企业），并对上述企业的30位高级管理人员进行了深度访谈，以了解各企业如何实现和推广人工智能技术。

经过调研发现，欧洲在制造业领域的AI技术部署方面处于全球领先地位。目前，欧洲51%的企业都在制造业领域采用了AI解决方案，日本（30%）、美国（28%）、韩国（25%）和中国（11%）的制造商紧随其后。在欧洲，德国的采纳比例处于领先地位，69%的德国制造商在制造中采用了至少一个AI用例。其次是法国（47%）和英国（33%）。

与此同时，研究显示AI在全球制造业价值链中显示出了强大的潜力，很多领先的企业在其制造过程中通过使用AI发挥其优势。AI在产品开发、质量控制、需求规划等制造业领域均可应用。例如，日本轮胎制造商普利司通（Bridgestone）引入了新的轮胎组装系统“EXAMATION”进行生产质量控制，该系统配备了一个人工智能工具，使用传感器根据480个质量项目测量单个轮胎的特性。EXAMATION则依据上述信息实时控制生产过程，确保在理想条件下组装所有组件。与传统的制造工艺相比，该系统有助于提高轮胎制造的超高精度，使轮胎均匀度提高15%以上。法国食品制造商达能（Danone）公司使用机器学习来预测需求变化和规划，改进了销售数据的预测流程，预测误差减少了20%，销售损失减少了30%;美国通用汽车（GeneralMotors）的“Dreamcatcher”系统使用机器学习对生产原型进行转换，使单件式安全带支架零件的设计比原始的八件式设计轻了40%，而强度却提高了20%。

人工智能在制造业中的三大代表性应用场景

通过分析调研企业的AI技术实施案例用例，我们发现智能维护、产品质量检验、需求规划是目前AI应用最为成熟广泛的制造业场景。这些场景都具备以下五点共同特征：一是有明确的商业价值/利益。企业倾向于将AI技术投资重点放在收益易于识别和量化的用例上，包括减少停机时间、改善设备综合效率（OEE）、减少产品缺陷、减少库存等。二是相对容易实施。企业倾向于将重点放在不太复杂的用例上，这样可以将投资回收期控制在几个月内，获得更高的投资回报率。三是有可用的数据。企业多倾向于使用智能维护的机器和设备的性能数据，为检验质量截取的成品图片和视频等，企业表示，这些数据必须有足够实际发生数量支撑，但如果发生的次数实在不足，则可以使用模拟数据。在许多情况下，企业需要为收集数据配备物联网（IoT）传感器。四是具有成熟的AI專有技术、标准化解决方案和IT基础设施，并可以在生产中大规模部署。企业将优先考虑具有部署的基础设施基础的相关AI技术，因为随着这些用例的推广，制造商需要规模化、可定制的AI产品和解决方案以降低成本。五是能够添加有助于员工实施和理解的可视化、解释性的辅助性技术工具。这可以帮助基层员工了解如何利用AI技术做出更优质的生产决策。

（一）智能维护。工厂机械设备的智能维护是各行各业采用AI可轻松实现的目标，其投资回收率非常可观，可最大程度地减少停机时间、支降低维护成本、提高生产率。此外，相比高质量数据的可用性以及在商业环境中进行分析的专业知识，相对容易实施，发现有以下集成解决方案可供选择：

一是视情维护。预测机器/设备何时可能发生故障，并对进行维护的最佳时间提出建议。二是分析根本原因并确定机器停机的原因，以防止将来发生故障。根据机器人工业协会的说法，像通用汽车这样的公司生产线停机一分钟的成本就高达2万美元。通用汽车在其供应商的帮助下，分析安装在装配机器人上的照相机拍摄的图像，以便发现机器人部件故障的迹象。在该系统的先导测试中，检测了7000个机器人的72个部件故障实例，并在可能导致计划外停机之前确定了问题。三是分析关联事件和问题对机器效率和故障的影响。企业可以评估它对故障和故障率的影响，将生产损失最小化并将设备综合效率最大化。例如，沃尔沃在其预警系统中使用了大规模数据集。每周系统都会分析机器运行过程中发生的超过一百万个事件，例如温度升高或压力读数异常。四是确保在正确的时间发出正确的警报。这是为了避免出现太多的误报而导致解决方案无法使用。另外，警报还应该允许使用者考虑“行动的时间”，即应该在何时发出警报，以确保可采取必要措施避免预期故障。

举例来说，一家欧洲大型工程公司的数字创新负责人表示，智能维护以多种方式为企业创造了收益，该公司在调音机上使用AI，已经实现了预见性维护，它可以7天24小时（7×24）运行。以前，每一次计划外的停机都会产生生产时间的损失，而现在该公司掌握了与以往故障及可能的故障原因相关的数据，可以预测下一次故障可能发生的时间，不仅节省了生产时间，还可以节省计划外的维护成本和工时，进而节省大量资金。

另一家领先汽车制造商表示公司正致力于减少机器停机和将生产损失最小化，并提前发现可能发生故障的机器和生产线，以免影响销售和向客户交付产品。该公司启用了AI的预见性维护解决方案，能够准确地识别最有可能出现故障的机器和生产线，并能主动采取补救措施。在预计会出现重大故障的一个月中，通过智能维护可以多生产300辆汽车，这是对因停机和维护而可能损失的产量的补充。

此外，一家高端商用车辆制造领域领先汽车制造商通过焊接和上胶机器人来克服维护方面面临的挑战。由于机器人驱动焊接程序的频繁更改，导致底盘焊接和漏胶等故障反复出现。公司利用智能维护解决方案，能够提前一到两天预测到机器人的故障，每周可节省约500分钟的运营停机时间。目前，该公司的装配线上有600多个机器人。

（二）产品质量检验。利用AI技术分析过程参数有助于预测和防止质量问题，通过参数的细微趋势变化可以预测资产的潜在故障一样。目前，基于AI算法的高分辨率照相机的广泛使用以及强大的图像识别技术大大降低了实时中段检查的成本。在实施该用例期间，制造商机器合作伙伴用大量图像对计算机视觉AI系统进行了训练，并用“通过或失败”对图像进行分类。然后，系统就能确定零件是否符合质量要求。

制造商能够有效应对汽车和消费品等细分市场中存在的产品规格和合规性的严格监管法规，避免因任何违规行为导致的重大损失。例如，知名汽车制造商奥迪在英戈尔施塔特的冲压车间安装了基于深度学习的图像识别系统，直接安装在压机上的多台照相机可以拍摄压制金属板的图像。然后，AI系统对图像进行分析，识别金属板上最细小的裂纹。通过来自奥迪英戈尔施塔特工厂和其他几家大众工厂的数百万张测试图像对该AI系统进行了训练，这样可以实现非常高的准确度。

基于AI的质量检验正越来越多地用于确定零件和/或成品的缺陷。某大型欧洲电子企业表示正在尝试用机器人自动检验线圈，这能节省大量成本，可完全消除因检验不善造成的浪费。

AI质检可以确保生产线的正确装配操作。菲亚特克莱斯勒中国利用计算机视觉来检查动力装置配件的质量，该公司训练了用来检测不正确的装配组件或漏装配件的AI系统，这个系统速度极快、效率极高，可以将有缺陷的部件从主传送带上分离出来，用一条单独的传送线运至返工区进行纠正。这一过程不仅为终端客户解决了大量质量问题，还节省了生产时间。

人工智能技术可以根据给定的输入特征预测最终产品的质量。通过自动跟踪成分、原料成分等记录产品质量，减少人工干预和质量检验错误，扩大质量检验的规模和范围。一家大型食品加工企业在其生产线上采用了基于AI的鸡蛋质量检验，该企业的生产量为每小时3万至27万个鸡蛋，操作人员对鸡蛋进行抽样检查，由于规模大，小的缺陷容易漏检，手动检查方式在量大的情况下也容易出错，在总量很大情况下，即使质量下降1%，也意味着损失数千鸡蛋。

为解决这个问题，该企业设计了一种基于深度学习神经网络的AI算法，该算法使用了7万多个鸡蛋图像，并根据鸡蛋可能存在的缺陷类型将它们分为十类。实时地将每个鸡蛋的图像与该系统进行比较，以确定鸡蛋是否有缺陷。如果发现与其中一种分类缺陷相吻合，则将鸡蛋从传送带取下并回收;AI系统可以高速运行，扫描一个鸡蛋不到40毫秒，匹配生产线的速度。

（三）需求规划。制造业企业都在用机器学习尽可能精确地预测消费者需求的变化，以便对生产计划和原材料采购进行必要的更改。更精确的预测可以带来很多好处，可以提供更好的客户服务和减少在制品和制成品的库存。

利用机器学习系统可以提高制造商对需求预测的准确性，不仅能极大提高预测准确性，还能更好地进行营销、销售、账户管理、供应链和财务之间的规划。例如，法国跨国食品制造商达能（Danone）集團利用机器学习系统减少了20%预测误差、减少了30%销售损失、减少了30%产品淘汰、减少了50%需求规划员的工作量，这不仅提高了供应链效率，改善了库存平衡，也使达能集团能够满足产品推销的需求并达到渠道或门店级库存的目标服务等级。一家大型美国汽车配件企业表示，企业拥有大量关于客户需求的历史数据和给客户供货的历史数据，公司正在用这些数据结合当前的预测创建一个需求规划模型，确保有能力应对产量波动或客户需求波动，预测客户需求的变化、预测发展趋势、优化销售方案。

制造业企业扩展人工智能应用规模的三大路径

总的来说，制造商将其AI技术实施重点放在维护和质量上，29%和27%的顶级制造商将AI技术分别用于设备维护和质量检测。用于生产、产品研发、供应链管理的比例分别为20%、16%、8%。目前，制造商实现规模效益面临的最大挑战是数字平台和技术的部署和集成。例如，在汽车行业，截止到2019年1月，只有14%的汽车原始设备制造商（OEM）已经大规模使用AI技术，仅仅比2017年年中10%的估量略有上升。

目前，超越概念验证（POC）水平扩展能力不足仍然是制造业人工智能实施的最大障碍之一。通过总结制造商可以采取的克服这一障碍的关键措施，可以采取三大类方法完成AI部署的超越概念验证，将用例开发和实施过程标准化和重复操作，以实现大规模部署。一是在现场工程环境中部署成功的AI原型，二是加大投资奠定数据、AI系统和人才的基础，三是在制造网络上扩展AI解决方案。以下对这三类方法分别进行阐述：

（一）在现场工程环境中部署成功的AI原型。1.实施AI应用程序以处理车间的实时数据。大部分企业是在沙箱或受控环境中实施AI技术的概念验证，这导致的问题是只使用了有限的数据集对该系统进行了培训和测试，AI系统无法处理多种场景，准确性不能适应生产环境的复杂度水平。

为此，企业应在训练AI应用程序模型时，引入处理车间的实时数据，并做好准备应对初期的故障和不成功案例。例如，西门子用AI预测处理高压灭菌器废气的风扇故障，早起该系统的准确性比较低，预测的一些故障后来证实都是错误警报。但随着数据量增大，预测准确度的提高，这个系统能够提前预测许多故障，节省了很多成本和停机时间，从而证明了它的价值。

2.将AI应用与已有IT系统和工业物联网进行集成嵌入。现有系统和工具的集成问题是AI大规模应用所面临的最大技术挑战。为此，企业可以将AI作为关键组成部分嵌入到产品生命周期管理（PLM）、制造执行系统（MES）、企业资源计划（ERP）系统等原有IT系统中，从而克服这一障碍。而且，对于AI应用程序来说，这些系统可能是有价值的嵌入。

在持续改进中获得的经验教训是同时展开的。菲亚特克莱斯勒（中国）汽车集团认为企业设备和系统的标准化可以让AI应用的系统集成变得更加容易。标准化的系统可以让AI应用程序集成变得更加容易，产生的问题更少。不仅如此，企业还能很容易地将集成后的应用程序在新工厂中投入规模化的推广使用（只需付出第一次实施应用程序所付出努力的15%到20%）。

除了已有IT系统的数据源外，AI系统有时还需要更精细的数据。精细数据可能直接从工业物联网系统中的机器和设备获得，为此需要两种类型的集成：一是在在工厂里、装配线上、资产附近等边缘地带运行AI计算，以便立即做出策略决策，这也被称为“边缘智能”;二是在中央存储库中收集和处理物联网数据，进行出于系统优化目的的策略型学习。

（二）加大对数据管控、AI平台和人才的投入。投资基础技术和AI技能也是取得长期成功的关键，当最初的用例初步证明了AI的价值时，加大投资可以使企业保持动力。它还有助于将来创建可重复操作的、更快的、更容易操作的新AI应用程序。

1.设计数据管控框架并构建数据和AI平台。数据管控框架定义了与数据生成、管理和分析相关的关键流程，这些流程对于实现AI应用程序的功能至关重要。数据管控框架主要包含三大内容：一是定义什么函数生成数据，谁是所有者，谁管理对数据的访问;二是确定哪些数据对AI应用程序有用，如何捕获和存储;三是规范和简化数据集成，确定遵循的数据标准和格式。数据管控框架将为企业提供高质量数据，帮助企业不同部门收集和存储的数据在捕获时或存储在数据存储库中时遵循同样一套标准，减少数据清理和预处理的难度，加快数据分析和数据准备速度。想要拥有预处理后的结构化数据集，数据管控至关重要。

同时，为了收集的数据得到最有效利用，被调研企业大多构建了AI平台来存储数据并管控对数据的访问，将不同数据用于特定于问题的AI应用程序。最初，平台可能主要提供对运营的初步见解，以建议和支持优化决策。随着时间的发展，AI平台可以将AI模型产生的结果发送回制造执行系统，以便安排维护、安排设备等自动执行优化决策。此类AI平台既可以作为解决一系列用例的纵向集成解决方案，又可以作为开发各种用例的通用平台使用。基于数据的AI平台可以不断地、安全地开发和扩展解决方案，提供稳定的数据获取能力，对用例进行开发和部署。

不过，对于缺乏在内部实施和培训AI的必要技能和专业知识的中小制造业企业来说，购买现成的解决方案是开发和实施AI的快速而有效的方法，通过购买的通用平台上定制AI解决方案，中小制造业企业将得以组建自身的AI专业系统。

举例来说，宝马公司几年前就开始构建数据架构，能够处理宝马公司分布在31个国家的生产设施和140多个国家的销售网络生成的大量数据。宝马公司的数据仓库创建一种新的数据架构，使其能够处理正在生成的大量数据并进行及时的分析。在该数据平台上，宝马公司建立了一个神经网络和图像数据库，用于评估生产过程中的图像，一旦机器学习过程完成，神经网络就可以自行确定组件是否符合规格。目前，宝马公司正将此用于消除斯太尔工厂的“伪”缺陷，通过运行训练好的AI分析软件，已能够区分实际的失误和假定的失误;同时，宝马公司还用员工注解的存储图像数据在斯太尔工厂开发了AI控制应用程序来强化缺陷发现的训练过程，在部分工厂试点的AI应用程序可以识别是否需要将集装箱装在货板上、是否需要其他固定措施，还可以计算出最短的路径将集装箱直接送到卸货站。从数据的角度来说，宝马围绕开发、生产、采购等职能部门进行数据组织，利用机器学习优化流程质量，将数据转化为财富，优化公司产品和业务模型。到2017年，宝马公司已开发出嵌入AI算法的物联网平台，可快速方便地访问大量传感器和处理生产和物流数据。

2.储备相关人才资源。制造商需要拥有一个能开发AI程序的人才库。制造商的IT团队一般不具备这样的技能，需要专门招聘专业人员和开展技能提升项目，一些企业与学术界和初创公司积极合作是一种不错的途径。除此之外，企业还需要帮助和培训客户快速顺利地采用AI技术。

（三）在制造网络上扩展AI解决方案应用规模。企业应加大对已建立的数据管理和人才队伍的依赖度，将价值已经得到证实的AI原型在企业工厂以及更广泛的制造网络上进行扩展，实现更大网络化、规模化价值。

1.在AI平台上部署AI应用程序使其可被应用在不同工厂。建议企业通过开发数据和AI平台，将现有的AI实施转移到该平台上，以获取可用数据和资源的全部价值。

在制造网络上扩展AI解决方案有四大方面好处：一是有助于扩展用例的应用规模，企业可以访问从多个工厂采集的更广泛数据集，并在这些站点使用该平台;二是有助于确定在平台上开发新用例所需的IT硬件和软件资源;三是有助于自动执行AI建议的决策，通过将输出反馈到制造执行系统或控制系统，可以将AI应用程序的输出作为同一平台上托管的新AI应用程序的输入;四是AI平台本身可以托管在云上，企业可以AI应用程序进行集中访问以节约成本，实现应用程序的可移植性和企业移动性。

2.持续监控其性能以获取价值、输出质量和可靠性。当AI解决方案在现场环境运行时，企业为保障程序运行的稳定，避免发生故障，需要利用制造网络同步监控AI解决方案的各种参数性能，避免故障、误报和漏報的发生，使用新的数据类别进行重新培训，以提高预测的准确性。

人工智能在制造业中的应用规模的结论

AI具有革新制造业的潜力。然而，虽然全球主要制造商已开始尝试AI用例，但很少进行大规模应用。报告认为，需要有更多企业对AI的应用从试验或概念验证转向规模发展，否则制造业的新4.0时代仍将是一个遥不可及的目标。为此，企业需要采用规模驱动的策略，将精力集中在最有价值的用例上，并建立坚实的管控、平台和人才基础。