《56 智能制造借鉴日本经验推动人工智能与制造业深度融合.docx》由会员分享，可在线阅读，更多相关《56 智能制造借鉴日本经验推动人工智能与制造业深度融合.docx（6页珍藏版）》请在装配图网上搜索。
1、【智能制造】自创日本阅历推动人工智能与制造业深度 融合2020-05-06 原文Industrial InternetT匚聚工业互联网思想CCFDM 迪II论坛2019年4月3日至5日，第三届日本人工智能展(Al EXPO TOKYO2019)于东京举办，该展是口本规模最大的人工智能专业展 会，赛迪争辩院应邀参与本次展会。目前，日本已涌现出一批人工智能企业，它们多以学问图谱和深度学 习为基础技术，面对制造业领域典型使用场景开发人工智能产品与服 务，并积累了肯定阅历。我国应自创日本阅历，加强技术供应力量定 制和工业需求特点适配，推动人工智能与制造业深度融合。从实践看，日本企业留意分场景部署人工智
2、能技术从今次日本人工智能展上发觉，人工智能技术在制造业的使用集中在 设备、生产线、供应链等场景，能够实现生产现场协作优化、产质量 量监测管理、物流供应力量优化：所呈现的人工智能与制造业创新， 大多以学问图谱和深度学习技术为基础，开发能够满足设备监测、质 量管理、生产协作、产能优化、生产运营管理、产品全生命周期优化 等需求的产品或服务。制造业系统包含设备级、车间级、企业级、协 同级等层级，其对应的关键技术环节和重点使用场景也呈现出肯定的 规律性分布。一方面，学问图谱在处理工业机理明确、精确度高、关联性强的问题 上效果良好。例如，NTT推出的生产管理优化工具“WinActor”、 SOPPRA开发
3、的供应链管理系统“AgentSOPPRA”、Macnica.ai推出 的企业运营管理优化工具“企业语义网，均利用学问图谱技术，优化 了制造企业或大型生产组织的生产和管理效率。由此可见，学问图谱 是处理己知工业机理问题的重要手段，适用于工业企业库存管理、生 产成本优化、用户需求管理、供应链优化等场景。另一方面，深度学习能提升对工业机理模糊、计算高度简单问题的处 理力量。例如，伊藤忠株式会社开发的生产过程模仿软件 WITNESS,接受深度学习方法，对生产设备运转、工艺参数等数据 进行综合分析，找出最优参数，量化生产目标随时间的变化，大幅提 升运转效率与工业质量量；富士集团通过收集工业互联网和传感器
4、等 数据，利用深度学习算法，挖掘更深层次隐蔽结构与特征的笼统关 系，精准识别工业质量目标，打破传统机器学习模型的泛化力量界 限，实现对物体的分析和识别；AIHayabusa挂念中小制造业企业在 生产线上安装人工智能检测系统以及镜面检测机器人，通过深度学习 算法拟合设备运转简单非线性关系，提升设备毛病猜测精确 率，削减设备毛病率，降低损耗成本。从日本企业的实践中可以发觉，深度学习适用于工业品简单缺陷的质 量检测、设备微小毛病的检测和猜测性维护、设备自执行、不规章物 体分拣、制造工艺优化、流水线目标软测量等场景。2019年日本人工智能展中的典型制造业应用企业Al 技术规模S案例NTTAT知识企业级
5、协同级生产管 理优化、经营管理优化开发RPA工具WinActor”,协助日本钢铁工程控股公司（JFE） 赤塔工厂完成总公司和基地搬迁，同时推动JFE进行工厂工作 方式改革，实现对工厂的组织进度管理、性能管理、质危控制 等的高效管理。SOPPRA图谱企业级协同级工业设 计、供应 链 管理开发AgentSOPPRA软件系统.通过知识图谱汇集影响供应骨 各关键环节的因素并提供管理建议，为企业提供基于人工智能 以术的软件解决方案.一是构建1T专家支持系统，实现大型 项目的需求分析和工业设计；二是搭建制造业物流创新体系， 减少生产工厂的零件库存，合理管控大型零件交付。数据来源：赛迪智摩蔓理，2（）19年
6、5月Al 技术规模应用 *案例Macnica.ai企业级协同级用户需 求分析、营管理 优化、 供应链 优化利用设备提供和设备开发的专业知识.构建例如传感器网络构 建.2017年与VAIO合作.通过企业语义网（关系网）实现 供应链风险管理与零部件选型.打造小批量生产制造解决方 案-伊藤忠株式会社深度学习车间 级设备 级制造工 艺优化、设备运行优化开发生产过程模拟软件WITNESS.采用深度学习方法对设备 运行、工艺参数等数据进行综合分析并找出最优参数，可以通 过捕获时间轴1的生产指标变化，量化模糊情境和条件的变 化，能够大解提升运行效率与制造品质量.已经应用F日本某 大型车企汽车生产线和自动引导
7、运输车（AGV）生产线。SkydiscInc.设备 级夏杂质 量检测通过分析从物朕网传感器收集到的数据，利用基于深度学习的 解决方案代替人I特征提取，在环境变化条件卜-检测出更微 小、更夏杂的产品缺陷，提升检测效率.其产品主要有制造过 程分析包和A1机器检色器，町以进行工业制成品颜色、形状 等的高精度检查。Incubit设备 级设备自 执行、设备运行 优化、复杂质量 检测迪过深度学习方法对人类行为及语音的复杂分析.能够增强协 作机器人的学习、感知能力.提升生产效率。其开发的第一款 应用是自动化检删系统.m通过深度学刀技代自动检春相关基 础设施的情况：第二款应用是为工业机器人研发机器视觉，使 机
8、器人能够“看到”周围的环境：第三款则是DecpCrack.即 裂缝检测模型,利用深度学习技术识别裂缝辅助进行检查富士车间级 设备级复柴指 标测量、复杂质量检测收集工业互朕网和传感器等数据.利用深度学习算法，挖掘更 深层次隐藏结构与特征的抽象关系.打破传统机器学习模型的 泛化能力界限，识别工业质量指标，实现对物体的分析和识别.AlHayahusa设备 级设备预 测维护、设备质 量维护在生产线上安装人工智能检测系统和机器人的曲面和镜面检 测机器人，通过深度学习方法.拟合设备运行夏柴非线性关系 提升设备故障预测准确率.进行设备质坦维护.减少设备故障 率.降低损耗成本.Afrcl车间 级不规则 物体分
9、 拣推出DOBOT协作机器臂，通过深度学习构建夏杂对象的待征 模型.自动识别各种材料、形状甚至重登的物体.确定最佳抓 取点，实现闩主学习.大幅提高分拣效率-Afrcl还为用提供 宜观用户界面，用户可通过大型操作面板或宜接在Web浏览 器中轻松完成对机械臂的配胃。从供需婚配看，技术定制化是进展“AI +制造”的关键学问图谱和深度学习是两大次要技术抓手。制造业领域进展人工智能 有“一强一弱”两方面的现实约束。“一强指制造业各环节具有强专业 性、关联性、流程型、时序性特点，对制造工艺精确度的要求高、约 束性强，需要严谨、可控、透亮 的系统科学加以支撑；“一弱” 指工业领域的数据输入无限，工业数据处理
10、过程参数量大，工业机理 藏匿。从日本的进展实践看，学问图谱基于专家系统和认知科学，适 用于机理明确但影响要素繁杂的场景；深度学习基于数据科学和深度 神经网络算法架构的新突破，多用于处理简单度高、机理未知的难 题。学问图谱和深度学习技术从不同维度提升了生产效率，降低了生 产成本。为不同场景量身定制部署方式是使用进展路径。不同制造业场景产生 的计算难度和影响要素数量不同，人工智能技术规律也有差别。从参 展日本企业的实践来看，设备级和车间级工业问题的影响要素通常相 对较少，但工业机理简单程度较高、计算难度较大，适合利用深度学 习方法提升对未知机理工业问题的处理力量；企业级和协同级工业问 题通常影响要
11、素繁多但工业机理相对明确，适合使用学问图谱技术路 线提升处理问题的效率。进展启示：我国应从两方面深化人工智能与制造业融合协作工业需求供应定制化的深度学习技术力量。制造业场景对严谨可 控、快速反应、场景适配的要求高，应从三方面深化深度学习在制造 业中的使用。一是计算芯片方面，应推动能耗比低、处理功能高、实时性强的AI 芯片使用于制造业领域，提升设备的端侧推理力量。二是算法框架方面，应加强定制化端侧公用算法框架研制，提升生产 终端设备的实时反馈力量。三是计算牢靠性方面，需要着力推动深度学习算法的透亮 化、 可解释化争辩，打破算法的技术黑箱，推动其在制造业中实现更广泛 使用。构建规范化的学问图谱通用技术体系。可自创日本阅历，依据不同使 用场景的现实需求，建立包括学问建模、学问抽取、学问融合、学问 存储和学问计算等在内的规范化的学问图谱部署策略、标准体系和建 模方法，推动学问图谱技术在制造业领域的使用走向通用化、体系 化、成熟化。主制造匝T工最联网
56 智能制造借鉴日本经验推动人工智能与制造业深度融合.docx
