擴展人工智能在制造業中的應用規模：來自從業者的觀點

賽迪譯叢

本報告建議，制造業企業應為車間匹配符合需求的人工智能原型算法和數據管控框架，并在多工廠部署AI應用，實現網絡化推廣。

AI在制造業價值鏈中潛力巨大

人工智能（AI）是學習系統所顯示出來的模仿人類能力的統稱，這些系統代表了智能。典型的AI功能包括語音、圖像和視頻識別、自主物體、自然語言處理、會話代理、規范性建模、增強的創造力、智能自動化、高級仿真以及復雜的分析和預測。在制造業方面，大多數AI用例都集中在三大技術細分領域。一是機器學習，即算法和代碼使用數據并自動從其基礎模式中學習而無需明確編程的能力。二是深度學習，即機器學習的一種高級形式，它使用人工神經網絡來分析和解釋圖像和視頻。三是自主物體，即人造機器（如協作機器人或自動導航車輛）可以自行處理分配給他們的任務。

為探索AI在制造業中的所有潛在應用，本報告調研了全球汽車、工業制造、消費品、航空航天與國防四大關鍵領域中的300家主要制造商（排名為本領域全球前75位的企業），并對上述企業的30位高級管理人員進行了深度訪談，以了解各企業如何實現和推廣人工智能技術。

經過調研我們發現，歐洲在制造業領域的AI技術部署方面處于全球領先地位。目前，歐洲51%的企業都在制造業領域采用了AI解決方案，日本（30%）、美國（28%）、韓國（25%）和中國（11%）的制造商緊隨其后。在歐洲，德國的采納比例處于領先地位，69%的德國制造商在制造中采用了至少一個AI用例。其次是法國（47%）和英國（33%）。

與此同時，研究顯示AI在全球制造業價值鏈中顯示出了強大的潛力，很多領先的企業在其制造過程中通過使用AI發揮其優勢。AI在產品開發、質量控制、需求規劃等制造業領域均可應用。例如，日本輪胎制造商普利司通（Bridgestone）引入了新的輪胎組裝系統“EXAMATION”進行生產質量控制，該系統配備了一個人工智能工具，使用傳感器根據480個質量項目測量單個輪胎的特性。EXAMATION則依據上述信息實時控制生產過程，確保在理想條件下組裝所有組件。與傳統的制造工藝相比，該系統有助于提高輪胎制造的超高精度，使輪胎均勻度提高15%以上;法國食品制造商達能（Danone）公司使用機器學習來預測需求變化和規劃。改進了銷售數據的預測流程，預測誤差減少了20%，銷售損失減少了30%;美國通用汽車（GeneralMotors）的“Dreamcatcher”系統使用機器學習對生產原型進行轉換，使單件式安全帶支架零件的設計比原始的八件式設計輕了40%，而強度卻提高了20%。

AI在制造業中的三大代表性應用場景

通過分析調研企業的AI技術實施案例用例，我們發現智能維護、產品質量檢驗、需求規劃是目前AI應用最為成熟廣泛的制造業場景。這些場景都具備以下五點共同特征：

一是有明確的商業價值/利益。企業傾向于將AI技術投資重點放在收益易于識別和量化的用例上，包括減少停機時間、改善設備綜合效率（OEE）、減少產品缺陷、減少庫存等。二是相對容易實施。企業傾向于將重點放在不太復雜的用例上，這樣可以將投資回收期控制在幾個月內，獲得更高的投資回報率。三是有可用的數據。企業多傾向于使用智能維護的機器和設備的性能數據，為檢驗質量截取的成品圖片和視頻等，企業表示，這些數據必須有足夠實際發生數量支撐，但如果發生的次數實在不足，則可以使用模擬數據。在許多情況下，企業需要為收集數據配備物聯網（IoT）傳感器。四是具有成熟的AI專有技術、標準化解決方案和IT基礎設施，并可以在生產中大規模部署。企業將優先考慮具有部署的基礎設施基礎的相關AI技術，因為隨著這些用例的推廣，制造商需要規模化、可定制的AI產品和解決方案以降低成本。五是能夠添加有助于員工實施和理解的可視化、解釋性的輔助性技術工具。這可以幫助基層員工了解如何利用AI技術做出更優質的生產決策。

（一） 智能維護。工廠機械設備的智能維護是各行各業采用AI可輕松實現的目標，其投資回收率非常可觀，可最大程度地減少停機時間、支降低維護成本、提高生產率（圖1）。此外，相比高質量數據的可用性以及在商業環境中進行分析的專業知識，相對容易實施，發現有以下集成解決方案可供選擇：

一是視情維護。預測機器/設備何時可能發生故障，并對進行維護的最佳時間提出建議。二是分析根本原因并確定機器停機的原因，以防止將來發生故障。根據機器人工業協會的說法，像通用汽車這樣的公司生產線停機一分鐘的成本就高達2萬美元。通用汽車在其供應商的幫助下，分析安裝在裝配機器人上的照相機拍攝的圖像，以便發現機器人部件故障的跡象。在該系統的先導測試中，檢測了7000個機器人的72個部件故障實例，并在可能導致計劃外停機之前確定了問題。三是分析關聯事件和問題對機器效率和故障的影響。企業可以評估它對故障和故障率的影響，將生產損失最小化并將設備綜合效率最大化。例如，沃爾沃在其預警系統中使用了大規模數據集。每周系統都會分析機器運行過程中發生的超過一百萬個事件，例如溫度升高或壓力讀數異常。四是確保在正確的時間發出正確的警報。這是為了避免出現太多的誤報而導致解決方案無法使用。另外，警報還應該允許使用者考慮“行動的時間”，即應該在何時發出警報，以確保可采取必要措施避免預期故障。

舉例來說，一家歐洲大型工程公司的數字創新負責人表示，智能維護以多種方式為企業創造了收益，該公司在調音機上使用AI，已經實現了預見性維護，它可以7天24小時（24/7）運行。以前，每一次計劃外的停機都會產生生產時間的損失，而現在該公司掌握了與以往故障及可能的故障原因相關的數據，可以預測下一次故障可能發生的時間，不僅節省了生產時間，還可以節省計劃外的維護成本和工時，進而節省大量資金。

另一家領先汽車制造商表示公司正致力于減少機器停機和將生產損失最小化，并提前發現可能發生故障的機器和生產線，以免影響銷售和向客戶交付產品。該公司啟用了AI的預見性維護解決方案，能夠準確地識別最有可能出現故障的機器和生產線，并能主動采取補救措施。在預計會出現重大故障的一個月中，通過智能維護可以多生產300輛汽車，這是對因停機和維護而可能損失的產量的補充。

此外，一家高端商用車輛制造領域領先汽車制造商通過焊接和上膠機器人來克服維護方面面臨的挑戰。由于機器人驅動焊接程序的頻繁更改，導致底盤焊接和漏膠等故障反復出現。公司利用智能維護解決方案，能夠提前一到兩天預測到機器人的故障，每周可節省約500分鐘的運營停機時間。目前，該公司的裝配線上有600多個機器人。

（二）產品質量檢驗。利用AI技術分析過程參數有助于預測和防止質量問題，通過參數的細微趨勢變化可以預測資產的潛在故障一樣。目前，基于AI算法的高分辨率照相機的廣泛使用以及強大的圖像識別技術大大降低了實時中段檢查的成本。在實施該用例期間，制造商機器合作伙伴用大量圖像對計算機視覺AI系統進行了訓練，并用“通過或失敗”對圖像進行分類。然后，系統就能確定零件是否符合質量要求。

制造商能夠有效應對汽車和消費品等細分市場中存在的產品規格和合規性的嚴格監管法規，避免因任何違規行為導致的重大損失。例如，知名汽車制造商奧迪在英戈爾施塔特的沖壓車間安裝了基于深度學習的圖像識別系統，直接安裝在壓機上的多臺照相機可以拍攝壓制金屬板的圖像。然后，AI系統對圖像進行分析，識別金屬板上最細小的裂紋。通過來自奧迪英戈爾施塔特工廠和其他幾家大眾工廠的數百萬張測試圖像對該AI系統進行了訓練，這樣可以實現非常高的準確度。

基于AI的質量檢驗正越來越多地用于確定零件和/或成品的缺陷。某大型歐洲電子企業表示正在嘗試用機器人自動檢驗線圈，這能節省大量成本，可完全消除因檢驗不善造成的浪費。

AI質檢可以確保生產線的正確裝配操作。菲亞特克萊斯勒中國利用計算機視覺來檢查動力裝置配件的質量，該公司訓練了用來檢測不正確的裝配組件或漏裝配件的AI系統，這個系統速度極快、效率極高，可以將有缺陷的部件從主傳送帶上分離出來，用一條單獨的傳送線運至返工區進行糾正。這一過程不僅為終端客戶解決了大量質量問題，還節省了生產時間。

人工智能技術可以根據給定的輸入特征預測最終產品的質量。通過自動跟蹤成分、原料成分等記錄產品質量，減少人工干預和質量檢驗錯誤，擴大質量檢驗的規模和范圍。一家大型食品加工企業在其生產線上采用了基于AI的雞蛋質量檢驗，該企業的生產量為每小時3萬至27萬個雞蛋，操作人員對雞蛋進行抽樣檢查，由于規模大，小的缺陷容易漏檢，手動檢查方式在量大的情況下也容易出錯，在總量很大情況下，即使質量下降1%，也意味著損失數千雞蛋。

為解決這個問題，該企業設計了一種基于深度學習神經網絡的AI算法，該算法使用了7萬多個雞蛋圖像，并根據雞蛋可能存在的缺陷類型將它們分為十類。實時地將每個雞蛋的圖像與該系統進行比較，以確定雞蛋是否有缺陷。如果發現與其中一種分類缺陷相吻合，則將雞蛋從傳送帶取下并回收;AI系統可以高速運行，掃描一個雞蛋不到40毫秒，匹配生產線的速度。

（三）需求規劃。制造業企業都在用機器學習盡可能精確地預測消費者需求的變化，以便對生產計劃和原材料采購進行必要的更改。更精確的預測可以帶來很多好處，可以提供更好的客戶服務和減少在制品和制成品的庫存。

利用機器學習系統可以提高制造商對需求預測的準確性，不僅能極大提高預測準確性，還能更好地進行營銷、銷售、賬戶管理、供應鏈和財務之間的規劃。例如，法國跨國食品制造商達能（Danone）集團利用機器學習系統減少了20%預測誤差、減少了30%銷售損失、減少了30%產品淘汰、減少了50%需求規劃員的工作量，這不僅提高了供應鏈效率，改善了庫存平衡，也使達能集團能夠滿足產品推銷的需求并達到渠道或門店級庫存的目標服務等級。一家大型美國汽車配件企業表示，企業擁有大量關于客戶需求的歷史數據和給客戶供貨的歷史數據，公司正在用這些數據結合當前的預測創建一個需求規劃模型，確保有能力應對產量波動或客戶需求波動，預測客戶需求的變化、預測發展趨勢、優化銷售方案。

制造業企業擴展AI應用規模的三大路徑

總的來說，制造商將其AI技術實施重點放在維護和質量上，29%和27%的頂級制造商將AI技術分別用于設備維護和質量檢測。用于生產、產品研發、供應鏈管理的比例分別為20%、16%、8%。目前，制造商實現規模效益面臨的最大挑戰是數字平臺和技術的部署和集成。例如，在汽車行業，截止到2019年1月，只有14%的汽車原始設備制造商（OEM）已經大規模使用AI技術，僅僅比2017年年中10%的估量略有上升。

目前，超越概念驗證（POC）2水平擴展能力不足仍然是制造業人工智能實施的最大障礙之一。通過總結制造商可以采取的克服這一障礙的關鍵措施，發現可以采取三大類方法完成AI部署的超越概念驗證，將用例開發和實施過程標準化和重復操作，以實現大規模部署。一是在現場工程環境中部署成功的AI原型，二是加大投資奠定數據、AI系統和人才的基礎，三是在制造網絡上擴展AI解決方案。以下對這三類方法分別進行闡述：

在現場工程環境中部署成功的AI原型

1.實施AI應用程序以處理車間的實時數據。大部分企業是在沙箱或受控環境中實施AI技術的概念驗證，這導致的問題是只使用了有限的數據集對該系統進行了培訓和測試，AI系統無法處理多種場景，準確性不能適應生產環境的復雜度水平。

為此，企業應在訓練AI應用程序模型時，引入處理車間的實時數據，并做好準備應對初期的故障和不成功案例。例如，西門子用AI預測處理高壓滅菌器廢氣的風扇故障，早起該系統的準確性比較低，預測的一些故障后來證實都是錯誤警報。但隨著數據量增大，預測準確度的提高，這個系統能夠提前預測許多故障，節省了很多成本和停機時間，從而證明了它的價值。

2.將AI應用與已有IT系統和工業物聯網進行集成嵌入。現有系統和工具的集成問題是AI大規模應用所面臨的最大技術挑戰。為此，企業可以將AI作為關鍵組成部分嵌入到產品生命周期管理（PLM）、制造執行系統（MES）、企業資源計劃（ERP）系統等原有IT系統中，從而克服這一障礙。而且，對于AI應用程序來說，這些系統可能是有價值的嵌入。

菲亞特克萊斯勒（中國）汽車集團認為企業設備和系統的標準化可以讓AI應用的系統集成變得更加容易，產生的問題更少。不僅如此，企業還能很容易地將集成后的應用程序在新工廠中投入規模化的推廣使用（只需付出第一次實施應用程序所付出努力的15%到20%）。

除了已有IT系統的數據源外，AI系統有時還需要更精細的數據。精細數據可能直接從工業物聯網系統中的機器和設備獲得，為此需要兩種類型的集成：一是在工廠里、裝配線上、資產附近等邊緣地帶運行AI計算，以便立即做出策略決策，這也被稱為“邊緣智能”;二是在中央存儲庫中收集和處理物聯網數據，進行出于系統優化目的的策略型學習。

加大對數據管控、AI平臺和人才的投入

投資基礎技術和AI技能也是取得長期成功的關鍵，當最初的用例初步證明了AI的價值時，加大投資可以使企業保持動力。它還有助于將來創建可重復操作的、更快的、更容易操作的新AI應用程序。

1.設計數據管控框架并構建數據和AI平臺。數據管控框架定義了與數據生成、管理和分析相關的關鍵流程，這些流程對于實現AI應用程序的功能至關重要。數據管控框架主要包含三大內容：一是定義什么函數生成數據，誰是所有者，誰管理對數據的訪問;二是確定哪些數據對AI應用程序有用，如何捕獲和存儲;三是規范和簡化數據集成，確定遵循的數據標準和格式。數據管控框架將為企業提供高質量數據，幫助企業不同部門收集和存儲的數據在捕獲時或存儲在數據存儲庫中時遵循同樣一套標準，減少數據清理和預處理的難度，加快數據分析和數據準備速度。想要擁有預處理后的結構化數據集，數據管控至關重要。

同時，為了收集的數據得到最有效利用，被調研企業大多構建了AI平臺來存儲數據并管控對數據的訪問，將不同數據用于特定于問題的AI應用程序。圖2顯示了數據和AI平臺的構建模式，AI平臺從現有機器、控制系統和制造執行系統以及智能傳感器收集數據。最初，平臺可能主要提供對運營的初步見解，以建議和支持優化決策。隨著時間的發展，AI平臺可以將AI模型產生的結果發送回制造執行系統，以便安排維護、安排設備等自動執行優化決策。此類AI平臺既可以作為解決一系列用例的縱向集成解決方案，又可以作為開發各種用例的通用平臺使用。基于數據的AI平臺可以不斷地、安全地開發和擴展解決方案，提供穩定的數據獲取能力，對用例進行開發和部署。

不過，對于缺乏在內部實施和培訓AI的必要技能和專業知識的中小制造業企業來說，購買現成的解決方案是開發和實施AI的快速而有效的方法，通過購買的通用平臺上定制AI解決方案，中小制造業企業將得以組建自身的AI專業系統。

舉例來說，寶馬公司幾年前就開始構建數據架構，能夠處理寶馬公司分布在31個國家的生產設施和140多個國家的銷售網絡生成的大量數據。寶馬公司的數據倉庫創建一種新的數據架構，使其能夠處理正在生成的大量數據并進行及時的分析。在該數據平臺上，寶馬公司建立了一個神經網絡和圖像數據庫，用于評估生產過程中的圖像，一旦機器學習過程完成，神經網絡就可以自行確定組件是否符合規格。目前，寶馬公司正將此用于消除斯太爾工廠的“偽”缺陷，通過運行訓練好的AI分析軟件，已能夠區分實際的失誤和假定的失誤;同時，寶馬公司還用員工注解的存儲圖像數據在斯太爾工廠開發了AI控制應用程序來強化缺陷發現的訓練過程，在部分工廠試點的AI應用程序可以識別是否需要將集裝箱裝在貨板上、是否需要其他固定措施，還可以計算出最短的路徑將集裝箱直接送到卸貨站。從數據的角度來說，寶馬圍繞開發、生產、采購等職能部門進行數據組織，利用機器學習優化流程質量，將數據轉化為財富，優化公司產品和業務模型。到2017年，寶馬公司已開發出嵌入AI算法的物聯網平臺，可快速方便地訪問大量傳感器和處理生產和物流數據。

2.儲備相關人才資源。制造商需要擁有一個能開發AI程序的人才庫。制造商的IT團隊一般不具備這樣的技能，需要專門招聘專業人員和開展技能提升項目，一些企業與學術界和初創公司積極合作是一種不錯的途徑。除此之外，企業還需要幫助和培訓客戶快速順利地采用AI技術。

在制造網絡上擴展AI解決方案應用規模

我們建議企業要加大對已建立的數據管理和人才隊伍的依賴度，將價值已經得到證實的AI原型在企業工廠以及更廣泛的制造網絡上進行擴展，實現更大網絡化、規模化價值。

1.在AI平臺上部署AI應用程序使其可被應用在不同工廠。建議企業通過開發數據和AI平臺，將現有的AI實施轉移到該平臺上，以獲取可用數據和資源的全部價值。在制造網絡上擴展AI解決方案有四大方面好處：一是有助于擴展用例的應用規模，企業可以訪問從多個工廠采集的更廣泛數據集，并在這些站點使用該平臺;二是有助于確定在平臺上開發新用例所需的IT硬件和軟件資源;三是有助于自動執行AI建議的決策，通過將輸出反饋到制造執行系統或控制系統，可以將AI應用程序的輸出作為同一平臺上托管的新AI應用程序的輸入;四是AI平臺本身可以托管在云上，企業可以AI應用程序進行集中訪問以節約成本，實現應用程序的可移植性和企業移動性。

2.持續監控其性能以獲取價值、輸出質量和可靠性。當AI解決方案在現場環境運行時，企業為保障程序運行的穩定，避免發生故障，需要利用制造網絡同步監控AI解決方案的各種參數性能，避免故障、誤報和漏報的發生，使用新的數據類別進行重新培訓，以提高預測的準確性。

結論

AI具有革新制造業的潛力。然而，我們發現雖然全球主要制造商已開始嘗試AI用例，但很少進行大規模應用。我們認為，需要有更多企業將AI的應用從試驗或概念驗證轉向規模發展，否則制造業的新4.0時代仍將是一個遙不可及的目標。為此，企業需要采用規模驅動的策略，將精力集中在最有價值的用例上，并建立堅實的管控、平臺和人才基礎。