人工智能在工業機器人系統中的應用

代辛宇

（山西農業大學,山西 晉中 030800）

隨著AlphaGo、波士頓動力的四足機器狗等人工智能產品的誕生，人臉識別、人機對話等人工智能產品服務逐步在日常生產生活中的應用，以機器視覺、智能語音和自然語言處理為代表的人工智能技術，正作為一種新的生產工具逐步為人們所熟悉和接受。此外，以“新一代人工智能”和“新基建”為代表的國家政策助力，使得人工智能技術獲得了前所未有的發展機遇。

工業機器人作為機器人的典型代表，因其能夠高速精準地完成枯燥、危險的任務，在工業生產和裝備制造領域起著關鍵作用。目前，工業機器人正在從傳統的執行重復勞動的機器人向具有智能感知、智能認知和智能決策能力的智能機器人轉變，人工智能技術是實現轉型的關鍵。將人工智能應用到工業機器人系統的應用和發展中有利于我國工業的發展。

以深度學習技術為突破的人工智能技術，在機器視覺、語音識別、自然語言處理方面取得了飛速的進步。人工智能技術在機械設備方面，通常用于設備或物品質量檢測、優化工作流程等，通過數據驅動的智能算法提升設備的運行效率和設備性能，同時降低設備損壞的風險，最大限度地延長設備生命周期[1]。工業機器人作為智能制造的重要組成部分，如何充分利用人工智能技術，提升工業機器人的精度、效率、壽命等屬性，具有重要的理論價值和巨大的經濟效益。

1 工業機器人的現狀及特點

隨著勞動力成本的上升，“機器換人”已成為很多企業的發展方向。帶有人工智能的工業機器人的出現就是人工智能發展的體現。[2]工業機器人具有節約成本、提升工作效率、保證產品質量且安全系數高的特點，通過取代工人，工業機器人能夠從事危險、高污染、重復性勞動，因而在汽車制造、電氣電子、物流分揀、模具加工、橡膠及塑料制品領域得到廣泛應用。以汽車制造為例，工業機器人在搬運、碼垛、焊接、切割、裝配、噴涂、零配件及成品檢測等方面都得到了廣泛應用[2]。

盡管工業機器人得到了廣泛應用，但現有的工業機器人通常并沒有或很少應用人工智能技術。阻礙人工智能在工業機器人及工業系統應用的因素包括：

（1）工業領域對設備的高可靠性要求，使得在工業領域并沒有足夠的證據去說服工業企業來使用人工智能技術；

（2）對于部署一個較大范圍的工業應用，缺少系統性、標準化的流程和方法；

（3）不同工業場景下，數據以不同的格式進行記錄和報告，使得來自不同機器設備的數據并不能夠實現標準化和結構化；

（4）由于工業應用中很少允許設備損壞，使得設備的損壞數據不容易獲得，缺少故障數據導致一些人工智能算法不能夠達到最優的效果；

（5）復雜多變且動態的應用場景通常需要人工操作的介入，以應對不同場景和狀況。

2 人工智能在工業機器人的應用

以人工智能目前較為成熟的機器視覺為突破口，人工智能技術在工業機器人方面開展了一系列的應用。

2.1 基于機器視覺的智能應用

機器視覺是使用單目或雙目相機等設備，通過分析相機所采集圖片，再將相關信息反饋至控制系統，進而實現包括物體抓取、正常/異常識別等精準控制。相對于人工或傳統機械方面，機器視覺具有成本低、速度快、精度高、準確率高的特點。工業機器人視覺作為機器人感知的一個重要方面，能夠提升機器人的能力，實現高精準的抓取、定位等目標，滿足智能制造對機器人智能識別、定位、抓取零件的要求，2D/3D機器視覺技術逐步成為機器人應用的核心技術之一[3]。將工業機器人的視覺系統與人工智能技術融合，才能真正實現機器人進行視覺路徑的策劃及高速運動的控制[4]。

人工智能的引導和定位、物品和圖像識別、外觀檢測、高精度檢測等方面的技術被廣泛應用于生產制造和物流分揀等領域。一方面，工業機器人通過機器視覺實現物品的精準抓取。通過使用深度學習算法，結合3D相機獲得的深度信息和圖像信息，機械手能夠準確地定位物品并抓取到。另一方面，工業機器人通過機器視覺完成基于圖像的產品質量檢測，更準確地判斷商品的缺陷與瑕疵。當相機獲得商品的圖片后，經網絡上傳至云端，結合云端訓練好的深度學習模型，完成當前產品的質量優劣的識別，5G網絡和工業物聯網的部署應用更是加速了機器視覺用于物品檢測。

2.2 基于數據驅動的預測性維護

預測性維護是指通過分析多種傳感器獲得的振動、溫度、濕度等實時數據，結合由歷史數據訓練的數學模型，以預測設備當前發生故障的可能性，并結合連續監測的數據，實現對設備的未來故障組件定位和時間預測，避免重大事故的發生，延長設備的使用壽命，降低設備整個生命周期內的維護費用，實現個性化、智能化的設備健康診斷和維護。通過實現從被動維護向預防性維護轉變，結合人工智能的預測能力，預測性維護能夠顯著降低停工損失。

通過機器人內置的多個不同類型的傳感器，結合外部的其他設備和數據集成技術，精準監測每個主要機器人組件的運行時間，結合實際的工作條件，使用云端智能數據分析方法，推斷出設備的維護日程周期。云端通常分析機器人構件數據、作業狀態數據、系統狀態和維護保養信息共四類數據。其中，機器人構件數據包括減速機診斷、電機力矩檢測、伺服斷電記錄、發動機溫度等；作業狀態數據包括機器人運行狀態、視覺檢測結果、焊接信息等與業務和作業相關的數據；系統狀態包括工作日志、報警信息、內存使用情況記錄等；維護保養信息包括電池使用情況、潤滑油狀態等。

2.3 基于安全的應用分析

由于工業機器人通常用于某些大型設備或高精度設備的制造與維護，因此需要相關工作人員時刻關注。應用人工智能技術后可以減少工作人員的工作壓力，也可以盡量避免工作人員日常工作中可能會出現的失誤。同樣的，人工智能技術可以幫助工作人員遠程控制并檢測工業機器人的實時數據，第一時間發現機器人的問題，做到及時規避并解決問題[5]。

2.4 基于強化學習的人機協作

人的發達的智力、完善的學習能力、豐富的經驗使得人更容易適應變化的環境，機器人的高速、高精確、大力量是其優點。以人工智能為基礎的工業機器人可以提高整體的工作性能。如何將工業機器人的力量、速度和精度與人的豐富經驗、判斷力和靈活性有機結合起來，發揮各自的優點，通過柔性制造滿足客戶的個性化需求、實現多樣化、小批量生產是一個具有挑戰性的課題。

強化學習的基本思想智能體在與環境交互的過程中根據環境反饋得到獎勵，并不斷調整自身的策略以實現最佳決策，適用于現實中無法提供大量標簽數據的決策優化類問題。具體到機器人應用是指機器人通過從環境中接受正向獎勵或負向懲罰以判斷其當前執行任務的效果，機器人學習的目標即優化系統響應以實現最大化正向獎勵函數。

通過合理切換協作等級，從而實現機器人從完全的自我控制，即基于學習函數自主決策采取何種行為，至半自主決策，即操作工人引導機器人執行相關動作，機器人將這些知識添加至其學習函數，并適配至新的狀態。這樣只需要利用工作人員工作上的經驗就可以完成任務。多次執行人機協作任務后，機器人能構建合適的人機協作機制，能更好地適配人機協作任務。

2.5 基于強化學習的運動規劃

由于工業機器人的運動規劃基本都是在高維度、復雜場景下的開展的，傳統搜索算法在計算復雜度方面隨著構型空間維度的增加呈指數級增長，無法解決高維運動規劃問題。在強化學習的策略下，機器人首先在離散空間中使用迭代規劃并在連續空間中使用運動規劃器更新其相關行為成本的方法，生成一個低成本、可行的運動規劃方案，在實際執行時，機器人使用與模型無關的強化學習方法以改進運動任務方案，以達到降低成本、提升效果的目標。

3 結論

人工智能技術因其優點顯著獲得了廣泛關注。在傳統的工業機器人領域，國產工業機器人無法應對ABB、庫卡、發那科、安川等四大機器人巨頭，但在人工智能方面，國產機器人廠商與四大機器人巨頭處于同一起跑線，只有更深入地理解用戶需求，結合人工智能技術特點，將機器視覺、機器學習、時間序列分析、強化學習等人工智能技術應用于解決客戶的實際問題，才能顯著提升國產工業機器人的市場占有率。因此這促使我們要加快人工智能在工業機器人上的發展，并且堅持對系統進行優化和完善，提高工業自動化控制的水平[5]。未來工業機器人場景下的人機協作、數字孿生技術，結合深度學習、強化學習等人工智能技術，將具有更加廣闊的應用前景。