1 引言

智能工廠是推動數字經濟與實體經濟深度融合的關鍵路徑。這已成為世界主要經濟體推動經濟高質量發展的共同選擇。美國、德國、日本成立了工業互聯網聯盟、工業4.0委員會和產業價值鏈促進會。同時，他們還提出了先進制造領先戰略、工業4.0戰略和產業互聯戰略。人工智能技術作為關鍵技術與智能工廠不斷融合，正在逐步改變現有的產業形態和商業模式，成為推動產業升級的關鍵技術。根據Automation Technology的預測，到2035年，人工智能將占制造業增加值的2.2%。而根據麥肯錫的報告，在德國，人工智能可以將工業部門的生產力每年提高 0.8% 到 1.4%。

國務院先后出臺了《中國制造2025》、《工業和信息化部關于貫徹落實<國務院關于積極推進“互聯網+”行動的指導意見》、《國務院關于積極推進“互聯網+”行動的指導意見》等一系列政策文件。目的在于驅動工業數字化網絡化智能化發展，走具有中國特色的新型工業化道路，建設制造強國。同時國家也將制造業作為人工智能落地的重點行業，在《新一代人工智能發展規劃》、《互聯網+人工智能三年行動實施方案》、《促進新一代人工智能產業發展三年行動計劃》等文件中均提出將工業制造作為人工智能落地的重要領域。

2 智能工廠中人工智能應用場景

智能工廠是實現傳統工業向數字化自動化工業轉型的關鍵路徑。作為實現智能工廠關鍵技術，人工智能技術正在與傳統制造技術不斷融合，正在逐步改變現有制造業的組織形態和產業形態，成為推動產業升級的關鍵技術。人工智能技術可應用于智能工廠的5大場景，包括：資產預測性維護場景、流水線管理場景、車間管理場景、管理決策場景和制造過程優化場景。

2.1 資產預測性維護場景

預測性維護是基于傳感器采集的設備運行數據，如噪聲、振動、溫度、壓力等，通過人工智能技術分析預測可能的故障點，并自動生成相關的維修建議。技術人員可根據建議提前處理有風險的設備，避免故障風險。預測性維護技術可以提供：

減少計劃外故障，提高整體設備效率(OEE)，確保連續生產，提高產量;減少維護頻率，降低維護成本，縮短維護時間，提高運維效率;減少更換零件，充分利用現有設備，延長設備使用壽命，增加投資回報。部分工廠結合智能傳感器和機器學習算法，利用傳感器數據、天氣數據、維護日志等傳感器以外的數據源構建設備運行模型，減少實際故障的發生幾率，優化資產生命周期的維護計劃。比如在能源行業，基于機器學習技術，能源供應商可以利用來自電纜的硬件信息、實時性能測量和天氣數據來檢測和預測電網中斷，并主動識別電網故障的可能性。

2.2 工廠流水線管理場景

產品缺陷檢測和物體分揀是人工智能技術在流水線中的典型應用。人工智能技術在流水線上的應用，可以實現缺陷檢測和物體分揀，提高流水線效率。在缺陷檢測場景中，可以利用深度學習技術在頻繁的環境變化下檢測更小、更復雜的產品缺陷，提高檢測效率。通過與3D顯微鏡結合，可實現毫秒級缺陷識別，支持高速應用并提高吞吐量，解決傳統方法無法解決的復雜缺陷檢測和定位問題，大幅提升檢測效率。

在不規則物體排序的場景下，通過深度學習構建復雜物體的特征模型，實現自主學習，大大提高排序效率。通過結合3D視覺相機，機器人可以自動識別各種材料、形狀甚至重疊物體，并確定最佳抓取點。

此外，基于人工智能技術的AGV小車可以基于機器視覺技術，進行3D環境感知，可使AGV小車在夜間、室外、路面崎嶇的復雜環境運行，實現產線及倉儲場景下的自動物料傳送，大大提高工廠的運行效率。

2.3 車間管理場景

在工廠管理的場景中，需要對工廠內工人的工作狀態進行監控，規范工人的工作流程，識別安全隱患。工廠可以通過攝像頭捕捉生產線上員工的操作行為，利用人工智能技術進行計算分析，判斷工人的工序是否達標，從而提高產品質量。

工廠可以使用攝像頭捕捉工人的行為和狀態，當出現某些不安全因素時，如工人離大型機器太近，或安全配件未正確佩戴時，可以通知系統并提醒工人在危機發生前處理好，有效降低發生事故的概率與工作環境中的事故。

2.4 管理決策場景

在供應鏈風險管理場景中，企業通過收集供應鏈各個環節中的企業內部與外部的知識數據，包括物流數據、產品數據、商品流通數據、采購數據等，通過知識圖譜技術，構建企業的供應鏈知識圖譜，實現供應鏈風險的預測與管理。

在融資風險管控場景中，可以通過收集企業的控制人/合伙人、競爭關系、業務關系等數據，形成融資風控知識圖譜。通過知識圖譜構建企業的各種復雜關系信息，實現對金融風險的預測與管理，降低可能的風險與損失。此外，通過知識圖譜技術還可以與數據分析相結合，為企業內部的提供決策和流程優化的建議，提高公司的決策效率。

2.5 制造流程優化場景

企業可以采用人工智能的方法，對設備運行、工藝參數等數據進行分析，找出最優參數，可以大大提高運行效率，降低能耗，提高制造質量。在調度與生產管理場景中，企業可以通過專家系統生成調度指令，動態進行調度處理，執行制造能力計劃、庫存管理等與制造過程相關的管理任務。例如，某制造商在航空發動機制造過程中使用智能算法優化生產線設計，輔助制定和優化生產計劃流程，通過智能制造技術提高生產力。

3 智能工廠中人工智能關鍵技術分析

為了實現智能工廠中的人工智能不同場景下的各種需求，其基礎就是各種工業數據的采集和網絡傳輸，模型的訓練和推理，各種安全要求以及硬件算力上的要求。因此，工業數據采集技術、工業數據傳輸網絡、人工智能算法模型、安全性以及硬件算力的要求成為實現工廠智能的關鍵。

3.1 工業數據采集技術

數據是智能工廠的核心，通過工業數據全周期的應用，實現機器彈性生產、運營管理優化、生產協同組織與商業模式創新，推動工業智能化發展。

工廠內部網絡包含連接管理信息系統的IT網絡和連接現場控制與監測系統的OT網絡。傳統OT網絡多采用工業總線技術，標準多樣并且技術較為封閉，相對而言IT網絡標準則較為統一且開放。這使得OT網絡與IT網絡的對接與數據采集變得困難。因此如何解決工業采集問題成為打通OT網絡與IT網絡的關鍵。

為了能夠實現工業數據采集，采集設備需要集成各種主流的工業協議(如：Modbus、OPC DA/UA、Profinet等)，適配不同工業設備接口，實現通信協議的解析與轉換。

3.2 工業數據傳輸網絡

為了更方便地實現OT與IT網絡的互通，以及實現全流程的數據流轉與智能化生產，IP化與無線化已成為智能工廠內網絡技術發展的趨勢。通過IP技術可以實現從現場級、過程測量與控制級、管理級、企業級網絡技術的統一，完成“e網到底”的技術目標 (如圖1所示)。

工業以太網由于應用的廣泛性和技術的先進性，已經成為過程控制領域中上層信息管理與通信的主流技術，比如Profinet，Ethernet/IP，Modbus TCP以及OPC UA/DA等，迅速替代原有的現場總線技術。

圖1 “e網到底”工業網絡的趨勢同時，隨著5G網絡的大規模部署，5G網絡在工廠中的應用也越來越普遍。5G是一種超連接技術，可實現超可靠的低延遲通信 (URLLC)、增強型移動寬帶(EMB)和海量機器類型通信 (mMTC) 。通過5G網絡可以實現在工廠內部隨時隨地的網絡接入，并可以實現海量設備，海量數據的高速，低時延接入。通過5G和邊緣技術的結合，可以將AI技術延伸至工廠的各個部分。

3.3 人工智能算法/模型要求

智能工廠下的人工智能算法/模型需要根據各個工廠的具體情況和數據進行定制化的訓練和部署。因此，人工智能模型的全生命周期的管理對于智能工廠是非常重要的，其中包含數據的預處理，模型的訓練，模型的推理，模型的部署。

數據預處理：首先需要確保用于模型訓練的數據集的質量，這些數據需要包含需要檢測的模式特征，并且具有足夠高的信噪比。其次，需要對數據進行數據驗證(例如類型、格式、范圍、一致性)、轉換(例如單位、時區)、對齊(例如時間戳的對齊以及語義層面的對齊)、降噪(例如平滑)、缺失數據處理、數據降維處理等。最后，需要對數據進行標注，以便于監督學習模型的訓練。數據預處理的處理必須在模型訓練和推理階段保持一致，以確保在模型訓練和推理期間使用的數據內容和格式相同。

模型的訓練：模型的訓練需要大量的數據，并根據智能工廠不同的應用場景和數據類型(比如視頻/圖片，自然語言，時序數據等)選擇合適的算法或模型(深度學習模型，傳統機器學習算法，知識圖譜，時序數據模型等)。模型訓練需要大量的計算資源，因此通常在云端服務器中進行，并根據業務需求進行模型的迭代更新。模型訓練所需要的數據可以是在線獲取的，也可以是離線獲取的，這取決于模型迭代的頻率。

模型的推理：相對于模型訓練，模型推理過程不需要大量的數據，但在不同場景下對于推理的時延要求不同。工廠流水線場景以及車間管理場景中的部分應用對時延要求較高，時延要求可以到毫秒級，比如缺陷檢測，工業機器人控制等。而對于預測性維護以及制造流程優化等場景，則對時延不敏感，時延可到秒級。因此，對于時延敏感場景，模型的推理建議在邊緣端進行，而對于時延不敏感的場景，模型的推理任務可以在云端服務器進行。

智能工業AI模型推理有2種運行模式：批處理模式和實時模式。在批處理模式下，AI模型會定期或按需進行調用，比如文本數據及流程優化場景等;而實時模式下，AI模型會由新的實時流數據的到來而觸發，比如視頻流數據及時序數據等。在某些場景下，會同時使用這兩種模式。模型的部署：模型在云端服務器完成訓練后，需要部署到云端的推理服務器或者邊緣側服務器/終端。由于推理側服務器/終端的硬件能力的差異，需要針對不同的硬件/軟件環境對模型進行適配處理。特別是對于邊緣側的終端，由于算力的限制，為了保證模型推理的實時性，應對模型進行裁剪/蒸餾處理，在保證精確度的前提下，減低時延。

3.4 安全性要求

隨著人工智能技術的大規模應用，人工智能的安全性已得到越來越多的關注，特別是在智能工廠領域，在一些場景下，比如流水線控制，對于錯誤的容忍率很低，準確率要求達到99.9%或者更高，此時模型的魯棒性就顯得非常重要。同時，隨著聯邦學習應用越來越廣泛，需要保證各個邊緣設備間協同模型訓練方式的安全性以及模型參數共享的安全性。

在部分場景下，AI模型可能具有自學習能力，可以在運行時通過收集新的數據不斷訓練并進行參數更新。在這種情況下，將通過自學習產生的模型應用到可能影響機器運行或流程操作的環境中，必須實施嚴格的驗證以防止安全隱患或者意外結果的發生。

隨著AI模型和數據采集在邊緣側的部署，工業數據和工業網絡的安全性也需要得到重視。應確保工業網絡安全，確保邊緣側與云端服務器間網絡的傳輸保護與邊界網絡隔離。對于數據安全，應進行數據防泄漏，數據加密以及數據備份，保證數據在傳輸與存儲過程中的安全。

此外，為了防止AI模型的訓練數據被人為操控或投毒，同時也便于審計和防御，需要捕獲和記錄人工智能使用的數據的歷史和來源。數據來源是可信人工智能的核心要素之一。需要顯示數據的來源及其完整的系統到系統 “監管鏈”，并跟蹤訓練數據、模型/算法和決策過程，以支持審計和問責制的確定。

3.5 硬件算力要求

隨著深度學習技術的出現，現代人工智能的數據需求越來越大，隨之而來的是對計算能力要求的激增。在訓練階段，由于現在采用的方式主要是在云端服務器離線訓練完模型后，再部署到推理服務器的方式，因此現有的GPU已可以滿足要求。在推理階段，分為云端推理與邊緣側推理。對于云端推理，由于實時性要求不高，因此GPU也可以滿足需求，但對于邊緣側推理，現有的智能工廠的應用場景主要是實時監測和實時控制等高實時性業務為主，因此對推理的實時性要求極高，需要在幾毫秒至幾十毫秒級別，現在的GPU方案已難以滿足要求。為了滿足工業場景下的實時性要求，滿足邊緣側推理要求的專用FPGA方案已成為趨勢。

4 結束語

如今，人工智能已廣泛嵌入到智能工廠各個領域的應用中，幫助企業實現各種智能化應用，并深刻改變工廠的運作方式和為企業創造價值的方式。隨著硬件算力的提高，更龐大的訓練數據，以及算法的日益復雜化，將導致更智能的人工智能能夠執行越來越具有挑戰性的任務。同時，人工智能的實時性，可解釋性，魯棒性以及安全性也得到業界越來越多的重視，若這些問題可以得到很好的解決，未來人工智能技術將在智能工廠中得到越來越廣泛的應用。
責任編輯：彭菁