人工智慧在製造業領域有哪些應用？如何幫助製造業轉型/升級？

本題已加入知乎圓桌 ?「機器學習 · 學以致用」，更多「機器學習」相關話題討論歡迎關注。

---

推薦一本書吧：

翻譯版：

Google教你深度學習：中小企業如何利用會自己學習的電腦？

鏈接：http://www.books.com.tw/products/0010764695

原版：

グーグルに學ぶディープラーニング

鏈接：グーグルに學ぶディープラーニング | 日経ビッグデータ |本 | 通販 | Amazon

註：裡面的案例不完全是製造業。另外，日文出版的類似書還有不少，比如

インダストリーX.0 製造業の「デジタル価値」実現戦略

鏈接：インダストリーX.0 製造業の「デジタル価値」実現戦略 | エリック?シェイファー, 河野真一郎、丹羽雅彥、花岡直毅(監訳), 井上大剛 |本 | 通販 | Amazon

俯瞰図から見える IoTで激変する日本型製造業ビジネ

鏈接：俯瞰図から見える IoTで激変する日本型製造業ビジネスモデル | 大野 治 |本 | 通販 | Amazon

日本発「ロボットAI農業」の凄い未來 2020年に激変する國土?GDP?生活

鏈接：日本発「ロボットAI農業」の凄い未來 2020年に激変する國土?GDP?生活 (講談社+α新書) | 窪田 新之助 |本 | 通販 | Amazon

類似等等還有很多。希望有出版社擇優引進出版。

---

阿里雲ET工業大腦是具有完全自主知識產權的基於雲計算技術體系的面向傳統流程製造業企業提供一整套大數據與人工智慧服務的平台型產品。覆蓋製造業供，研，產，銷全流程生命周期，嘗試以完全基於數據的方式與思路去理解業務，學習業務，驅動業務，跟蹤業務。形成現實世界的業務閉環加上虛擬世界的數據閉環疊加糾纏效應來實時，精準，自動，智慧的影響和調優乃至再造整個生產製造業，實現轉型升級的目的。其主要提供通用的大規模分散式高並發安全的自動化數據採集技術體系（包括多種工業設備及其控制系統），基於產業鏈通用的海量大數據存儲，管理，關聯，應用等能力的雲數據倉庫技術體系，基於業務模型通用的人工智慧演算法服務技術體系，以及將以上服務統一完整封裝，打包，一體化部署的應用體系。

實際上阿里雲人工智慧技術已經使用到了中國的工廠里，並為位於江蘇的光伏生產商協鑫在一年內節省了上億成本，這一數字來自1%的良品率提升。數據幫助傳統企業通過人工智慧的手段產生了巨大價值。在此之前，協鑫工廠機器所收集的上千個參數對生產所起的指導作用很有限。參數之間的相互關係也難以被工人師傅解讀。ET工業大腦利用大數據分析，人工智慧技術對數據進行整理，特徵提取，基於統計方法的演算法建模。最後，找到了對光伏切片工藝有直接影響的工藝參數。通過適當的調整工藝參數，光伏切片的良率被提升了1%。

位於杭州下沙的中策橡膠是目前國內最大的輪胎製造企業。國內輪胎製造企業的生產質量和世界領先的企業仍有一定差距。這些差距歸根於生產的各個細小環節。不同膠源產地、加工廠、批次等數千個複雜因子都會間接或直接影響成膠質量。儘管多變數分析是一個很成熟的統計學問題，但把這些方法落地到實際的工廠數據應用還要面臨諸多挑戰。例如，統計學方法中的假設在現實當中很難成立。完美的理論真正落地產生效果仍然需要對理論和現實問題的準確把握和應用。阿里雲的數據科學家通過對數據的科學探索，準確定位問題，並選用合適的方法進行建模分析。排除掉數據分析中經常出現的偽現象，找到和成膠質量最相關的因素。評價成膠質量的門尼值在演算法模型的指導下比相比之前得到了有效的控制。最終，混煉膠平均合格率得到了3%-5%的提升。

除此之外，徐工集團、吉利等製造領域的標杆企業都在積極引入工業解決方案。

讓機器能夠感知、傳遞和自我診斷問題，通過分析工業生產中收集的數據，優化機器的產出和減少廢品成本。通過並不昂貴的感測器、智能演算法和強大的計算能力，ET工業大腦解決的是製造業的核心問題。

---

人工智慧技術的發展經歷了三次浪潮，近兩年來又得到了突飛猛進的發展，部分原因是得益於資本市場的投入和大量的市場宣傳，讓大家相信這項技術可以解決很多問題。不少人認為人工智慧與工業大數據相結合就可以解決很多的問題，因為工業大數據有數據基礎，從海量數據當中很容易通過數據清洗和數據挖掘發現相關性。其實，工業領域真正需要挖掘的是因果性，以及因果性怎樣去證明、怎樣去利用才是核心難點。

像這張圖所展示的，銷售的業績和刮鬍子的人數是有強相關性的，那麼，讓所有的人都去買把剃鬚刀就一定能提升業績嗎？答案是不一定的。

工業智能需要將傳統的計算機科學，人工智慧技術和工業領域知識這三方面進行有效的結合才能幫助工業客戶解決真正的問題。計算機科學是通過軟體整合所有底層技術，包括大數據、雲計算平台，選擇人工智慧演算法在這些平台上運行；工業知識的核心是發現業務邏輯。

聽起來簡單的邏輯，在實踐中會發現有很多地方是脫節的，現場人員了解業務邏輯，但並不知道數據分析能解決什麼樣的問題；傳統做統計和機器學習的人懂演算法，但不了解實際的工業現場可能遇到的問題，傾向於把模型抽象化，到實際的情況當中無法使用。針對這樣的痛點，需要相關機構或者人員把三者結合起來，這是一個系統集成的過程，最終為客戶提供優質的解決方案。

我們先來看幾個人工智慧在製造業領域的成功應用案例，通過這些案例再來分析人工智慧如何幫助製造業轉型/升級。

1、 中船集團智能船舶與服務價值創新

中國船舶工業集團在2014年與IMS聯合成立了海洋智能技術創新中心，開始探索「5S"的海洋大數據創值體系， 5S體系包括環境(Sea)、船舶(Ship)、系統(System)、智能(Smart)、服務(Service)，怎麼把這些數據通過技術的創新變成服務的創值是關鍵。

中船集團歷時5年開發的SOMS?系統在2015年中的示範應用中，針對每條船運行時的天氣、海浪、風等參數建模，形成海浪跟耗油的關係模型，根據分析的結果來優化航線和速度，平均降低3.7%的油耗，並達到90%故障預警準確率，這樣可以幫助航運企業用戶大幅減少運維成本。

2、智慧風場運維繫統

第二個案例是智慧風場運維繫統，通過功率預測和電網的優化技術可以實時對每一個風機的功率進行評估和預測，精準率超過90%。健康管理方面，通過遠程狀態監測、故障預測性診斷，我們開發了超過30種模型，大部件的預警可提前28天。通過智能維護排程技術，能夠降低風機維護的各種費用，降低停機損失和維護成本達到30%。

風場的大數據應用當中會運用很多技術，把信號處理的演算法直接部署到建好的模型中，有來自振動分析工程師的經驗，根據他們的經驗定義出200多種健康特徵，進行關聯性的挖掘。將這種模式用機器學習的演算法記錄下來，來區分健康的風機和不健康的風機模式的差別。當我們對風機進行健康評估後，根據貢獻度進行精準定位。

過去基於人的經驗進行現場排查，一天只能服務幾颱風機，把數據放到雲端進行遠程的監測，一天可以服務幾十颱風機，如果將經驗變成模型部署在雲端進行自動分析，甚至可以服務全球的風機，這就是解決知識規模化利用的途徑。

3、開放的應用生態解決製造系統中的碎片化問題

第三個案例是用開放的應用生態解決製造系統中的碎片化問題。基於開放的介面，擁有一個應用的生態，面向不同的使用者解決不同的服務。

製造業存在碎片化的問題，例如帶鋸機中由於鋸帶的類型材質、設計結構、所切的材料材質、尺寸、硬度等各類因素，以及動態變工況操作條件，所導致鋸帶在使用中形成不同的故障形態，使用壽命不可量化。

以往都是憑經驗調節參數和生產統計各鋸帶壽命，根據專家經驗分析故障原因。通過數據驅動的高階分析演算法建模，運用切割參數、過程式控制制參數以及材料信息建立鋸帶的全生命周期管理。在同一個工廠裡面，我們用IoT的技術構架把數據傳私有雲上面，它的模型實時預測每一台裝備上關鍵零部件的健康情況。通過外部服務或者手機app的方式反饋給管理層，不再需要大量的人力進行檢修，極大地提升了勞動力的能效。

人工智慧如何幫助製造業轉型升級？

1、 智能製造在發達國家的轉型

在過去近200年的工業積累中，美國、日本、德國等工業強國都形成了非常鮮明的製造哲學。同時，各個國家在整個製造業的上、下游中也形成了非常明顯的競爭力差異，在產業鏈的不同位置上都有各自的相對優勢。下面主要從主要工業強國的製造哲學和競爭力的差異方面，分析各個國家的製造轉型戰略，從而給中國製造的轉型方向提供建議。

（1）日本

傳統哲學：通過組織文化和人的訓練不斷改善，在知識的承載和傳承上非常依賴人。

對於前些年的日本企業來說，員工是最重要的價值，對人的信任遠遠勝於對設備、數據和系統的信任，所有的自動化或是信息化建設都是圍繞著幫助人去工作為目的，所以日本企業從來不會談機器換人或是無人工廠。

但是這樣的文化在近幾年遇到了一個十分巨大的挑戰，就是日本的老齡化和製造業年輕一代大量短缺的問題，使得沒有人能夠去傳承這些知識。日本也意識到自己在數據和信息系統方面的缺失，開始在這些方面發力，這一點可以在日本的工業價值鏈（Industrial Value Chain Initiative，IVI）產業聯盟提出的日本「工業4.1J」架構中清晰看到。

（2）德國：

傳統哲學：通過設備和生產系統的不斷升級，將知識固化在設備上。

德國依靠裝備和工業產品的出口，獲得了巨大的經濟回報，因為產品優秀的質量和可靠性，使得德國製造擁有非常好的品牌口碑。

然而德國近年來也發現了一個問題，那就是大多數工業產品本身只能夠賣一次，所以賣給一個客戶之後就少了一個客戶。同時，隨著一些發展中國家的裝備製造和工業能力的崛起，德國的市場也在不斷的被擠壓。因此，在2008-2012年的5年時間裡德國工業出口幾乎沒有增長。

由此，德國開始意識到賣裝備不如賣整套的解決方案，甚至同時如果還能夠賣服務就更好了，於是德國提出工業4.0計劃。

來源：德國「工業4.0實施意見」

（3）美國：

傳統哲學：從數據和移民中獲得新的知識，並擅長顛覆和重新定義問題。

與日本和德國相比，美國在解決問題的方式中最注重數據的作用，無論是客戶的需求分析、客戶關係管理、生產過程中的質量管理、設備的健康管理、供應鏈管理、產品的服役期管理和服務等方面都大量地依靠數據進行。

這也造成了20世紀90年代後美國與日本選擇了兩種不同的製造系統改善方式，美國企業普遍選擇了非常依賴數據的6-sigma體系，而日本選擇了非常依賴人和制度的精益管理體系。

2、中國製造業現狀

目前製造業在轉型，關鍵原因是中國製造業「大而不強」。我國勞動生產效率跟發達國家相比，大概有4-5倍的差距。高端密集服務型製造業占出口總額的比重不到45%，與印度同一水平上。

（1）主要製造大國工業體系中的價值要素分布

工業體系中的價值要素分布

各主要製造大國的價值競爭力分布：

? 美國 ：以想法創新、核心技術授權和後市場服務為核心

? 德國 ：以製造裝備和製造系統解決方案為核心

? 日本 ：以遍布全球的工廠和製造文化為核心

? 中國 ：以產品的價格和功能性為核心

中國目前處在價值要素的低端，用美國的創新想法和服務技術，用德國的製造裝備，學著日本的管理文化，生產出廉價的產品，賣給全世界，產品成為我國的重點，在整個生產要素體系的價值上面很吃虧。

（2）中國製造轉型面臨的問題與優勢

• 中國製造轉型面臨三個重要的挑戰：
  ? 製造的核心知識怎麼積累和應用；
  ? 怎麼把握客戶價值需求並提升產品價值服務；
  ? 工業與傳統的C端的業務不太一樣，傳統的場景很複雜，很多是碎片化的問題，可能出現刀具磨損問題、裝備質量問題等，每一家工廠的問題都是各式各樣的，怎樣快速低成本地解決碎片化的問題？這是一個挑戰。

• 中國製造轉型的優勢：
  工業智能化，美國靠軟體、德國靠機器、日本靠人、中國靠數據。
  中國最大的數據量來自工業，遠超阿里巴巴和谷歌。大量的數據都在中國彙集，這無疑給了中國製造最好的資源優勢。利用好這一資源，才能彌補中國在裝備製造和核心零部件等方面的弱勢與短板。
  大數據將成為中國繼人口紅利之後的又一大競爭優勢，我們利用這些數據建模時候會帶來更多的機會：一方面是利用豐富的數據將知識模型化，另一方面以數據作為一個新的視角去了解客戶，並以數據給客戶提供場景化、個性化服務的媒介，第三個方面是形成一個開放的介面，在雲上以規模化的應用開發者生態為企業服務，更快地解決碎片化的問題。
  工業大數據本身並不是目的，而是一個技術手段。與其他技術手段的目的相同，工業大數據的核心目標是創造價值，這裡的價值體現在去避免和解決不可見的問題，並且從不可見的世界中創造新的知識。

利用數據對中國製造轉型進行對稱建模帶來的機會

3、中國製造業轉型的方向

利用人工智慧實現製造轉型的三個方向

這三個方向分別適用於以下幾種情況中問題的解決：

第一個方向（通過TPS、Lean、6-Sigma等方法實現）：適合在某一個領域已經做了很久，有一定的積累，但是卻不知道為什麼做得好或是不好。比如中國的離散製造、精密加工、汽車製造、裝配製造等領域。

第二個方向（通過PHM、機器學習、數據挖掘等方法實現）：在解決了可見的問題之後，仍然存在一些不可見問題對製造系統造成的影響，希望能夠了解不可見因素的變化過程和相互的關聯性，積累更加深入的領域知識。

第三個方向（通過Twin Model、CPS等實現）：在製造基礎非常薄弱的領域，並沒有形成太多有效的數據，但是從國外聘請了非常有經驗和知識的人，則可以實施反向智能製造。

---

我從機器視覺來說說吧。但，首先要界定幾個概念，機器視覺不是人工智慧技術的分支或者子集（其實計算機視覺也不能算），只能說，機器視覺會用到人工智慧技術，最多可以算是有交集，比如光學方面的研究就顯然不能算和人工智慧有啥關係了。另外，我所說的機器視覺也主要就是服務於製造業的視覺檢測技術，畢竟問題問的也是製造業。下面我會先說製造業的轉型/升級中機器視覺技術作用，然後談談人工智慧技術（其實我主要是指機器學習）在機器視覺應用中的作用。

製造業的轉型/升級過程中，如果單純從提高自動化程度的角度來看，機器視覺起到的作用主要在識別數量、對位（定位）和外觀質檢3個方面的自動化。

識別數量工廠的自動包裝流水線和自動化倉庫而言很重要。因為設備總是存在缺陷的，無法保證自動包裝機總是可以把指定數量的產品進行包裝。當產品還在流水線上的時候，可以通過簡單的感測器來感知每一個流過的產品從而實現計數的目的，但是，總是存在感測器失靈的風險，所以，當產品進入包裝之後，就需要用視覺技術來識別實際進入包裝的數量來做最終的檢驗。

高精度對位在機加工和自動組立設備的應用中都很重要。沒有機器視覺技術的時候，對位都要通過將零件準確地放到高精度的工裝中來實現，一個簡單的例子就是把一個立方體放到兩個可以靠近的夾塊之間，然後由氣缸驅動兩個夾塊夾緊這個立方體。但是，這種機構的缺點很明顯。夾緊過程是需要時間的，工位的節拍時間越長，產能就越低，而產能對於生產企業來說有多重要就不用多說了。此外，這種接觸式的機構還有損壞零件表面的風險，比如劃傷。

定位所使用的技術和對位類似，其應用主要和零件的上料有關。傳統的自動化設備一般都需要將零件放到固定的位置上，才能由機械臂或其它抓取機構來實現自動上料。那這些零件是怎麼放到所謂的固定位置上的呢？這裡總是存在一個如何從混亂到整齊的過程，因為你不能期望所有零件無時無刻保持整齊擺放的狀態。如果沒有機器視覺技術，這個過程只能依賴人力。而且，整個自動化流水線上，每一個加工工位都需要將加工好的零件重新整齊地擺放好，傳輸到下一個工位，這對流水線的設計提出了額外的要求（如果和應用了機器視覺定位技術的流水線相比的話）。一旦使用了機器視覺，散亂的零件，甚至是一筐無序堆疊的零件，都是可能被自動地抓取並以指定的姿態放置到指定的位置的。

外觀質檢主要說的是，可以用機器視覺設備來替代質檢員的人眼和人腦進行外觀的質檢。比如零件或產品的表面缺陷（比如劃傷和臟污）和尺寸。依賴人來質檢，有3個主要缺陷：

1. 人與人的差異性讓標準難以統一；
2. 同一個人今天和明天的狀態的不同會影響檢測標準的執行；
3. 快速批量生產的產品，有時靠人力只能抽檢而無法全檢。

機器視覺技術，可以彌補上面3點缺陷，讓外觀質檢標準更為統一、穩定且快速。

傳統的機器視覺技術其實很少使用人工智慧，大多用的都是基本的圖像處理演算法，因為過程更加可控，結果更加可預知，穩定性也更好。當然，實際上，早年的人工智慧不夠強也是一個原因。但是，傳統的機器視覺技術存在一個很大的缺點，我在很多場合都說過這個缺點，為了解釋這個缺點，需要從需求說起。

在製造業應用機器視覺技術，面臨著需求極為碎片化的問題。這個問題，目前主要是針對錶面缺陷檢測而言，因為數量識別、對位（定位）和品質保障中的尺寸測量目前都已經研發出了通用的產品，即使需求存在碎片化，解決起來相對比較容易（不是說很容易解決，而是和表面缺陷檢測比更加容易，而且國外有成熟產品）。當然，如果從用戶體驗的角度來說，這些通用的產品還存在需要用戶擁有較多專業的檢測知識的問題。這裡當然也有人工智慧技術的用武之地，因為如果可以將傳統的測試圖像-&>人工調參-&>測試圖像的調試迭代過程，變成標記圖像-&>自動訓練模型-&>測試圖像-&>標記圖像的迭代過程，對用戶的專業能力的要求就會大大降低。但說到底，這也不算是一個根本性的問題，以國內目前的狀態來說，用戶不是不願意學習，通用產品的推廣難度更多的是在於這些產品不願意降價。

各行各業的工業品的表面缺陷檢測過程都是機器視覺技術的用武之地，但是，不同的工廠的需求都存在很大差異。視覺檢測設備的製造商只能針對每一個細分領域，定製檢測演算法和設備，而定製造成了研發成本居高不下（大家都知道圖像演算法工程師現在的薪資已經達到什麼程度了，而且還有安防和互聯網來搶我們的工程師）。而且，每一個細分領域的市場容量都沒有大到可以誕生一個BAT這樣規模的企業。因此，每一個做缺陷檢測的設備製造商，都必須不停地進入新的細分領域，去滿足各個細分領域的不同需求。這，就是我說的需求碎片化的意思。

未來的視覺檢測公司，如果要降低每一個細分領域的缺陷檢測設備的研發成本，特別是演算法研發的成本，人工智慧技術就顯得非常重要了。那麼，人工智慧可以為機器視覺技術的研髮帶來些什麼呢？答案是，通用性。

人，經過短時間的培訓，就可以勝任質檢的工作。但是，設備需要的時間會多得多。舉一個極端的例子，某國外的光伏產品缺陷檢測產品，在一個國內的工廠調試了1年多才通過驗收。這樣長的現場調試時間對我們的檢測設備製造商而言，可能會致命，我就聽說某檢測設備製造商因為研發磁鐵表面缺陷檢測機而瀕臨破產被收購。考慮一下，研發首台設備需要在多少個工廠經過多長時間的調試和修改，才能稱之為在這個細分行業的一個產品？如果我再告訴你，那台國外的設備其實是經過大量國外的工廠的現場驗證的成熟產品，你可以進一步感受到這個問題的嚴重性么？如果人工智慧技術可以讓設備在大多數工廠的驗收時間長度都像培訓一個質檢員的時間那樣短，而且不需要演算法工程師參與，即可通過自動的學習過程滿足工廠的定製化需求，那將會為機器視覺這個行業帶來革命。對製造業而言，成功地將人工智慧技術應用到缺陷檢測中去，將使替換所有的質檢員成為實際可能的事情，工廠的自動化程度才能進一步提升，而且這可能是工廠自動化之戰最後的一個堡壘。

目前，人工智慧技術在表面缺陷檢測領域的進展，從通用性的角度來看，未見突破，除非以下兩個條件得到滿足：

1. 基於該技術的產品，在進入一個新的細分領域的時候，不需要演算法工程師參與調參即可完成研發；
2. 基於該技術的產品，在使用過程中，要求的帶標記的訓練樣本數量，要小到其標記操作的成本是一個工廠客戶可以接受的。

如果不滿足條件1，那麼，在進入新的細分領域時的研發成本仍然太高，如果不滿足條件2，產品在銷售過程中，設備製造商為每個工廠所做的調試成本過高。目前大熱的深度學習技術，顯然還不滿足這兩個標準。先不說它是否真的適用於所有的細分領域，其實它在很多情況下，還是需要演算法工程師參與調參，而且需要的訓練樣本數量太多了。

如果說，傳統製造業在機器視覺技術的協助下，許多行業的生產和加工的整個流程已經較好地實現了自動化的話，其質檢過程的自動化程度，仍然相對較低。從人工智慧技術在機器視覺領域的作用來看，對於製造業轉型/升級的貢獻主要在於，加速質檢自動化在所有細分領域和所有工廠的實施和推廣，讓更多的工廠可以實現質檢的自動化，最終讓一些缺陷檢測設備製造商（或技術解決方案提供商）有可能成長為行業巨頭。

最後，希望和諸位機器視覺同行一起服務中國製造業，協助中國製造業轉型/升級，開創中國機器視覺行業的美好未來。

---

太多了。多得沒法說。

三一重工主要車間改造，IBM提供的全套方案。

大工業，優越性可能更多體現在生產排程，全生命周期追蹤，庫存零部件管理……所有生產過程。OA-MIS-ERP-CMS-CALL C.-SERVICE……近三十年來，所有自上而下，由已逐步實施的各種信息化系統採集的歷史或實時數據，將數據流合併後，由弱智能演算法處理分析，將結論或建議反饋給生產管理體系。生產腦若足夠智能，則做出決策並立刻執行。但我對末句保留意見，還是加一個表決機好一些。這裡只是工廠智能化的神經和大腦。肌肉骨骼是生產線和工藝裝備，也應完成智能車間改造……要完整闡述，則太長了，我困。

各國計劃，各大公司側重點，都有差異。

Smartfactory，德國的。

IndustrialInternet，美國的。

差異由各自在國際市場地位，國際協作鏈或產業鏈地位決定。

他們外國各家彼此配合，互補互通。中國不行，因為地球只有中國和外國，人家外國又不帶我們玩兒，那我們只好又自己搞。這也沒什麼，搞就是了，又不是沒搞過。

只是好可憐啊，又要搞全套。唉～

///-------────────┈------///

想安安穩穩做個小弟咋就那麼難哩？能按時領薪水就可以了啊，人家又嫌我國人口眾多。人口多就多吧，還要盡最大努力消除貧困，竟痴心妄想實現共同富裕！安安心心學習印度不好么？真是的。

是真的不想做大哥啊，哎……

---

不太清楚化工行業算不算在是題目里所說的製造業。廣義上來說，化工行業應該算是製造業的一支。一方面由於很多化工產品是連續流程生產的，自動化程度已經達到很高了，很多熱門話題諸如MES、智慧工廠和工業4.0之類的未必完全適合於這類化工生產過程。另一方面，得益於遍布現場的各種探頭、感測器24小時不間斷的採樣，化工行業的數據體量相對於製造業來說算得上「大數據」。正好在一家化工企業的建模與數據科學部門做Smart System方向，強答一波兒，權當拋磚引玉。

為了避免惹不必要的麻煩，下面談到的東西主要取自我們部門同事和老闆今年五月份公開發表在雜誌上的內容，圖片也直接從上面複製過來。之前把自己在Python上實現的代碼放在Github上分享給公司其他部門的領導，結果被說了一頓違反公司規定……文章地址：Predictive Analytics Capture Heartbeat of the Plant

Fig.1 設備狀況監控(Equipment Condition Monitoring)

這裡主要介紹的是一套已經相對比較成熟的技術和應用，公司自己開發了一套在線平台完成這些工作。基本思路是：首先基於多變數分析(MVA)對目標變數建模，生成預測模型；根據建立好的模型生成動態控制限結合SQC里的各種UCL或者USL規則實時監控目標變數；當變數觸發報警規則後會給指定人員自動發送報警郵件；工程師或者其他同事可以藉助平台的數據分析功能，找出導致發生工況變化的主要原因。其中，最後一項診斷功能比較有趣也比較核心，系統和演算法可以告訴使用者，是哪些解釋變數或者自變數的變化導致了目標變數的變化。我們的工作思路和解決方案都是圍繞如何讓系統更好更快地幫助現場同事找出可能的根本原因。接下來的工作重點是進一步讓系統給出操作和調整的建議。附圖1和2分別是上述流程和技術在設備監控方面和整個工廠的應用。

Fig.2 從整個工廠到子系統再到具體設備的解決思路

人工智慧這個帽子太大，個人更喜歡「數據科學」這種提法。相比緊跟技術前沿的互聯網、金融、自動駕駛之類的領域，傳統製造業要逼格要低很多，可能更關注於尋找實際問題的具體解決方案而不是如何應用更先進的技術。打個不恰當的比方，對於製造業來說，是為一顆釘子尋找更合適而不是更強大的鎚子。

一方面，就國內的製造行業來說，在生產管理方面做得還遠遠不夠。如果能把精益生產方面的工作做得更好已經足以為企業帶來很可觀的收益了，畢竟豐田就是靠這套東西實打實地做到了汽車行業第一。看板、產線平衡、WIP和庫存管理和柔性生產線等等概念其實是早就出現了，不利用人工智慧也能做到。所以人工智慧或者之類的技術其實是在某種程度上彌補生產管理上的缺陷。

另一方面，製造業或者說至少化工行業，在嘗試新技術方面其實也不算太滯後。我們部門也在嘗試基於機器學習和深度學習的一些實際應用場景，比如這兩個月就有基於CNN的圖像監控解決方案在工廠落地，後續還在開發基於貝葉斯的設備診斷。如果有具體的應用場景，新技術確實是會為我們的工作提供極大的幫助和便利，逐漸地「搶」走我們的工作。

---

用遺傳演算法優化設計來自Audodesk

The incredible inventions of intuitive AI

---

行業概況

相關政策

?今年3月，人工智慧被首次寫入政府工作報告，連同新材料、集成電路、生物製藥以及第五代移動通信等戰略性新興產業一道上升至國家級戰略層面。

?7月底，國務院印發了《新一代人工智慧發展規劃》，提出六方面重點任務和一系列保障措施。要求到2020年人工智慧總體技術和應用與世界先進水平同步，人工智慧核心產業規模超過1500億元，帶動相關產業規模超過1萬億元；到2030年，我國人工智慧理論、技術與應用總體達到世界領先水平。

行業資訊播報

·人工智慧公司寒武紀獲1億美元A輪融資

·全國首家「人工智慧酒店」現身杭州

·浙江多家上市公司站上人工智慧風口

·2017影響力投資峰會上「人工智慧」成熱點

·京東用人工智慧撬動零售革命

·「人工智慧+移動互聯網」易華錄打造智慧交通引擎

·「未來已來」2017世界機器人大會8月23日開幕

人工智慧（Artificial Intelligence）：

是指使用機器代替人類實現認知、識別、分析、決策等功能，其本質是對人的意識與思維的信息過程的模擬，是一門綜合了計算機科學、生理學、哲學的交叉學科。

作為一種基礎技術，理論上講人工智慧能夠被應用在各個基礎行業（如:AI+金融、AI+醫療、AI+傳統製造業等），同時也有像機器人這樣具體應用的行業概念。

· 發展趨勢 ·

目前，中國的人工智慧研究處於爆發期，中國人工智慧相關專利申請數從2010年開始出現持續增長，於2014年達到19197項，並於2015年開始大幅增長達到28022項。2016年，中國人工智慧相關專利年申請數為29023項。

根據烏鎮智庫發布的《全球人工智慧發展報告》數據顯示，在人工智慧專利數量方面，中國已經獲得了長足的進步，在過去三四年已經超越了美國。

2007-2016年中國人工智慧相關專利申請數統計

· 行業分類 ·

人工智慧行業主要分為基礎支撐、技術應用和方案集成這三大板塊。基礎支撐主要包括 CPU/GPU/NPU，感測器，深度學習和神經網路。

*本報告研究範圍為以上產業鏈內容。

產業鏈布局

據參照系資料庫顯示，目前全國從事人工智慧領域相關的企業共有335家。下面將從基礎技術支撐、技術應用領域、方案集成領域三方面來介紹相關企業的具體發展情況。

· 基礎技術支撐 ·

在該階段中誕生了基礎理論、基本規則和基本開發工具。在此階段，演算法和計算機對AI的發展起到主要推動作用。

現在主流應用基於多層網路神經的深度演算法，一方面不斷加強從海量資料庫中自行歸納物體特徵的能力，一方面不斷加強對新事物多層特徵提取、描述和還原的能力。對演算法來說，歸納和演繹同樣重要，最終目的是提高識別效率。

【相關企業】

基礎支持領域相關的企業一共有4家，分別為深圳真時科技有限公司、崑山塔米機器人有限公司、塔米智能科技（北京）有限公司和蘇州科大訊飛教育科技有限公司。

· 技術應用領域 ·

人工智慧發展的第二個階段，演算法和計算力已經基本不存在堡壘，數據將成為主要驅動力，推動人工智慧更迭。在此階段，大量結構化、可靠的數據被採集、清洗和積累，甚至變現。

自然語言處理（NLP，natural language processing）：是計算機科學領域與人工智慧領域中的一個重要方向，主要研究人與計算機之間用自然語言進行有限通信的各種理論和方法，是一門融語言、計算機和數學於一體的科學。

自然語言處理大致分成自然語言理解和自然語言生成兩大部分，包括句語法義分析，信息抽取，文本挖掘，以及語音識別，語音合成和機器翻譯等技術。機器翻譯研究如何利用計算機實現自然語言之間的自動轉換，是人工智慧和自然語言處理領域的重要研究方向之一。

計算機視覺和圖像識別原理

【相關企業】

人工智慧技術應用領域相關企業有108家，下圖中列舉的5家企業為深圳碳雲智能科技有限公司、北京捷通華聲科技股份有限公司、北京星核軟體有限公司、北京艾克斯智能科技有限公司、上海海知智能科技有限公司。

（部分企業列表）

· 方案集成領域 ·

到了人工智慧發展的第三個階段，場景驅動作為主要驅動力，不僅可以針對不同用戶做個性化服務，而且可在不同場景下執行不同的決策。

【相關企業】

人工智慧方案集成領域相關企業達234家，以下列舉的為部分企業名稱，分別為北京盛開互動科技有限公司、北京文安智能技術股份有限公司、北京市商湯科技開發有限公司、上海經達信息科技股份有限公司。

（部分企業列表）

投資動向分析

以下將從最受機構喜愛的企業、投資機構布局、企業資本狀態分布情況和區域分布狀況這四方面來做具體的分析。

· 最受機構喜愛企業 ·

從參照系資料庫提供的數據來看，最受投資機構喜愛的企業是北京市商湯科技有限公司。機構介入數多達19家，包括IDG資本，萬達集團，華興資本，TCL創投等。其次是深圳前海達闥科技有限公司，機構介入數為12家，包括富士康、深創投等。

· 投資機構布局 ·

從投資機構的布局上看，真格基金投資的人工智慧相關企業達14家，位列第一。IDG資本投資和達晨創投分別為7家企業，紅杉資本和啟迪創投分別為6家。

· 企業資本狀態分布 ·

從企業資本狀態的分布情況來看，346家人工智慧領域相關企業中，其中15家企業為A股公開交易狀態，14家企業為新三板上市狀態。

15家A股上市企業名單

▽

14家新三板上市企業名單

▽

· 區域分布狀態 ·

從人工智慧行業相關企業的市級分布情況來看，布局最多的是北京市，有多達124家關聯企業。其中上海市共有47家相關領域企業。

除北京和上海外，人工智慧領域企業分布最多的是深圳市，企業數量為42家。其次為杭州市，企業數量達34家。

市級分布狀況

原文鏈接：「人工智慧」產業研究報告！（附346家關聯企業介紹）

---

推薦閱讀：