0 引言

    當前，以智能化為核心的新一輪科技產業變革興起，各國普遍推出以產業智能化為核心的新型制造業發展戰略。而隨著人工智能技術的發展日新月異，與社會各領域不斷融合已經成為大勢所趨，正逐步改變現有產業形態、商業模式和生活方式，成為助推工業智能化轉型升級的關鍵燃料^[1]。據Markets報告預計，到2025年人工智能制造市場規模將達172億美元，預測期(2018-2025年)內的年復合增長率為49.5%；而埃森哲預計2035年，人工智能將使制造業總增長值(GVA)增長近4萬億美元。工業是我國國民經濟的主導，我國也積極搶抓以人工智能為驅動的新一輪科技產業變革的機遇，工業智能自然成為了國家及業界高度重視的領域方向^[2]。本文總體包括技術、應用、產業三部分，以全面和深入的視角，從算法層面剖析工業智能的技術本質，通過建立一個相對完善的技術-應用分析體系對行業應用現狀特點進行分析，其次闡述了產業影響，最后對全文進行了總結。

1 工業智能的技術內涵

1.1 工業智能算法本質

    人工智能算法是工業智能技術的核心，當前主流人工智能算法包括數據科學(傳統機器學習、前沿機器學習)、知識工程（專家系統、知識圖譜）兩大方向，本質是解決分類和回歸兩大問題。簡單來說，分類是對離散變量進行定性輸出，包括圖片/語音識別、機器問答與信息檢索、虹膜/指紋等生物特征識別等實際問題；回歸則是對連續變量進行定量輸出，包括股票波動預測、用戶需求預測、房價走勢分析等實際問題，自動駕駛、AlphaGo等較為復雜的應用則同時包含了分類和回歸問題。

    因此，工業需求能否拆分為兩大問題(或組合)是工業智能技術實施的必要性前提。工業領域問題包括傳統工業問題(非數據技術可解問題)及數據技術可解問題(如圖1所示)，其中，傳統工業問題如發動機燃燒機理、機床加工極限精度等工業基礎理論、制造技術和工藝標準無法通過數據技術解決，更無法使用工業智能技術解決；而數據技術可解問題下的分類與回歸問題則是工業智能技術應用范疇，具體地，工業領域分類問題包括故障診斷、產品質量檢測等對工業領域圖像音頻、文字等離散變量的定性輸出和類別劃分；回歸問題包括生產指標軟測量、工藝參數優化等對工業領域連續變量進行定量輸出，以及一些同時涉及分類與回歸方法的復雜工業問題，如自動駕駛機械等。

1.2 工業智能算法-應用分析體系

    我們認為，技術視角下，工業智能即是將工業(人工)智能算法作用在結構/非結構化數據和(或)工業機理/知識/經驗等工業智能使能要素中，通過對要素進行分類、回歸等本質作用，映射至設計、生產、管理服務等工業環節或場景下，形成智能化應用。

    目前來看，專家系統主要作用在車間調度管理、故障診斷、庫存管理等場景；知識圖譜主要作用在用戶需求分析、商業智能、供應鏈管理等場景；(傳統)機器學習主要應用場景有產品質量檢測、工藝指標軟測量、過程控制優化等；深度學習等前沿機器學習主要應用場景有預測性維護、智能仿真、生產安全監控等；而無人駕駛機械、智能化設計等復雜應用通常需要多種技術組合進行解決。

    通過梳理典型場景下的算法本質特點與作用范圍^[3]，提出了一個工業智能的問題分類框架，如圖2所示。

    構造四象限橫縱坐標軸，橫軸是工業機理(經驗)不確定度，與當前工業機理和專家經驗的研究積累相關；縱軸為計算的復雜度，是計算機進行數據計算的時間復雜度。由此確定四類算法的大致作用領域：專家系統和知識圖譜用于解決工業機理(經驗)較為透明、確定的問題，其中專家系統能解決的問題計算復雜度低，知識圖譜則相對較高；而機器學習和深度學習通常解決機理、經驗模糊的問題，深度學習的計算復雜度更高。

1.3 工業智能技術發展趨勢

    一方面，工業智能技術可解問題的“厚度”增加，更多工業場景與問題轉化為工業智能可解問題，但本質仍然是分類/回歸問題(圖1中的趨勢1)。通常包含兩個步驟，一是工業機理/問題數字化，例如美國的材料自主研發系統ARES，將材料指標參數化后通過隨機森林分類決策確定當前對應的最佳參數；二是問題定義，即工業機理/問題的連續/離散化，例如預測性維護存在兩種技術思維，早期階段是基于狀態的維護，即將歷史數據看作數字信號，基于振動數據數理分析來進行故障判定；工業智能階段是基于機器學習的維護，將歷史數據、故障結果看作一種模式，通過模型訓練、驗證與部署來得到連續化(設備剩余時間)或離散化(是否可能發生故障)的輸出。

    另一方面，工業智能技術可解問題的“寬度”增加，(圖1中的趨勢2)。當前解決分類和回歸問題的根本手段終歸是通過暴力的擬合與計算，未來人工智能或將不再局限于依靠強大的算力解決問題，而是以基于先驗邏輯的知識工程和數據科學為基礎，與類腦智能融合成通用智能，擁有高等的認知能力，變革算法的可解問題類型。

2 典型行業應用模式

    工業智能在不同行業、環節應用部署和效果的差異性較大，流程行業中，鋼鐵作為傳統行業，工業知識和經驗豐富，人工智能技術應用較早；少品種大批量離散行業中，汽車是國民經濟的支柱產業，大批新技術匯聚，是智能化轉型升級的先行陣地；多品種小批量離散行業中，航空作為高端裝備領域代表，人工智能應用空間較大。綜上，本文選取鋼鐵、汽車、航空作為三類制造業的代表行業，希望通過研究垂直行業工業智能應用現狀和特點，總結工業智能應用基本情況與特點，為其他行業提供參考和指引。

2.1 鋼鐵行業

2.1.1 行業特點與需求

    鋼鐵行業產業鏈較短，是典型流程型生產，多個環節存在人工智能應用需求。其中中游冶煉企業占據核心地位，且信息化、自動化水平較高，智能化轉型基礎較好，成為了產業鏈優化的關鍵。

2.1.2 典型應用

    鋼鐵行業工業智能主要應用場景如圖3所示，主要包括生產環節和商業環節。

    (1)生產環節

    形成了能耗智能管控、設備維護、過程優化和控制等多種應用場景。如日本新日鐵開發熱連軋精軋設定專家系統，與數學模型結合，對材料成分和各架軋機參數等進行模擬計算。美國大河特種鋼鐵廠使用機器學習模型來確定維護關鍵機器和設備的最佳時間，實現預測性維護。中鋼集團利用深度學習，對近7 000+批次產品的工藝參數進行數學建模和分析，鋼坯質量檢測效率提升90%。

    (2)商業環節

    聚焦供應鏈管理，基于采購、庫存、物流等領域特點形成典型應用，包括庫存管理、采購管理、物流優化等。比如在供應鏈風險管理場景，大河鋼廠通過大數據技術和機器學習模型打造“廢鋼指數”，實現廢鋼采購的需求預測，降低商業風險；在供應鏈物流優化場景，大河鋼廠與人工智能咨詢公司Noodle.ai合作，將出站運輸的成本降到最低，并優化客戶交付窗口，提高物流效率。

    總體來看，鋼鐵行業的冶煉過程占據核心地位，過程能耗大、設備價值高、冶煉過程原理復雜但過程數據較為完善等特點使其成為了工業智能重點覆蓋的領域。百年的冶煉操作使專家具備了豐富的經驗，成為了專家系統最先最廣泛應用的領域。高爐煉鐵復雜的物理化學反應使機器學習等黑箱型算法有了用武之地，并向更加復雜的深度學習技術應用演進^[4]。

2.2 汽車行業

2.2.1 行業特點與需求

    以制造企業為核心，已形成以市場為導向的成熟生產模式。基于以下四個方面原因，需要新興技術推動改善產業鏈各環節內容：(1)客戶需求逐漸成為汽車生產制造的關鍵指引；(2)設計仿真環節直接決定生產的效率和結果；(3)行業對生產的柔性化和供應鏈的及時響應要求逐步升高；(4)產品智能化及服務更是重點領域。

2.2.2 典型應用

    汽車行業工業智能主要應用場景如圖4所示。

    (1)產品環節

    主要圍繞產品設計、產品智能配套服務、無人化操控展開。如奧地利科學研究院在仿真環節利用深度學習進行風洞實驗，節省時間5萬倍；德國汽車研究所通過機器學習記錄分析產品消耗、磨損等數據，幫助客戶解決故障，同時預測磨損；最為廣泛認知的就是各大企業基于AI開展無人駕駛汽車探索和研制，搶占未來產品新市場。

    (2)生產環節

    形成了產品質量檢測、制造過程優化、輔助診斷與控制等多種應用場景。如西門子、奧迪等基于語音識別、圖像識別對車輛與鋼板進行質量監測；奔馳寶馬等先進車企和配套企業均已基于人工智能等技術，開展全廠優化探索，打造智能工廠。

    (3)商業環節

    聚焦供應鏈管理優化和用戶需求分析等方面應用。如上汽通過建立神經網絡模型庫和學習優化算法庫，實現包括智能流量預測、智能路徑規劃等解決方案；汽車之家通過AI算法接收用戶反饋，并根據反饋深度挖掘用戶隱藏需求，實現智能推薦“千人千面”的效果。

    總體來看，汽車的研發、制造、產品智能化與服務均為人工智能的應用提供了大量場景，工業智能應用的環節覆蓋最為全面廣泛，產品設計仿真優化將是充滿潛力的發展方向。以機器學習算法為代表的視覺、語音、數據挖掘類應用占據主要比重，未來隨著領域經驗的增加和自動駕駛的進一步發展，專家系統、知識圖譜甚至類腦智能技術應用也將逐步深化。

2.3 航空行業

2.3.1 行業特點與需求

    航空行業產業鏈條較長，產品種類少、批量小，按照訂單需求進行設計生產，并提供后續服務。產品設計不僅決定整體性能，而且決定了費效比，當前效率低、周期長、費用高；生產制造分散且復雜，影響因素較多，耗費大量人力物力；產品價值高、零件數量多、主尺度大、生命周期長，以上情況均對工業智能的落地應用提出迫切需求。

2.3.2 典型應用

    航空行業工業智能主要應用場景如圖5所示。

    (1)產品環節

    主要圍繞輔助診斷與預測、產品配置服務優化、智能設計等場景。如美國NASA、日本宇宙航空研究開發機構等航空科研機構針對實際飛船類產品的調度控制、監測和故障診斷研制專家系統。美國聯合技術公司將機器學習引入設計過程，大幅提升產品性能和研發效率。惠普發動機公司利用IBM的AI平臺實現預測性運維，防止發動機故障導致的飛機事故。

    (2)生產環節

    主要有制造過程優化、智能檢測等。制造企業使用基于視覺的機器人，完成面向大部件的裝配制造。中國商飛通過AI進行缺陷智能識別及判斷，減少人為因素造成的誤差，提高檢測效率，降低工作強度，最終實現超聲檢測和評價的自動化、智能化。

    (3)商業環節

    主要圍繞風險分析、安全管理、需求預測、運營優化等方面展開，如NASA正在基于AI識別商業航空事件數據中的異常運行，分析潛在的風險問題。國內公安三所、東航等利用AI的視頻監控、流量預測、智能推薦等實現機場運行的安全管理、機場和各個運營方資源調配和優化、個性化推薦等服務。

    總體來看，航空裝備產品的價值和商業化程度較高，與鋼鐵、汽車行業相比，產品和商業環節的應用場景更多。專家系統、機器學習等經典人工智能技術應用占據主要比重，深度學習等方法目前多是運用在機場視頻監測等通用性領域，隨著數據與應用需求的不斷提升，前沿機器學習等人工智能方法將會與航空行業機理、知識進一步融合，萌生更多智能應用^[5]。

3 產業發展與趨勢

    工業智能產業是支撐新型制造能力的主要技術和產品體系，主要體現在兩方面，一是支撐傳統產業重點領域，如工業裝備、工業自動化和工業軟件的智能化升級；二是成為新興產業環節，如工業互聯網平臺的核心賦能手段。同時，AI芯片、框架、算法與工業機理模型、數據資源等基礎能力擴展使能范圍，成為了工業的新型基礎能力。

3.1 智能裝備

    裝備企業、ICT、初創企業，甚至制造企業多類主體同步發力，未來“各司其職”“分庭抗禮”的局勢可能形成。裝備企業憑借對領域知識的了解，立足自身需求，基于第三方的技術支持豐富產品的強知識屬性智能化能力，如發那科利用AI進行機床位移補償和伺服參數優化。ICT等其他競爭者在視覺、數據服務等行業知識屬性較弱的領域具備技術競爭優勢，如梅卡曼得等初創企業推出基于3D視覺與深度學習的智能機器人視覺組件。

3.2 工業智能自動化

    人工智能擴展了工業自動化的使能邊界，但自動化企業仍可能是未來主導。一方面，其具備數據互聯互通的核心優勢，熟悉生產控制和工藝流程，通過平臺打通不同層級數據；而且是工控網絡協議的主導者，能直接獲取現場數據采集設備的數據。另一方面，工業自動化企業也在基于AI不斷豐富產品功能，維持市場地位，如康耐視推出基于深度學習的圖像分析功能，解決復雜的缺陷問題；西門子為PLC增加AI芯片，加速圖像等各類數據處理過程。

3.3 工業智能軟件

    未來有望形成通用專用兩路并行的局面。傳統軟件企業優勢較大，通過不同（自研或引進）方式融合人工智能技術形成研發設計、生產管控等通用支撐，如歐特克為軟件疊加AI功能，形成生成式的智能設計；ICT、制造、初創企業則聚焦細分領域及功能，以創新技術形成面向特定行業和場景的單點優勢，如德國初創企業KONUX面向設備運維推出了預測性維護軟件系統。

3.4 工業互聯網平臺

    未來工具集成與知識匯聚兩類平臺將協同發揮作用。一是通過疊加AI工具，為廣大中小企業提供智能計算與應用開發，比如微軟、阿里等。二是積極積累工業機理模型，為領域巨頭提供智能化解決方案，具體包含兩類：(1)深耕于某類行業，通過不斷評估修正該行業的數據模型，提高該行業服務競爭力，如Uptake積累大量的設備資產模型，聚焦設備預測性維護領域；(2)制造企業在日常生產中將自身經驗知識進行提煉和封裝，如海爾COSMOPlat。

4 結論

    本文剖析了工業智能的算法本質，基于所提算法-應用映射體系對垂直行業的特點需求和應用模式進行了分析總結，同時對產業發展與趨勢進行了展望。總之，AI能解決工業問題的邊界是有限的，但其適用范圍寬廣，對產業產生的影響將是深遠的，需要用體系化的方法去應對這次挑戰和機遇。同時，由于AI技術和工業制造的不斷發展，仍需對工業智能相關技術、應用及產業的最新進展進行跟蹤分析，并在后續提出具有針對性的發展策略。

參考文獻

[1] 蔡自興.人工智能產業化的歷史、現狀與發展趨勢[J].冶金自動化，2019，43(2)：1-5.

[2] 孫曉彬.人工智能技術在工業生產中的應用探究[J].現代商貿工業，2019，40(23)：200.

[3] 王哲，安暉.借鑒日本經驗推動人工智能與制造業深度融合[J].機器人產業，2019(4)：11-14.

[4] 劉鴻.常用人工智能技術在鋼鐵領域中的應用概述[J].冶金自動化，2019，43(4)：24-28.

[5] 袁成.人工智能在航空領域應用正向深度和廣度擴展[N].中國航空報，2019-08-13(005).

作者信息:

李亞寧1，詹童杰2，劉  迎1，尹揚鵬1，婁照輝1，楊艷冉1

(1.中國信息通信研究院 信息化與工業化融合研究所，北京100191；

2.湖南大學 電氣與信息工程學院，湖南 長沙410012)