工业人工智能的关键技术

Question

如题所述

Answer 1

(1) 硬件
人工智能依赖于算力、算法和数据，这些都需要硬件作为基础。在处理图像、语音等方面，需要具备强大处理能力和高速运算的硬件。在分散处理和现场传感检测中，通常会使用专门的人工智能(AI)芯片，也称为边缘计算网关。AI芯片按照架构体系可以分为通用芯片CPU和GPU、半定制芯片FPGA、全定制芯片ASIC以及模拟人脑的新型类脑芯片。根据应用场景，它们可以被分为训练芯片、推断芯片和终端计算芯片等。人工智能首先使用训练芯片对数据进行训练，得到核心模型，然后利用推断芯片对新数据进行判断推理以得出结论。这些模型和推理也可以从现有的SDK中获取。终端计算芯片主要用于实现简单实时性能的边缘计算控制输出。
(2) 传感
在人工智能场景中，大部分数据都来源于传感器。传感器能够将各种被测量的信息转换成数字信号，这通常涉及到电量、物理量、生物量、视觉、味觉、听觉等方面的感知，感知精度、速度等也非常重要。新型传感器的发明常常会带来相应的仪器装置的发展。传感器分为常规传感器和智能传感器。常规传感器可以直接采集并转换压力、温度、流量、电压等信号；智能传感器则具有信息处理功能，它们带有微处理机，能够进行数据采集、处理和交换，是传感器集成化和微处理机相结合的产物。与一般传感器相比，智能传感器通过软件技术可以实现低成本、高精度的信息采集，具有编程自动化、功能多样化等特点，并已广泛应用于各种视觉、听觉、物理量和电量等传感检测。
(3) 检测
工业人工智能系统的各个环节都涉及到供应链、产品生产质量、设备状态、能耗、生产环境等方面。这些环节需要收集大量的生产前期基础数据、生产物流数据以及设备和环境等外界状态数据，并进行数据融合分析。检测的精度、速度、可靠性、分析能力等性能以及价格决定了生产应用的基础。目前，成品和部件的检测已经从离线集中式检测转变为加工在线、实时、嵌入到生产线及设备内部的检测；从独立的感知和检测转变为多传感器、多元异构数据的融合分析；从当前数据状态转变为数据标准化和溯源。检测还包括诊断，当生产过程异常导致产品质量下降或事故时，利用传感器采集关键设备、生产线运行以及产品质量等数据，进行自动特征提取，采用大数据分析、深度学习等方法进行高精度智能诊断及溯源。
(4) 数据
人工智能建立在强大的数据分析基础上，计算机的大容量存储、高速运算能力和网络云平台为大数据应用提供了极大的可行性和便利性。大数据通常用来形容各行各业运行过程中产生的大量不同时序、多元异构的数据，这些数据看起来可能关联性不够紧密，在关系型数据库中分析时需要花费大量时间和资源进行处理。大数据不仅仅是数据量大，而且数据种类也很多，要求实时性强，数据所蕴藏的价值大。各行各业都存在大数据，但众多的信息和咨询是纷繁复杂的，需要进行搜索、处理、分析、归纳和总结，以获得深层次的规律，获得有规律性、有用的数据。
(5) 建模
建模是认识生产过程对象和控制方法的最基本环节。不同产品、生产过程和控制要求涉及的模型差异较大，甚至难以找到相关的模型。特定模型包含工业生产过程的机制与知识，表达了生产设备、工艺参数、原材料和产品质量效率间的映射关系，设备或关键部件的退化机制，产线运行状况和工序之间的耦合关系。人工智能控制对象更加复杂和多样，往往是多输入多输出的多变量系统、非线性系统、时变系统。当控制系统需要更快、更精确、更复杂时，必须采用状态空间法、离散模型、人工智能等理论进行建模和控制。
(6) 决策
决策包括优化、调度和控制等方面。由于产品、工艺和设备等不同，决策的方式也有很大差异。复杂工业生产通常由多工序、多台套设备和不同加工要求组成，涉及实时市场信息、生产条件以及运行工况，企业目标、计划调度、运行指标、生产指令与控制指令一体化优化等，需要协同企业管理者和生产管理者的知识并进行智能化处理。以ERP和MES变革为人机合作的管理与决策智能化系统，利用监测设备和产线运行状态的数据，借助智能优化算法，协同调度各个生产工序，控制相关的生产设备和工艺环节，实现生产全流程的产品质量、产量、消耗、成本等综合生产指标控制，保证生产全流程的整体优化运行决策。自主智能控制系统感知生产条件变化，相互协同，解决多目标冲突、干涉和多尺度现象，兼顾各种因素和权重影响，制定相应的优化决策目标，实现制造与生产全流程全局优化。
(7) 预测
预测技术分为模型方法和数据驱动方法，在预测性维护、需求预测、质量预测等方面应用广泛。预测技术在智能制造中主要用于设备维护，但其对工业生产整体或其他关键环节的作用更加重要，例如产品成本价格和质量的趋势、产品原材料成本和质量的趋势、产品销售方式和市场趋势等。这些影响可能远远超过设备维护的预测。例如，最近缺芯事件对汽车产业的影响、原材料涨价对产品的影响等。大数据技术、云服务技术和人工智能技术的快速发展促进了预测技术的不断提升。预测性维护可以利用工业设备运行数据和退化机制经验知识，预测设备剩余正常工况使用时间并制定维修策略，从而实现高效安全运行。需求预测根据厂商历史订单数据、市场预测及生产线运行状况，调节原料库存、指导生产出货进度，进行风险管理并减少生产浪费。质量预测通过产线、原料状态及相关生产数据分析产品质量，并将生产流程调整为最佳产出状态以避免残次品，数字孪生技术可以有效促进质量预测。