人工智慧製造業應用潛力被嚴重低估,詳解3個核心場景及例項
1、製造業領域人工智慧應用潛力被明顯低估,投資不到1%;結果顯示,3.4%的投資是在商業及零售領域,18.3%在自動駕駛,而製造業相關的人工智慧投入不到1%。而製造業恰恰是人工智慧應用場景最具潛力的區域。
人工智慧與相關技術結合,可優化製造業各流程環節的效率,通過工業物聯網採集各種生產資料,再借助深度學習演算法處理後提供建議甚至自主優化。
然而,相較於金融、商業、醫療行業,人工智慧在製造業領域應用潛力被明顯低估。
SAP通過對中國過去三年最大的300項人工智慧投資專案進行分析,結果顯示,34%的投資是在商業及零售領域,18.3%在自動駕駛,而製造業相關的人工智慧投入不到1%。而製造業恰恰是人工智慧應用場景最具潛力的區域。
有研究發現,人工智慧的使用可降低製造商最高20%的加工成本,而這種減少最高有70%源自於更高的勞動生產率。
到2030年,因人工智慧的推動,全球將新增15.7萬億美元的GDP,中國就佔7萬億美元;
到2035年,人工智慧將推動勞動生產力提升27%,拉動製造業的GDP高達27萬億美元;
製造業將成為人工智慧應用藍海。全球人工智慧及相關場景在製造業應用市場在2016年約為1.2千億美元,這個數字在2025年有望超過7.2千億美元,複合年均增長率預計可超過25%。
人工智慧在製造業的應用場景主要分為三類:
一、產品智慧化研發設計和為產品注智;
二、在製造和管理流程中運用人工智慧技術提高產品質量和生產效率;
三、供應鏈的智慧化。
產品層面
在產品研發、設計和製造中,人工智慧的主要場景:
生成式產品設計:根據既定目標和約束利用演算法探索各種可能的設計解決方案。具體來說,需要經過三個步驟:
首先,設計師或工程師將設計目標以及各種引數(如材料、製造方法、成本限制等)輸入到生成設計軟體中。
然後,軟體探索解決方案的所有可能的排列,並快速生成設計備選方案。
最後,它利用機器學習來測試和學習每次迭代哪些有效,哪些無效。
一些航天公司正在利用生成式設計以全新的設計開發飛行器部件,如提供跟傳統設計功能相同但是卻輕便許多的仿生學結構。
智慧產品:將人工智慧技術成果整合化、產品化,製造出智慧手機、工業機器人、服務機器人、自動駕駛汽車及無人機等新一代智慧產品。這些產品本身就是人工智慧的載體,硬體和各類軟體結合具備感知、判斷的能力並實時與使用者、環境互動。
例項:以智慧手機為例,除了AI晶片使手機執行速率、反應時間更快之外,手機上的智慧語音助手、生物識別、影象處理等AI應用也給使用者帶來多維度德資智慧體驗,國產手機四大巨頭Vivo、 小米、 華為和OPPO先後在2018年推出主打AI功能的旗艦機, 顯示智慧產品的市場潛力不容小覷。
生產製造
人工智慧嵌入生產製造環節,可以使機器變得更加聰明,不再僅僅執行單調的機械任務,而是可以在更多複雜情況下自主執行,從而全面提升生產效率。隨著國內製造業自動化程度提高,機器人在製造過程和管理流程中應用日益廣泛,而人工智慧更進一步賦予機器人自我學習能力。
產品質檢:藉助機器視覺識別,快速掃描產品質量,提高質檢效率。而且,因為這些系統可以持續學習,其效能會隨著時間推移而持續改善。汽車零部件廠商已經開始利用具備機器學習演算法的視覺系統識別有質量問題的部件,包括檢測沒有出現在用於訓練演算法的資料集內的缺陷。
例項:AI視覺技術企業波塞冬可以實現精度為0.1mm的汽車電鍍件外觀不良檢測;阿丘科技將AI和3D視覺技術用於工業質檢和分揀,於今年1月完成800萬美元A輪融資;高視科技將AI視覺用於螢幕質檢,已完成超過5000萬元的A輪融資;瑞斯特朗則聚焦在紡織布料質檢16。
智慧自動化分揀:無序分揀機器人可應用於混雜分揀、上下料及拆垛,大幅提高生產效率。其核心技術包括深度學習、3D視覺及智慧路徑規劃等。
例項:矩視智慧科技的NeuroBot解決方案可柔性地將物料在無序或半無序狀態下完成分揀,提高生產效率並節約成本。其核心技術分為三類:AI——通過採用深度學習技術,把人工的檢測經驗轉化為演算法,從而實現自動識別和檢測;3D/2D視覺——利用機器視覺完成物品的位姿估計,並輔以深度學習演算法實現複雜場景的抓取點計算;嵌入式AI——採用嵌入式GPU(如Nvidia的TX2)為深度學習提供硬體支撐,保持算力充足。
預測性生產運維:製造企業會藉助人工智慧減少裝置故障提高資產利用。利用機器學習處理裝置的歷史資料和實時資料,搭建預警模式,提前更換即將損壞的部件以避免機器故障。
例項:美國創業公司Uptake憑藉大資料、AI等技術提供端到端服務,以工業裝置故障預測分析、效能優化為主營業務。國內創業企業智擎資訊的故障預測解決方案可以提前2~4天預判故障,從而降低運維成本和備品備件庫存成本,提升裝置可利用率和整體運轉效能。
生產資源分配:人工智慧可以針對消費者個性化需求資料,在保持與大規模生產成本相當、甚至更低的同時,實現柔性生產,快速響應市場需求變化。
例項:斯今年4月在美國開設全球第二家智慧化工廠Speed Factory,按照顧客需求選擇配料和設計,並在機器人和人工輔助的共同協作下完成定製。工廠內的機器人、3D印表機和針織機安由計算機設計程式直接控制,這將減少生產不同產品時所需要的轉換時間。
優化生產過程:人工智慧通過調節和改進生產過程中的引數,對於製造過程中使用的很多的機器進行引數設定。生產過程中,機器需要進行諸多的引數設定。
例項:在注塑中,可能需要控制塑料的溫度、冷卻時間表、速度等。這些參與會後受到外部因素影響,如外界溫度。通過收集所有資料,人工智慧可以自主改進自動設定和調整機器的引數。
智慧供應鏈
需求/銷量預測:需求預測是供應鏈管理領域應用人工智慧的關鍵主題。通過更好地預測需求變化,公司可以有效地調整生產計劃改進工廠利用率。人工智慧通過分析和學習產品釋出、媒體資訊以及天氣情況等相關資料來支援客戶需求預測。一些公司還利用機器學習演算法識別需求模式,其手段是將倉庫、企業資源計劃(ERP)系統與客戶洞察的資料合併起來。
倉儲自主優化:智慧搬運機器人大幅提升了倉儲揀選效率,減少人工成本。以搬運系統為例,系統根據生產需求下達搬運任務,機器人會自動實現點對點的搬運,在工廠和倉庫內運輸物品的機器人會感應障礙調整車輛路線從而實現最佳路線。機器學習演算法會利用物流資料——比如材料進出的資料、庫存量、零件的週轉率等——來促進倉庫自主優化運營。
例項:會建議將低需求的零件轉移到更遠的地方,並且將高需求的零件放到可以更快獲取的附近區域。極智嘉科技以物流機器人及智慧物流解決方案為重點,研發機器人揀選系統、搬運系統和分揀系統等,通過機器人產品和人工智慧技術實現智慧物流自動化解決方案。機器人搬運系統通過移動機器人搬運貨架/托盤實現自動化搬運。有效提升生產柔性,助力企業實現智慧化轉型。實現自動進行路徑規劃及取放貨架托盤動作,實現了工廠車間無人化的智慧搬運。
小結:困難與挑戰
人工智慧仍處在其發展早期,技術突破及商業論證需要更長時間。另外,人工智慧應用環境和基礎設施的完善程度,資訊和安全法規、企業自身的能力都成為企業面臨的主要挑戰。
對於尚未部署人工智慧的製造企業來說,缺乏投資人工智慧的商業論證、尚不具備建立和支援人工智慧的系統能力、尚不明確部署人工智慧的前提為主要挑戰。