人工智能制造业应用潜力被严重低估,详解3个核心场景及实例

新兴产业智库 · 2018-12-06
1、制造业领域人工智能应用潜力被明显低估,投资不到1%;结果显示,3.4%的投资是在商业及零售领域,18.3%在自动驾驶,而制造业相关的人工智能投入不到1%。而制造业恰恰是人工智能应用场景最具潜力的区域。

【导读】

1、制造业领域人工智能应用潜力被明显低估,投资不到1%;结果显示,3.4%的投资是在商业及零售领域,18.3%在自动驾驶,而制造业相关的人工智能投入不到1%。而制造业恰恰是人工智能应用场景最具潜力的区域。

2、人工智能在制造业的应用场景主要分为三类,一、产品智能化研发设计和为产品注智;二、在制造和管理流程中运用人工智能技术提高产品质量和生产效率;三、供应链的智能化。

人工智能与相关技术结合,可优化制造业各流程环节的效率,通过工业物联网采集各种生产数据,再借助深度学习算法处理后提供建议甚至自主优化。

然而,相较于金融、商业、医疗行业,人工智能在制造业领域应用潜力被明显低估。

SAP通过对中国过去三年最大的300项人工智能投资项目进行分析,结果显示,34%的投资是在商业及零售领域,18.3%在自动驾驶,而制造业相关的人工智能投入不到1%。而制造业恰恰是人工智能应用场景最具潜力的区域。

有研究发现,人工智能的使用可降低制造商最高20%的加工成本,而这种减少最高有70%源自于更高的劳动生产率。

到2030年,因人工智能的推动,全球将新增15.7万亿美元的GDP,中国就占7万亿美元;

到2035年,人工智能将推动劳动生产力提升27%,拉动制造业的GDP高达27万亿美元;

制造业将成为人工智能应用蓝海。全球人工智能及相关场景在制造业应用市场在2016年约为1.2千亿美元,这个数字在2025年有望超过7.2千亿美元,复合年均增长率预计可超过25%。

来源:Markets and MarketsInsights,德勤

人工智能在制造业的应用场景主要分为三类,一、产品智能化研发设计和为产品注智;二、在制造和管理流程中运用人工智能技术提高产品质量和生产效率;三、供应链的智能化。

【产品层面】

在产品研发、设计和制造中,人工智能的主要场景:

生成式产品设计:根据既定目标和约束利用算法探索各种可能的设计解决方案。具体来说,需要经过三个步骤:

首先,设计师或工程师将设计目标以及各种参数(如材料、制造方法、成本限制等)输入到生成设计软件中。

然后,软件探索解决方案的所有可能的排列,并快速生成设计备选方案。

最后,它利用机器学习来测试和学习每次迭代哪些有效,哪些无效。

一些航天公司正在利用生成式设计以全新的设计开发飞行器部件,如提供跟传统设计功能相同但是却轻便许多的仿生学结构。

智能产品:将人工智能技术成果集成化、产品化,制造出智能手机、工业机器人、服务机器人、自动驾驶汽车及无人机等新一代智能产品。这些产品本身就是人工智能的载体,硬件和各类软件结合具备感知、判断的能力并实时与用户、环境互动。

实例:以智能手机为例,除了AI芯片使手机运行速率、反应时间更快之外,手机上的智能语音助手、生物识别、图像处理等AI应用也给用户带来多维度德资智能体验,国产手机四大巨头Vivo、 小米、 华为和OPPO先后在2018年推出主打AI功能的旗舰机, 显示智能产品的市场潜力不容小觑。

【生产制造】

人工智能嵌入生产制造环节,可以使机器变得更加聪明,不再仅仅执行单调的机械任务,而是可以在更多复杂情况下自主运行,从而全面提升生产效率。随着国内制造业自动化程度提高,机器人在制造过程和管理流程中应用日益广泛,而人工智能更进一步赋予机器人自我学习能力。

产品质检:借助机器视觉识别,快速扫描产品质量,提高质检效率。而且,因为这些系统可以持续学习,其性能会随着时间推移而持续改善。汽车零部件厂商已经开始利用具备机器学习算法的视觉系统识别有质量问题的部件,包括检测没有出现在用于训练算法的数据集内的缺陷。

实例:AI视觉技术企业波塞冬可以实现精度为0.1mm的汽车电镀件外观不良检测;阿丘科技将AI和3D视觉技术用于工业质检和分拣,于今年1月完成800万美元A轮融资;高视科技将AI视觉用于屏幕质检,已完成超过5000万元的A轮融资;瑞斯特朗则聚焦在纺织布料质检16。

智能自动化分拣:无序分拣机器人可应用于混杂分拣、上下料及拆垛,大幅提高生产效率。其核心技术包括深度学习、3D视觉及智能路径规划等。

实例:矩视智能科技的NeuroBot解决方案可柔性地将物料在无序或半无序状态下完成分拣,提高生产效率并节约成本。其核心技术分为三类:AI——通过采用深度学习技术,把人工的检测经验转化为算法,从而实现自动识别和检测;3D/2D视觉——利用机器视觉完成物品的位姿估计,并辅以深度学习算法实现复杂场景的抓取点计算;嵌入式AI——采用嵌入式GPU(如Nvidia的TX2)为深度学习提供硬件支撑,保持算力充足。

预测性生产运维:制造企业会借助人工智能减少设备故障提高资产利用。利用机器学习处理设备的历史数据和实时数据,搭建预警模式,提前更换即将损坏的部件以避免机器故障。

实例:美国创业公司Uptake凭借大数据、AI等技术提供端到端服务,以工业设备故障预测分析、性能优化为主营业务。国内创业企业智擎信息的故障预测解决方案可以提前2~4天预判故障,从而降低运维成本和备品备件库存成本,提升设备可利用率和整体运转性能。

生产资源分配:人工智能可以针对消费者个性化需求数据,在保持与大规模生产成本相当、甚至更低的同时,实现柔性生产,快速响应市场需求变化。

实例:斯今年4月在美国开设全球第二家智能化工厂Speed Factory,按照顾客需求选择配料和设计,并在机器人和人工辅助的共同协作下完成定制。工厂内的机器人、3D打印机和针织机安由计算机设计程序直接控制,这将减少生产不同产品时所需要的转换时间。

优化生产过程:人工智能通过调节和改进生产过程中的参数,对于制造过程中使用的很多的机器进行参数设置。生产过程中,机器需要进行诸多的参数设置。

实例:在注塑中,可能需要控制塑料的温度、冷却时间表、速度等。这些参与会后受到外部因素影响,如外界温度。通过收集所有数据,人工智能可以自主改进自动设置和调整机器的参数。

【智能供应链】

需求/销量预测:需求预测是供应链管理领域应用人工智能的关键主题。通过更好地预测需求变化,公司可以有效地调整生产计划改进工厂利用率。人工智能通过分析和学习产品发布、媒体信息以及天气情况等相关数据来支持客户需求预测。一些公司还利用机器学习算法识别需求模式,其手段是将仓库、企业资源计划(ERP)系统与客户洞察的数据合并起来。

仓储自主优化:智能搬运机器人大幅提升了仓储拣选效率,减少人工成本。以搬运系统为例,系统根据生产需求下达搬运任务,机器人会自动实现点对点的搬运,在工厂和仓库内运输物品的机器人会感应障碍调整车辆路线从而实现最佳路线。机器学习算法会利用物流数据——比如材料进出的数据、库存量、零件的周转率等——来促进仓库自主优化运营。

实例:会建议将低需求的零件转移到更远的地方,并且将高需求的零件放到可以更快获取的附近区域。极智嘉科技以物流机器人及智能物流解决方案为重点,研发机器人拣选系统、搬运系统和分拣系统等,通过机器人产品和人工智能技术实现智能物流自动化解决方案。机器人搬运系统通过移动机器人搬运货架/托盘实现自动化搬运。有效提升生产柔性,助力企业实现智能化转型。实现自动进行路径规划及取放货架托盘动作,实现了工厂车间无人化的智能搬运。

【小结:困难与挑战】

人工智能仍处在其发展早期,技术突破及商业论证需要更长时间。另外,人工智能应用环境和基础设施的完善程度,信息和安全法规、企业自身的能力都成为企业面临的主要挑战。

对于尚未部署人工智能的制造企业来说,缺乏投资人工智能的商业论证、尚不具备建立和支持人工智能的系统能力、尚不明确部署人工智能的前提为主要挑战。

(来源:工业互联网研习社)

评论
登录 后发表评论
动态385
新兴产业智库,助新兴产品“落户”!关注获取新兴产品状况、LED产业分析、企业咨询及行业报告。
今日热榜
    ©2015-2018 广州菜豆科技有限公司  版权所有    粤ICP备16051902号-7