智能制造有什么新的招式

智能制造有什么新的招式

在工业互联网理念迅速发酵，平台及方案迭出，并逐渐形成工业产业跨界融合，以及企业数字化、智能化新模式新生态的过程中，仍有为数不少的企业对其的认知依然是投资大、建设周期长、定制化，且是适用于行业领先乃至龙头企业的高配，而不会将其纳入智能转型的计划。

但这又与工业互联网作为“世界各国新一轮产业竞争制高点和经济新增长点”而被政府及产业高度重视的方向明显不符。这种认知的落差，导致一些企业在政策引导的创新技术应用中，只部署不应用，或者效能极低，贻误了大好的发展契机。

因此，对于身处智能转型路上的中国制造业来讲，正确理解工业互联网与智能转型的关系，利用其承载的新一代信息技术助力企业提质增效、提供发展新动能，已是当务之急。

微软全渠道事业部资深创新技术架构师周闻钧在“‘大微’论智造”行业直播讲堂中，将解耦新方法论形象地描述为：打造小而美的独立应用场景。

在《解耦工业互联 赋能转型升级——工业互联网人工智能应用白皮书》中，总结介绍了工业互联网应用场景案例及成效，其中包括设备/产品管理、业务与运营优化、社会化资源协作三大应用场景，对于企业产生的效益则包括降本提效、提升产品和服务品质，创造新价值。

人工智能技术作为工业互联网所承载的核心新一代信息技术，对于以上三大应用场景案例的形成，起到了非常重要的作用。

应用场景之一：产品外观检测

为此，洪朴提供了双机手臂的智能解决方案，即第一个机械手臂在产品经过时，将产品放置到不同光源区，通过不同角度进行拍摄，并将是良品还是劣品的信息传递给第二个机器手臂。第二个机械手臂结合传递过来的信息，将良品和劣品分别放置不同的区域。

这个看似简单的应用背后，集合了机器学习、深度学习以及其他算法，以及制造业深耕多年的经验积累。同时，对于一些不规则的产品外观检测，以及缺陷识别等场景，深度学习不需要建立特征的优势与机器学习等结合会发挥更大的价值。

比如，涉及到一些芯片的划痕、锂电池的外观缺陷，有些是真实的缺陷，有一些可能是毛发等其他因素导致。而对于这样的场景，洪朴深度学习和机器学习技术相结合的解决方案识别精度可以达到99.99%，可节省百分之八九十的检测人员。而在光伏EL质量检测方面，洪朴利用人工智能技术使得识别精度达到了99.5%，识别时间由之前的20秒以上减少到一两秒，完全满足了生产的要求。

应用场景之二：良品率的提升

良品率对于任何一家制造业来讲都是一个非常关键的指标。传统提升良品率的方法主要是依赖老师傅的经验，这种方式无论是对于产品质量管理的稳定性，还是传承扩展都有很大的局限性。而通过人工智能的技术可以找出保证产品质量的关键因子，利用对系统及设备结构化数据的分析实现良品率提升的同时，降低人力成本。

洪朴曾经有一个半导体行业的客户，其良品率非常地不稳定。有的产线良品率高达100%，而有的产线良品率近乎零。洪朴通过对企业MES等信息系统产出数据的分析，通过机器学习的方式提升了各个产线的良品率，降低了生产成本。

晋能光伏是如何将AI应用延伸至智能制造的

晋能集团是一家国有综合能源公司，年营收超过千亿。在产业格局方面分为清洁能源为主业，煤炭、电力、房地产为副业，同时包含现代服务及金融等新兴产业。

智能制造背景及规划

身处智能转型的排头兵产业，如何将智能技术融入到工艺流程中去，一直是晋能清洁能源管理者们思考的问题。经历了十几年的信息化建设历程，晋能的IT成果，满足了企业在技术、业务处理、降本提效方面的基本要求，同时也积累了大量的数据。但是如何将生产过程可视化，如何让大量的数据产生价值，成为企业智能转型的方向和目标。

在这样的背景下，晋能光伏产业从2016年起，挑选了预测分析、智能工厂和数字化设计仿真技术作为智能制造的落地点，并据此开始构建三大平台。其规划的中心思想是：将所有可以被数据化的业务进行系统化，以获取足够的数据来提供企业的数据储备；用互联网化实现业务的平台化运营，对销售端和供应链端进行整合；在这个过程中通过AI赋能提升企业技术和营运水平在行业中的差异化竞争力，实现智能转型。

基于此，晋能光伏设计智能制造路线图，包括：机器设备智能化、设备维护的移动化应用，加以虚拟仿真，融入AI技术，使得人与机器实现动态的合作。此外还有供应链、业务流程、数字化以及人员与环境6条实践路线。其中，前两条路线是智能转型的重点。

从数据收集到数据分析

有了数据，如何应用成为下一步的方向。晋能清洁能源通过统计及AI学习技术探索数据之间的关联关系，取得了显著的成果：通过数据挖掘，自溶工艺流程的良率及生产效率均有了显著的提升，形成了行业差异化的竞争优势。此外，扩散工艺流程及PEC良率也实现了预期的提升目标。

数据挖掘+AI技术实现的连带效益

在进行各个场景数据分析和挖掘的过程中，杨正宇和同事们意外地发现在数据调配的过程中，原料的投入也进行了相应的高配，每一片产品可节省银浆1毫克，在每天十几万片的产能背景下，节省的资金量是非常可观的。

供应链方面的连带效益，出自库存周转率在数据挖掘引入AI技术之后，实现了20%以上的提升，而库存周转期的缩短带动了原材料备货周期、采购周期、付款周期的缩短。

此外，通过引入虚拟仿真和AI技术，晋能清洁能源实现了设备检测精度达99%，检测速度缩短为1秒，提升了检测结果的稳定性，节省了人力成本。同时通过对结构化数据的数字化，可以反向去追溯，为设备参数的调整提供参考。以算法和算力取代了以往人的思维。

机器学习与制造业Know-How的互相促进

在对于晋能清洁能源的智能制造应用的分析点评中，许剑锋博士特意提到，在制造业，老师傅的经验或企业特有的个性化的东西，是很难用人工智能完全替代的。因此需要用机器学习建立特征，将制造业Know-How的内容形成知识库固化下来，与深度学习和其他算法相结合，实现相关环节的智能化。

而机器学习也会反过来推动Know-How内容的丰富与提升。

微软Azure平台：解耦的支撑，耦合的框架

正如《解耦工业互联 赋能转型升级——工业互联网人工智能应用白皮书》中提到的，以数据为基础、以目标为导向进行解耦的前提，是有一个可以将诸多智能应用场景整合在一起的耦合框架，这样才能使得企业将诸多大数据、人工智能的场景应用进行整合、贯通，实现智能制造。

解耦的方法论，催生了工业互联网生态的新运作方式。通过与微软Azure平台的连接，象洪朴这样的生态合作伙伴可以充分发挥专业优势，在擅长的领域深耕细作，将场景的颗粒度降到最低，加速解决方案的快速复制。

而微软Azure一方面为合作伙伴人工智能方案提供平台技术支撑，另一方面以数据驱动的应用帮助制造业客户完成不同场景的数据整合、分析和挖掘，通过AI赋能，助力制造业实现业务流程和商业模式的创新。

来源：微软科技