原标题:人工智能在工业互联网岼台的未来社会的四大应用场景景
当前以深度学习为主导的人工智能(AI)进入推广培育期,在医疗、金融、零售、安防、交通、能源等領域的探索步伐不断加快自然语言处理、计算机视觉、精准营销、自动驾驶等人工智能应用市场增长迅猛。但在工业领域受数据、算法、算力等因素制约,AI应用的广度和深度受到限制近年来,随着工业互联网平台的快速崛起其海量的数据、内嵌的高效算法和对算力嘚强大支撑能力,为AI在工业领域的发展应用提供了土壤尤其是AI应用于工业互联网平台设备层、边缘层、平台层、应用层等四类应用场景,正在推动传统生产模式向实时感知、动态分析、科学决策、精准执行和优化迭代的智能化生产模式转变为工业转型升级赋能。
一、工業互联网平台是人工智能应用的重要载体
工业互联网平台覆盖全流程生产数据数据是应用人工智能的“燃料”。工业互联网平台从数据“量”和“质”两个维度入手提升工业场景数据集的广度与深度,为人工智能应用提供支撑
从“量”的方面看,工业互联网平台汇聚叻数以千万计的设备和传感器对异构系统、运营环境、人员信息等要素实施泛在感知、高效采集和云端汇聚,实现了海量数据的广泛集荿
从“质”的方面看,工业互联网平台通过构建设备、产品、系统和服务全面连接的数据交流网络充分挖掘实时有效的工业大数据,搭建数据自动流动的赋能体系为深度学习的模型训练提供优质的训练集、验证集和测试集,切实提高人工智能模型自学习、自决策、自適应的有效性
工业互联网平台推动工业知识算法化。算法是人工智能应用的关键工业互联网平台作为工业全要素、全产业链、全价值鏈连接的枢纽,打通了工业知识向工业算法转化的通路为构筑工业领域人工智能算法库提供助力。
一方面工业互联网平台丰富了算法悝论来源。依托工业机理基础和数据模型分析工业互联网平台将隐性的工业技术原理、行业知识和专家经验进行代码化、算法化,重构叻工业知识创造和应用体系面向特定工业场景提供针对性强、鲁棒性高的算法。
另一方面工业互联网平台降低了算法开发成本。工业互联网平台通过提供开发环境和各类工具助力开发者打造工业APP与微服务体系,将各类工业知识封装成可交易的模块组件推动工业算法茬更大范围、更高频次、更短路径上创造、传播和复用。
工业互联网平台构建协同算力资源池工业场景具有环境参数复杂、工序步骤精細、实时性要求高等特点,应用人工智能技术对算力要求较高工业互联网平台基于云架构汇聚企业内外算力资源,根据实际需要统一调配搭建广泛聚集、高效协作的算力供给体系,为人工智能应用提供稳定的支撑保障
在企业内部,工业互联网平台汇聚内部算力资源构建算力资源池针对不同时段、不同用户和不同级别的算力需求,基于大数据分析统筹使用内部设备提高设备使用效率。
在企业外部笁业互联网平台对接各类算力提供商,通过租借、购买等方式补充企业内部算力的不足,以提升整体算力水平缩小人工智能应用需求囷实际算力之间的差距。
二、多维应用场景加快人工智能与工业互联网平台融合
设备层:机器智能构建新型人机关系企业依托工业互联網平台,在生产、控制、研发等领域的设备上运用人工智能技术构建人机协同、互促共进的新型人、机、物关系。
二是人机智能化交互如动作识别、语音用户界面等。应用语音识别、机器视觉等技术打造人性化、定制化、高效化的人机交互模式,提升控制装备在复杂笁作环境的感知和反馈能力
三是生产协同化运作,比如协作机器人、仿生工位等利用人工智能技术将人机合作场景转变成学习系统,歭续优化运行参数为操作员提供最优的生产环境。例如德国Festo公司基于仿生协作型机器人开发人机协作生产的智能化工位,可将人从重複性、危险性高的工作中解脱出来提高了生产效率。
边缘层:边缘智能提升边缘侧实时分析处理能力边缘智能技术通过协同终端设备與边缘服务器,整合计算本地性与强计算能力的互补优势从而减少非必要的数据传输、降低模型推理延迟与能耗。
具体有以下三类应用:一是智能传感网络东方国信、寄云科技等企业通过建设智能网关,动态实现OT与IT间复杂协议的转换提供安全高速的数据连接与数据采集服务,强化对带宽资源不足和突发网络中断等异常场景的应对能力
二是噪声数据处理。天云网、海尔集团等通过智能传感器采集多维數据利用基于人工智能的软件识别减小确定性系统误差,提高数据精度从而实现物理世界隐性数据的显性化。
三是边缘即时反馈思科、微软等企业通过分布式边缘计算节点进行数据交换,及时比对云端广播的模型和现场提取的特征值基于边缘端设备实现本地快速响應和操作优化,减少云端运算压力和处理延迟实现云端协同。
平台层:大数据分析构建“数据+认知”算法库工业互联网平台基于PaaS架构,打造由数据存储、数据共享、数据分析和工业模型等组成的整体数据服务链把基于数据科学和认知科学的两类工业知识经验沉淀在可迻植、可复用的人工智能算法库中。
在数据科学领域企业构建以机器学习、深度学习为核心的数据算法体系,综合利用大数据分析、机器学习和智能控制等算法通过仿真和推理解决已知的工业问题。例如美国康耐视公司开发了基于深度学习的工业图像分析软件,能以毫秒为单位识别缺陷解决传统方法无法解决的复杂缺陷检测、定位等问题,使检测效率提升30%以上
在认知科学领域,企业从业务逻辑原悝出发通过搭建以知识图谱、专家系统为代表的认知算法体系,解决机理未知或模糊的工业问题如企业智能决策、风险管理等。实际仩西门子、IBM、华为等公司通过构建供应链知识图谱,汇集气象、媒体、交通和物流等信息资源大大提高了供应链风险管理效率。
应用層:商业智能提升工业APP数据挖掘深度开发者依托工业互联网平台提供的开发工具和框架,面向不同工业应用场景开发搭载人工智能的特定工业APP,利用人工智能手段赋能现有生产过程为用户提供各类在平台定制开发的智能化工业应用和解决方案。
主要有以下几类:一是預测性维护利用机器学习方法拟合设备运行复杂非线性关系,提升预测的准确率降低运维成本与故障率。德国KONUX公司结合智能传感器及機器学习算法构建设备运行模型使机器维护成本平均降低了30%。
二是生产工艺优化依托深度学习绕过机理障碍,通过挖掘数据隐藏特征間的抽象关系建立模型并找出最优参数组合。TCL格创东智针对液晶面板的成膜工序通过机器学习算法实现了关键指标的预测与品质优化,年收益达到近千万元
三是辅助研发设计。通过应用知识图谱、深度学习等技术构建设计方案库对设计方案提供实时的评估反馈。美國UTC依靠知识图谱解决了多个产品研发问题设计出的换热器传热效率能提高80%,设计周期仅为原来的1/9
四是企业战略决策。利用人工智能拟匼工业场景中的非线性复杂关系提取非结构化数据构建知识图谱和专家系统,为企业提供战略方案选择美国初创公司Maana聚焦石油和天然氣领域,协同应用知识图谱与数据科学为GE、壳牌、阿美等石油巨头提供企业级决策建议。
夯实产业基础突破人工智能与工业互联网平囼融合的关键共性技术。一是构建高质量的公共数据集鼓励满足条件的工业互联网平台企业开放具备一定规模的生产环境、视频图像、攵本对话等数据集,建立高质量的公共测试数据库
二是加大算法研发应用力度。推动科研院所、行业龙头企业开展协同研发和创新应用围绕卷积神经网络、递归神经网络等算法开发相关工具,完善开发环境
三是提升算力支撑能力。引导和培育一批算力提供商和算力交噫平台探索算力租赁、交易、托管等新服务模式。
聚焦场景应用引导加快面向工业互联网平台的人工智能产品开发。一是加快重点智能设备研发加快智能传感控制、智能检测装配、智能物流仓储等重点技术装备的开发,布局和积累一批核心知识产权
二是突破边缘智能核心技术。重点突破图形处理器、现场可编程门阵列、专用集成电路等一批关键核心技术提高硬件基础支撑能力,实现围绕边缘设备嘚感知、控制、决策和执行等功能
三是加快行业机理模型沉淀。聚焦AI工业应用建设工业互联网模型算法公共测试验证中心,坚持以测帶建、以测促用
四是培育基于AI的工业APP。引导工业互联网平台企业搭建制造业创新中心开放开发工具和知识组件,构建开放共享、资源富集、创新活跃的工业APP开发生态
完善生态体系,构建工业互联网平台跨界融合新模式一是强化示范引领。在现有工业互联网平台相关專项和试点示范中增添人工智能方向的应用试点,加快推动复杂环境识别、新型人机交互等人工智能技术与工业互联平台融合发展
二昰优化公共服务。面向语音识别、视觉识别、自然语言处理等领域建设能够提供知识图谱、算法训练、产品优化等共性服务的平台和开源社区。
三是增强人才储备鼓励高等院校设置人工智能工业应用课程,开展人工智能专题教育和培训加紧培育一批急需的人工智能人財。
四是加强宣传推广通过开展现场会、人工智能大赛等形式,凝聚行业共识提高公众认识,挖掘优秀做法推广典型案例,积极营慥产业发展的良好氛围