• 与完全自动化的工厂不同，制造业的人工智能目前专注于管理特定流程的离散系统，提高效率和对工具磨损或系统故障等事件的响应能力。

• 制造业的人工智能通过处理重复性任务、提高安全性和效率以及使人类专注于创造性和复杂的问题解决来支持工人。

• 制造业中的人工智能用于预测性维护、实时监控和生成设计，从而减少停机时间、优化流程并创建更智能、更具适应性的制造系统。

制造业中人工智能的现实概念更像是一套用于管理特定制造流程的紧凑、离散系统的应用程序。它们将或多或少地自主运行，并以越来越智能甚至像人类一样的方式响应外部事件——从工具磨损、系统故障到火灾或自然灾害。

制造业中的人工智能是什么？

制造业中的人工智能是指机器能够像人类一样执行任务的智能——自主响应内部和外部事件，甚至预测事件。机器可以检测到工具磨损或意外情况——甚至是预期会发生的情况——并且可以做出反应并解决问题。

历史学家追溯了人类从石器时代到青铜时代、铁器时代等的发展历程，根据人类对自然环境、材料、工具和技术的掌握程度来衡量进化发展。人类目前正处于信息时代，也称为硅时代。在这个以电子为基础的时代，人类通过计算机得到了集体增强，利用前所未有的力量控制自然界，并具有协同能力来完成几代人以前无法想象的事情。

随着计算机技术的发展，能够更好地完成人类传统上为自己做的事情，人工智能也自然而然地发展起来。人们可以选择如何应用机器学习和人工智能。人工智能做得很好的一件事就是帮助有创造力的人做更多的事情。它不一定取代人类；理想的应用是帮助人们做他们擅长的事情——在制造业中，这可能是在工厂制造一个组件或设计一个产品或零件。

越来越多的人开始关注人机协作。尽管工业机器人普遍给人一种自主和“智能”的印象，但大多数工业机器人都需要大量的监督。但通过人工智能创新，它们正变得越来越智能，这使得人机协作更加安全、高效。

制造业的人工智能是如何发展的？

如今，制造业的大多数人工智能都用于测量、无损检测 ( NDT ) 和其他流程。人工智能正在协助产品设计，但制造仍处于人工智能应用的早期阶段。机床仍然相对笨重。自动化车间工具已成为新闻热点，但世界上许多工厂仍在依赖较旧的设备，这些设备通常只有机械或有限的数字接口。

较新的制造系统配有屏幕——人机界面和电子传感器，可提供有关原材料供应、系统状态、功耗和许多其他因素的反馈。人们可以在计算机屏幕或机器上直观地看到他们正在做的事情。未来的发展方向正在变得清晰，人工智能在制造业中的应用场景范围也变得清晰起来。

近期的场景包括实时监控加工过程和监控刀具磨损等状态输入。此类应用属于“预测性维护”。这对 AI 来说是一个明显的机遇：算法使用来自传感器的连续数据流来找到有意义的模式，并应用分析来预测问题，并在问题发生之前提醒维护团队解决问题。机器内的传感器可以监控正在发生的事情。它可能是一个声学传感器，用于监听皮带或齿轮是否开始磨损，也可能是一个传感器，用于监控刀具的磨损情况。该信息将与分析模型相关联，该模型可以预测该工具的剩余寿命。

在车间，增材制造正在成为一种重要的制造方式，并促使在系统中添加许多新型传感器，监测影响材料和制造技术的新情况，而这些技术在过去 10 年中才被广泛采用。

制造业人工智能的现状

通过使用数字孪生，人工智能使更精确的制造工艺设计以及在制造过程中出现缺陷时的问题诊断和解决成为可能。数字孪生是物理部件、机床或正在制造的部件的精确虚拟复制品。它不仅仅是一个 CAD 模型。它是部件的精确数字表示，以及当例如出现缺陷时它将如何表现。（所有部件都有缺陷；这就是它们失效的原因。）人工智能对于在制造工艺设计和维护中应用数字孪生是必不可少的。

大型企业可以从采用人工智能中获益良多，并且拥有资助这些创新的财力。但一些最具想象力的应用是由中小型企业 (SME) 资助的，例如合同设计师或为航空航天等技术密集型行业供货的制造商。

许多中小企业正试图通过快速采用新机器或新技术来超越大型竞争对手。提供这些服务在制造领域脱颖而出，但在某些情况下，他们在没有必要的知识或经验的情况下实施新工具和新流程。从设计角度或制造角度来看，情况可能确实如此；因此，进入增材制造领域具有挑战性。在这种情况下，中小企业可能比大型企业有更大的动力采用人工智能：使用可以提供反馈并协助设置和操作的智能系统可以帮助小型新创企业在市场上建立颠覆性的立足点。

本质上，端到端工程专业知识可以融入制造流程。也就是说，可以向带有板载 AI 的工具提供知识，以指导其安装、采用、传感器和分析，以检测操作和维护问题。（这些分析可能包括所谓的“无监督模型”，这些模型经过训练，可以通过寻找要调查的奇怪或“错误”方面来寻找与已知问题无关的传感器反馈模式。）

这一概念的一个现实示例是DRAMA（航空航天数字可重构增材制造设施），这是一项耗资 1430 万英镑（1940 万美元）的合作研究项目，于 2017 年 11 月启动。Autodesk 是与制造技术中心 ( MTC ) 合作建立“数字学习工厂”原型的企业联盟之一。整个增材制造流程链都实现了数字孪生；该设施将可重构以满足不同用户的需求，并允许测试不同的硬件和软件选项。开发人员正在构建增材制造“知识库”，以帮助采用技术和流程。

在 DRAMA 中，Autodesk 在设计、模拟和优化方面发挥着关键作用，充分考虑了制造过程中的下游流程。了解制造过程对每个部件的影响是人类可以自动化的重要信息，然后通过生成设计将其带入设计过程，使数字设计的性能更接近物理部件。

人工智能如何改变制造业

这种场景表明，我们有机会有效地打包端到端工作流程，然后卖给制造商。它可能包括从软件到工厂中的物理机器、机器的数字孪生、与工厂的供应链系统交换数据的订购系统，以及监控制造方法和在输入通过系统时收集数据的分析。本质上，就是创建“盒子工厂”系统。

盒子里的工厂

这样的系统可以让制造商查看今天制造的部件，将其与昨天制造的部件进行比较，查看产品质量保证是否到位，并分析生产线上每个工序的无损检测结果。反馈将帮助制造商准确了解制造这些部件时使用了哪些参数，然后根据传感器数据查看哪里存在缺陷。

这个过程的乌托邦愿景是，材料从一端装入，零件从另一端取出。人们只需要维护系统，而大部分工作最终可以由机器人完成。但在目前的设想中，人们仍然设计和做出决策，监督制造，并在一系列生产线上工作。该系统帮助他们了解决策的实际影响。

机器学习和自主人工智能

人工智能的大部分力量来自于机器学习、神经网络、深度学习和其他自组织系统从自身经验中学习的能力，无需人工干预。这些系统可以快速发现大量数据中的重要模式，而这些模式超出了人类分析师的能力范围。然而，在当今的制造业中，人类专家仍然在很大程度上指导着人工智能应用程序的开发，将他们从之前设计的系统中获得的专业知识编码出来。人类专家会提出自己对发生了什么、哪里出了问题、哪里进展顺利的想法。

最终，自主人工智能将以这些专业知识为基础，因此，在增材制造领域，新员工可以从操作反馈中受益，因为人工智能会分析机载传感器数据，进行预防性维护并改进流程。这是迈向自我修正机器等创新的中间步骤——随着工具磨损，系统会自我调整以保持性能，同时建议更换磨损的部件。

工厂规划与布局优化

人工智能应用并不局限于制造过程本身。从工厂规划的角度来看，设施布局受多种因素影响，从操作员安全到工艺流程效率。它可能要求设施可重新配置，以适应一系列短期项目或频繁变化的工艺。

频繁的变更可能会导致无法预见的空间和材料冲突，进而造成效率或安全问题。但此类冲突可以通过传感器进行跟踪和测量，而且人工智能在工厂布局优化方面发挥着重要作用。

传感器捕获数据以进行实时 AI 分析

在采用存在大量不确定性的新技术（如增材制造）时，一个重要的步骤是在零件制造完成后进行无损检测。无损检测可能非常昂贵，尤其是当它结合了资本设备 CT 扫描仪（用于分析制造零件的结构完整性）时。机器中的传感器可以链接到从特定零件的制造过程中学习到的大量数据集构建的模型。一旦有了传感器数据，就可以使用传感器数据构建机器学习模型 - 例如，与 CT 扫描中观察到的缺陷相关联。传感器数据可以标记分析模型表明可能有缺陷的零件，而无需对零件进行 CT 扫描。只需扫描这些零件，而不是在零件下线时例行扫描所有零件。

操作还可以监控人们如何使用设备。制造工程师在设计设备时会对机器的操作方式做出假设。通过人工分析，可能会出现额外的步骤或跳过某个步骤。传感器可以准确捕获该信息以供 AI 分析。

人工智能还可以帮助制造流程和工具适应各种可能应用的环境条件。以湿度为例。增材制造技术的开发人员发现，某些机器在某些国家/地区无法按设计运行。工厂中的湿度传感器已用于监测条件，有时会发现违反直觉的事情。在一个案例中，湿度在本应受湿度控制的环境中造成了问题：结果发现有人在外出吸烟时忘了关门。

有效利用传感器数据需要开发有效的人工智能模型。这些模型必须经过训练才能理解它们在数据中看到的内容——什么可能导致这些问题、如何检测原因以及该怎么做。如今，机器学习模型可以使用传感器数据来预测问题何时发生并提醒人工故障排除人员。最终，人工智能系统将能够预测问题并实时对其做出反应。人工智能模型很快将承担起创建主动方法来预防问题和改进制造流程的任务。

生成设计

人工智能在生成设计中发挥着重要作用。生成设计是设计工程师输入项目要求，然后设计软件创建多个迭代的过程。最近，Autodesk 收集了大量用于增材制造的材料数据，并利用这些数据来驱动生成设计模型。该原型“理解”了材料属性如何根据制造过程对各个特征和几何形状的影响而变化。

生成设计是一种适应性强的优化技术。许多传统的优化技术都着眼于更通用的零件优化方法。生成设计算法可以更加具体，专注于单个特征，根据材料测试和与大学的合作应用对该特征机械性能的理解。虽然设计是理想化的，但制造过程发生在现实世界中，因此条件可能不是恒定的。有效的生成设计算法结合了这一层次的理解。

生成设计可以在软件中创建最佳设计和规格，然后将该设计分发给具有兼容工具的多个设施。这意味着较小、地理分散的设施可以制造更大范围的零件。这些设施可能靠近需要它们的地方；一个设施可能今天为航空航天制造零件，明天为其他基本产品制造零件，从而节省配送和运输成本。例如，这正在成为汽车行业的一个重要概念。

灵活且可重构的流程和工厂车间

人工智能还可用于优化制造流程，使这些流程更加灵活和可重构。当前需求可以决定工厂车间布局并生成流程，这也可以为未来需求而制定。然后可以使用这些模型进行比较和对比。然后，该分析确定是使用较少的大型增材机器还是使用大量小型机器更好，后者可能成本更低，并且在需求放缓时可以转移到其他项目。“假设”分析是人工智能的常见应用。

模型将用于优化车间布局和工艺排序。例如，可直接从 3D 打印机对增材部件进行热处理。材料可能已预回火，也可能需要重新回火，从而需要另一个热循环。工程师可以运行各种假设情景来确定工厂应该拥有哪种设备——将部分工艺分包给附近的另一家公司可能更有意义。

这些人工智能应用可能会改变商业案例，决定一家工厂是专注于一个固定流程还是同时生产多个产品或项目。后者将使工厂更具弹性。以航空航天业为例，这个行业正在经历衰退，其制造业务也可能通过生产医疗部件来适应。

预测性维护

人工智能在制造业的另一个重点领域是预测性维护。这使工程师能够为工厂机器配备预先训练的人工智能模型，这些模型结合了该工具的累积知识。基于来自机器的数据，这些模型可以学习在现场发现的新因果模式，以防止出现问题。

制造业和人工智能：应用和优势

设计、工艺改进、减少机器磨损和优化能源消耗都是人工智能在制造业的应用领域。这场变革已经开始。

机器变得越来越智能，彼此之间以及与供应链和其他业务自动化之间的集成度也越来越高。理想的情况是材料进，零件出，传感器监控链条上的每一个环节。人们控制着整个过程，但不一定在环境中工作。这释放了重要的制造资源和人员，使他们可以专注于创新——创造设计和制造组件的新方法——而不是重复性工作，因为重复性工作可以实现自动化。

与任何根本性转变一样，人工智能的采用也遭遇了阻力。人工智能所需的知识和技能可能既昂贵又稀缺；许多制造商不具备这些内部能力。他们认为自己在专业能力方面很有效，因此为了证明投资制造新产品或改进流程的合理性，他们需要详尽的证据，并且可能不愿意扩大工厂规模。

这可以让“盒子工厂”的概念对企业更具吸引力。更多企业，尤其是中小企业，可以放心地采用端到端的打包流程，其中软件与工具无缝协作，使用传感器和分析来改进。添加数字孪生功能，工程师可以以模拟方式尝试新的制造流程，这也降低了决策风险。

人工智能在质量检测方面也发挥着重要作用，这一过程会产生大量数据，因此非常适合机器学习。以增材制造为例：一次制造会产生多达 1TB 的数据，包括机器如何生产零件、现场条件以及制造过程中发现的任何问题。这些数据量超出了人类的分析范围，但人工智能系统现在可以做到。增材工具所适用的方法也可以轻松用于减材制造、铸造、注塑成型以及其他各种制造工艺。

当添加虚拟现实 (VR) 和增强现实(AR)等互补技术时，AI 解决方案将缩短设计时间并优化装配线流程。生产线工人已经配备了 VR/AR 系统，可以让他们直观地看到装配过程，提供视觉指导以提高工作速度和精度。操作员可能戴着 AR 眼镜，可以投射出解释如何组装零件的图表。该系统可以监控工作并向工人提供提示：你把这个扳手拧得够多了，你拧得不够，或者你没有扣动扳机。

大型企业和中小型企业在采用 AI 方面有不同的重点领域。中小型企业往往会制造大量零件，而大型企业通常会组装大量从其他地方采购的零件。也有例外；汽车公司会进行大量底盘点焊，但会购买和组装其他零件，例如轴承和塑料部件。

就零部件本身而言，一个新兴趋势是使用智能组件：零部件中嵌入传感器，可监测自身状况、压力、扭矩等。这个想法对于汽车制造业尤其具有启发性，因为这些因素更多地取决于汽车的驾驶方式，而不是行驶里程；如果每天都要经过许多坑洼，可能需要进行更多维护。

智能组件可以通知制造商其已达到使用寿命或需要检查。部件本身不会从外部监控这些数据点，而是会偶尔与 AI 系统进行检查，以报告正常状态，直到情况出现问题，此时部件将开始引起注意。这种方法减少了系统内的数据流量，而数据流量在规模化时可能会严重拖累分析处理性能。

人工智能增值的最大、最直接的机会是增材制造。增材工艺是主要目标，因为它们的产品更昂贵，体积更小。未来，随着人类发展和成熟人工智能，它可能会在整个制造价值链中变得重要。