工业互联网产业联盟-工业智能白皮书2020_部分2

《工业互联网产业联盟-工业智能白皮书2020_部分2》由会员分享，可在线阅读，更多相关《工业互联网产业联盟-工业智能白皮书2020_部分2（15页珍藏版）》请在金锄头文库上搜索。

1、未来，5G+AI 有望催生工业智能新产品、 新模式和新业态。例如，实现环境、状态、外 观等多类数据传输的多源设备预测性维护； 实现场景 / 工件识别、灵活配置与实时控制 的云机器人生产；形成实时互联、全面呈现、 双向决策的全场数字孪生系统等新场景。 现有通用计算架构与芯片尚无法满足工业实时性所带来的计算要求，端侧推理需求迫切。 深度学习包括训练和推理两个环节，训练环节的功耗比和实时性不是首要关注因素，现阶段通 常使用离线训练模型随后部署应用的方式，GPU 基本能满足现有需求。相比于云侧推理环节， 特定场景工业终端对推理环节实时性要求极高，现有芯片无法满足，专用芯片需求较为迫切。 以图片高精度高

2、速检测和实时工业场景识别为例，传统芯片处理 1080P 图片需要耗时 1 秒，而 以上场景的图像实时识别需求需要达到人眼识别帧率，即 1/24 秒；以设备实时控制为例，中低 端设备的控制周期是微秒级，高端设备甚至要求 200-500 纳秒级，当前 AI 完全无法达到。 因此，为满足工业实时性要求，高能效低成本的特定域架构芯片及面向工业领域开发的专 用端侧框架有望成为市场上布局工业智能芯片、框架的主要趋势。 算法可靠性是指在规定的时间内、条件或场景下能有效地实现规定功能的能力，以推荐系 统为例，电商平台的推荐系统达到 60%-70% 的准确率已经算是比较高的精准度，而部分工业 领域、部分工业核心

3、环节对推荐参数的准确性要求是 100%，一旦参数出现任何问题，将对生 产、制造等环节，甚至生命财产安全产生巨大影响。然而，可靠性不是现有人工智能算法在工 业领域的设计和关注重点。 14 工业智能的典型应用 图 12：新松公司 5G 智能巡检机器人 1. 实时性问题 2. 可靠性问题 （五）工业智能应用面临四大问题 15 工业智能的典型应用 神经网络等算法的本质导致了可靠性问题的存在，限制其在工业场景的深入应用。BP、 RBF 和 LSTM 与 CNN 等主流神经网络的输出层函数均为基于概率分布的函数，且对新数据泛 化性较差，导致其目前主要应用于产品缺陷质量检测、设备预测性维护等低危、辅助和以最

4、终 表现为评价标准的工业场景，需要针对工业场景定制的深度学习算法，使其在高危等场景中的 可靠性得到保障。 目前，以神经网络为代表的 “联结主义” 尚不能提供明确的语义解释。虽然神经网络在股 票波动预测、用户需求预测、房价走势分析、自动驾驶、AlphaGo 等较为复杂的问题上表现出 了较好的效果，但可能正如贝叶斯网络的创始人 Pearl 所指出的 “几乎所有的深度学习突破性的 本质上来说都只是些曲线拟合罢了”。在冶炼、核电等工业领域核心环节所面临的问题如果期望 通过数据技术解决，则此类问题的解决必须建立在可靠的工程 / 科学突破上，即需要能够明确 解释其背后机理。 3. 可解释性问题 通常包括模

5、型间交互、软硬件适配与算法的数据 / 任务适配三类问题。一是模型间交互， 在实际工程应用中，工业智能算法能选择多种软件框架实现，但各个软件框架的底层实现技术 不同，导致在不同软件框架下开发的 AI 模型之间相互转换存在困难。二是软硬件适配，软件框 架开发者和计算芯片厂商需要确保框架和底层芯片之间、框架和工业设备芯片之间良好的适配 性。三是数据 / 任务适配，目前深度学习算法需要依靠大量样本数据进行训练，随着人工智能 与工业融合的渗透速度逐步加快，越来越多智能细分应用场景面临 “小数据” 问题；此外，由 于工业设备产品、场景的差异化与任务的多样性，当前工业场景下机器学习模型的可复制推广 性较差，

6、例如，而工业场景下的产品检测，不同生产线、不同产品的缺陷种类情况可能完全不 同，在某一企业可能获得高效率的算法或解决方案，移植到另一企业或许并不能达到同样的效 果。 4. 适应性问题 总体来看，当前工业智能的应用以点状场景居多、普及范围有限、还存在许多问题 尚无法解决，仍处在发展的初级阶段。 16 垂直行业工业智能应用分析 不同行业依托工业智能，获取解决通用型问题的能力的同时，基于行业特点、面向行业特 性痛点问题延伸出差异化方向。一方面，工业智能能为不同类型的制造行业提供质量检测、供 应链管理、现场监控、决策辅助、市场响应、生产服务业拓展等共性问题的解决方案。另一 方面，也能够解决流程行业安全

7、风险大、设备价值高、流程管控要求高、产品价值低、排放污 染大、能耗高等问题；为多品种小批量离散行业解决工艺问题、产品结构复杂、产品价值高、 工序分散、调度复杂、运维问题、设计问题等问题；为少品种大批量离散行业解决个性化需求 高、产品更新快、同质化问题、后市场增值服务需求等问题。 （一）工业智能面向不同行业形成不同应用 1. 垂直行业依托工业智能解决不同痛点问题 图 13：垂直行业的工业智能共性与特性应用场景 17 垂直行业工业智能应用分析 以应用深度作为纵轴、产品全生命周期 作为横轴构建垂直行业的工业智能应用分析 体系，可以看出工业智能应用复杂多元，但 总体呈现分析深化、服务延伸两大发展路径：

8、 一是分析深化。流程行业与大数据分析结 合，从设备侧切入，实现更有效的安环管 理、设备维护等；多品种小批量离散行业与 仿真模拟结合，从设计和工艺侧切入，实现 复杂产品高效设计和工艺深度优化；少品种 大批量离散行业与产品创新结合，从质量侧 切入，实现更完善的质量检测、追溯全方位 体系。二是服务延伸。流程行业与市场分析 结合，从定制化切入，实现个性化水平改 善、客户服务能力提升；多品种小批量离散 行业与数据分析结合，从产品运维切入，实 现故障预测、远程运维等应用服务；少品种 大批量离散行业与新技术结合，从增值服务 切入，实现生产服务、非生产服务的全面覆 盖。 图 14：垂直行业的工业智能应用分析体

9、系与主要场景 2. 总体呈现出分析深化、服务延伸的发展路径 18 垂直行业工业智能应用分析 钢铁行业产业链较短，但制造过程流程长、工序多，既包括高温、周期不等的化学变化工 艺过程（冶炼） ，也包括高速、负荷瞬变的物理形变工艺过程（轧钢） ，是典型的流程型生产。 中游冶炼环节占据核心地位，并且经过千年的演变和发展，形成了现代化的制造工艺流程和高 度信息化的产线装备。目前主要存在安环压力大、生产运营增效难等痛点问题： 生产能耗与排放高，安全事故频发，面临较大环保、安全政策压力。钢铁行业是典型的能 耗大户，例如我国钢铁行业能耗占全国总能耗的 15% 左右。产生污染的环节多、生产现场的设 备设施一般承

10、载着高温液体、高压气体、有毒气体等危险介质，污染排放量大，例如 2017 年以 来，我国钢铁行业主要污染物排放量已经超过电力行业，成为工业最大的污染排放源。此外， 人身、设备安全隐患较多，一旦发生安全生产事故往往会造成群死群伤的严重后果，不仅容易 造成巨大的经济财产损失，而且会严重危及企业生产运行。 高价值设备多，生产过程分段连续，部分环节原理不明，生产运营需要增效。钢铁行业的 主要设备均为非标产品，价值高，计划外停机将对设备产生一定程度的额外损耗。生产涉及冶 炼、动力学、热力学等多学科，多领域交叉知识，且规模反应器的高压、高温特性导致冶炼机 理研究难度大，工序多元复杂、设备繁多，立体交叉分布

11、在钢铁企业的各个岗位，工序间生产 数据又存在相互隐形耦合，仅仅通过机理分析很难分析清楚各参数之间的潜在关系。生产过程 尚未完全实现自动化，人工干预成分较高，部分制造过程控制与优化分析决策仍依靠人工历史 经验判断，决策效率和准确率相对较低。 工业智能助力钢铁行业解决痛点需求，主要形成安环管理（安全监控、能耗管理、排放控 制） 、生产运营优化（工艺优化、设备监测、物流管理）两大应用模式，六大应用场景。 安全监控场景中，通过智能监控、图像识别等技术，排查安全隐患，保证生产安全。例如 JFE 钢铁公司与日本电气公司利用 AI 图像识别技术，对员工工作安全性进行识别，提高钢铁厂 安全性。 1. 行业生产

12、特点与需求 2. 应用模式与路径 （二）流程行业 - 钢铁行业应用分析 19 垂直行业工业智能应用分析 能耗管理场景中，通过数据分析、参数优化等手段，提高能源利用率，降低能耗成本。例 如宝钢通过基于 AI 的智能钢包，平均降低出钢温度 10，节约能源成本 70 亿元。 排放控制场景中，通过专家系统、智能分析等技术，优化生产流程，减少排放污染。例如 陕钢龙钢公司成功对 450 平米烧结机专家系统进行了智能改造，日可增加余热发电量 1.5 万 kWh，减少 CO2 排放 1.5 吨。 工艺优化场景中，通过数据建模、深度学习等技术，解决生产 “黑箱” 问题，提高生产质 量。例如攀钢预计应用人工智能可

13、优化转炉炼钢复吹、造渣过程及冷轧工艺控制，年效益数千 万元。同时，已通过优化脱硫过程参数实现 700 万的年创效。 设备监测场景中，通过数据采集、机器学习等手段，实时监测设备运行状态，预防设备故 障。例如 Fero Labs 利用机器学习处理传感器数据，预防成本高昂的机器故障以及减少浪费的 洞察，每年为钢铁公司节省数百万美元的成本。 物流管理场景中，通过自动识别、智能控制等技术，实现全自动智能仓库和物料流转，保 证生产稳定运行。例如宝钢建立无人仓库，AI 自动识别入库板坯号，通过激光扫描成像、测 距、防摇、二维码生成等实现智能化仓储。 图 15：钢铁行业工业智能应用主要场景与发展路径 20 垂

14、直行业工业智能应用分析 总体来看，钢铁行业应用场景集中在生产环节，形成多类点状应用，以制造环节为核心的 应用实践将持续走向深入，同时个性化市场因素也将推动服务环节应用增多。未来将形成两条 发展路径。一是生产环节分析优化，由生产环节切入，从基础的描述、诊断走向预测、洞察， 实现生产全流程的高效管控，深化智能应用；二是生产服务拓展，从市场个性化需求响应切 入，围绕业务板块探索工业智能在生产配套服务中的应用，推动生产向服务化演进。 汽车行业以制造企业为核心，吸引配套 上下游形成生态，其中制造环节自动化程度 较高，已经形成以市场为导向的成熟生产模 式。目前主要存在需求响应快、产品研发设 计与产业链复杂

15、化等痛点问题： 产品同质化严重，市场需求变化快，难 以快速响应。客户要求越发精细，行业定制 化程度越来越高；行业对生产柔性化和供应 链响应速度的要求也在逐步升高。 研发设计周期长，质量管控严，产品零 部件数量多且来源复杂。新车型研发属于复 杂系统工程，周期较长，从研发到投入市场 一般需要 5 年左右时间；普通汽车零部件总 数 超 过 1 万 个，零部件占汽车总成本的 70%-80%。 新市场已经出现，同时产业链向服务化深 入，带来新的挑战。新能源汽车、智能网联汽 车等带来需求冲击和市场变革，后市场价值增 速较快，例如 2018 年我国汽车后市场行业规 模已突破 1.2 万亿，同比增长 20.6

16、%。 工业智能助力汽车行业解决痛点需求，主要形成过程质量控制（质量检测、工序检验） 、产 品创新（设计仿真、无人驾驶）和增值服务（预测性维护、汽车金融）三大应用模式，六大应 用场景。 质量检测场景中，通过机器视觉等技术，增强对零部件的实时监控。例如奥迪基于人工神 经网络的图像检测技术，精确检测金属板中最细的裂缝并标记。 1. 行业生产特点与需求 2. 应用模式与路径 （三）少品种大批量离散行业 - 汽车行业应用分析 工序检验场景中，通过机 器视觉等技术，增强对生产过 程与工序的管理与检验。例如 福田汽车在喷涂机器人引入视 觉检测系统，捕捉车身喷涂外 观，在现场边缘节点判别作业 完成度，指导高效作业。 设计仿真场景中，通过机 器学习、知识图谱等技术，提 高产品研发仿真效率，推动产 品迭代创新。例如福田汽车在 喷涂机器人引入视觉检测系 统，捕捉车身喷涂外观，在现 护，降 低 维 修 成 本。例 如 DataRPM 通过无监督机器学 习 实 现 车 辆 异 常 检 测，使 54% 的潜在故障可以被提前 诊断，减少服务成本。 汽车金融场景中，通过机 器学习、知识图谱等技术，提