中國是制造業大國，“中國制造2025”戰略著眼于讓中國變成制造強國。將人工智能應用到制造業的裝配、生產等諸多環節，是當前研究的熱點。一方面，隨著超算能力、5G等使能技術的發展，人工智能得以快速成熟，不斷落地商業場景，甚至于創造了新的業務形態與商業模式；另一方面，人工智能在制造業的應用更廣，讓“制造”變成了“智造”，讓機器能夠感知環境的變化，具備實現功能性變化的能力，大力推動人機協同的智能經濟形態。接下來從三個制造關鍵場景具體介紹人工智能技術的應用：故障診斷、生產排產和系統裝配。

　　「 1. 基于人工智能技術的故障診斷 」

　　隨著科技的高速發展，現代大型工業設備逐步向高度集成的復雜系統轉變，復雜程度越來越高。各個設備內的零件、設備之間都有著緊密關聯。一方面，某一個故障可能通過一系列故障傳播路徑導致系統級別的事故；另一方面，設備可靠性降低帶來的是維修的高風險長周期，這帶來的一系列修正反饋流程對企業來說是巨大的經濟損失。因此，企業對故障診斷環節的反饋及時性、歸因準確度等指標要求越來越高。傳統分析過程中，針對功能結構復雜、尤其涉及深路徑的系統故障診斷時，對分析專家的要求非常高，并且效果不好。因此，基于人工智能的故障診斷方法應用廣泛，并且越來越成熟。智能故障診斷根據所用知識的處理途徑分為基于符號推理、基于數值計算兩類：一是基于符號推理的智能診斷；二是基于數值計算的智能診斷。

　　以上兩類方法是從不同方面對人工智能的模擬。基于符號推理的辦法，運用了專家系統，宏觀意義上模擬人的推理、決策，缺陷是需要花費很長的時間去建立、迭代、更新知識庫以及設計推理機。基于數值計算的智能診斷，通過人工神經網絡在微觀結構上模擬人的認知能力。Sherald認為：專家系統與人工神經網絡的協同作用就像是人的左腦、右腦的工作合作機制。具體來說，人工神經網絡的工作機制相當于人類的右腦，其優勢在于推理決策、問題診斷；而專家系統相當于人類的左腦，其優勢在于清晰表達規則，保證符合規則的正確輸出。因此，兩者結合是智能故障診斷技術發展的必然趨向。

　　接下來介紹基于人工神經網絡的故障診斷專家系統，如圖1所示。首先依據專家理論與經驗，使用人工神經網絡來獲取知識，并將其存儲在知識庫中，知識庫是可以通過新樣本的學習來不斷更新修正的。來自知識庫的信息與當前問題的初始狀態數據、優化目標、求解狀態等信息一起按照一定格式以文件的形式存儲在動態數據庫中，通過推理機輸出最終結果，并經過解釋器轉換為不同論域可理解的概念。

　　圖1 基于人工神經網絡的故障診斷專家系統結構圖

　　那么設備的故障診斷維修，具體通過什么方法呢？一般情況下，會在重要的功能組件部分安裝傳感器來實時監測設備的運動狀態，位置、溫度、壓強等物理信息。并且會有控制器將其轉化為I/O信號后輸出。一旦發生故障，依據內部不同類型信號以及信號間的邏輯關系，可以梳理得到故障傳播路徑，從而找到發生問題的組件。除此之外，最后還會給出歸因解釋以及相關的處理結果。智能故障診斷除了發生故障后的歸因、維修場景以外，還包括預防性維護。某研究機構通過研究常見的故障模式，發現幾乎80%的故障類型隨機出現，剩下20%可以通過傳統的維護辦法來預測。而使用人工智能技術，可能對隨機生成的故障進行預防。清華大學和金風科技共同建設了風電裝備大數據平臺，其中一個場景是預測風機的葉片是否會結冰。葉片結冰，自然會降低發電效率，也會造成風機的整體事故。對于這一情況的排查，如果單單依靠人工巡查很難解決問題，金風科技應用人工智能的算法，在傳感器、大數據等輔助技術支持后，建立了風機設備全生命周期評估模型，最終比傳統方法平均提前2個小時預警，并且降低50%的運維成本。另一個場景是借助數字孿生的手段輔助AI技術。在建設風場之前，通過“數字風場”的虛擬環境來配置風機，通過分析汽輪機反饋給它虛擬孿生體的數據，提升了20%的效率。

　　從今后的發展來看，故障診斷技術更多是從制造產品的全生命周期去考慮，不僅僅提高產品的可靠性，同時考慮降低產品使用階段的運維成本。從故障診斷的處理方法來看，傳統方式很難檢測到高復雜設備、深故障路徑的系統故障。基于人工智能技術的故障診斷技術著眼于開發ANN與ES相結合的神經網絡專家系統，提高檢測的效率水平。

　　「 2. 基于人工智能技術的生產排產 」

　　在實現制造領域的智能化過程中，柔性生產是必不可少的目標之一。傳統是集中控制型，也就是剛性生產，這種方式很難滿足當前產品小、批量多種類的生產需求。因此采用人工智能技術來進行生產排產，是提高生產效率的重要手段之一。相比傳統調度排產問題，基于人工智能技術的生產排產需要考慮更多、更精細的車間要素。比如要考慮人員等因素，在考慮設備因素的同時，需要細分設備類型，具體如表1所示。

　　表1 傳統生產排產與智能排產調度考慮車間要素對比

　　其次，基于人工智能的不同技術在智能排產系統中的應用，包括專家系統、人工神經網絡和遺傳算法。

　　上述理論研究基本針對于獨立的生產制造系統，用于解決特定領域問題。然而，理論研究模型是否能在實際應用中取得良好效果是具有挑戰的。Metaxiotis等著眼于人工智能技術在生產排產問題中的通用性與實際應用可行性，一方面開發適用于中小制造企業優化排產的通用專家系統，每次可以為不同作業環境的制造車間提供合適的優化排產方案；另一方面在企業系統上提供可靠的生產排班方案，有重要應用價值。2016年，汽車制造業巨頭：上汽通用，將本來手動調度排班的沖壓車間改成AI智能排產，從效率來看，人員組織效率提高，設備生產效率提高；從成本看，物流成本、資源能耗消耗成本降低；從需求來看，迭代速度變快，最終能更快更好地響應市場需求。

　　「 3. 基于人工智能技術的系統裝配 」

　　隨著產品結構趨于越來越復雜、越來越精密的方向發展，生產制造過程中對于裝配的精密度、準確度的要求越來越高。智能化裝配得到廣泛應用，下面從各個裝配單元、各個流程環節的系統優化展開介紹。

　　從裝配單元來看，基于機器人的生產線裝配主要分為了三大部分，第一部分是共同作業機器人本身的生產線聯動，第二部分是機器人與其他生產信息系統（包括物料、物流等系統）的聯動，這一部分包含裝配機器人和物料供料系統之間的定位聯動。目前已有的形式是通過攝像機等設備接收圖像信號，再對圖像信息進行識別、分析后導出空間坐標信息，這些信息經過總控模塊的判斷，將物料供料系統的坐標系和自己的坐標系關聯起來，從而達到聯動目的。第三部分是車間內為了實現驅控一體化，在多生產線機器人系統間的聯動。該環節通過開展機器人對作業級裝配規劃的自動決策，實現對物料的選取、移動及配送等操作的全面控制和管理。

　　從流程環節來看，針對決策系統，智能化系統功能包括運動控制、工藝規劃；對于控制系統，智能化方向包括對于電機、運動指令的控制；對于純機械執行系統來說，雖然本身不涉及智能，但是也需要應用人工智能算法，對機構進行公差分析、誤差標定補償、尺寸優化設計。

　　基于人工智能的裝配是現代工業領域針對復雜精密產品柔性生產的重要發展方向，是為了滿足工業設備快速迭代、多品種小批量生產計劃的必然選擇。