英特尔中国制造及能源行业 AI 实战手册

概述

  • 在质量监控、产量提升、故障监控、维保预测、能源管理、机械臂控制以及市场分析预估等使用场景中,越来越多的 AI 软硬件产品及解决方案正发挥越来越大的作用,市场前景广阔。 英特尔与众多合作伙伴一起,充分评估一线生产场景的实际状况,一方面为不同场景选择合理的算法,满足检测系统在速度和精度上的需要;另一方面,也推动边缘计算等创新基础设施架构在 AI 应用中的运用,并取得了良好的成效。

author-image

作者

新技术浪潮正推动着工业制造行业飞速革新,并以人工智能 (Artificial Intelligence,AI) 技术为代表,引领着第四次工业革命的进程。这一过程中,信息科技的进步、AI 技术的普及以及 5G 通讯技术的成熟,都将加速人类生产方式的迭代,与信息技术相伴的智力型劳动将大规模代替体力劳动,进而驱动行业实现转型升级。

作为“世界工厂”之一的中国,也正在拥抱第四次工业革命和信息化浪潮,迎接新的机遇与挑战,比如技术与市场的快速变化使传统工业制造、能源生产等企业转型需求加剧,压力与动力并存,且主要体现在以下方面:
 

  • 生产成本的增加:上下游产业的转型升级与环保压力的日益凸显等,使中国制造业成本已经大幅上升。来自波士顿咨询 (BCG) 的报告《全球制造业的经济大挪移》显示,以美国的制造成本为基准指数 100,中国的制造成本已高达 961。 加之经济发展进入新常态后,出口贸易等领域的税收优惠在日益减少,使得无论是中小企业还是大型企业,都面临着生产、管理成本增加的严峻挑战。
  • 市场需求的变化:市场消费需求趋于个性化、差异化、定制化。消费者对于衣食住行的需求,已经快速从“满足温饱”转向对个性定制和差异化的需求,且越来越便利的网购和物流使潮流更迭越来越快。以前单一款式、大批量生产的节奏和模式已难以适应新的消费需求。
     

新的挑战往往伴随着前所未有的机遇。对于目前的工业领域,要缩减成本,就需要优化生产和流通环节,压缩人力成本和开销,提高良品率;要满足个性化定制化需求,就需要更好地控制每一个生产环节,以更细的颗粒度去优化每道生产工艺,用更弹性的方式去运营生产和协调供应链。这些需求,无疑为 AI 在传统工业制造中的应用提供了丰富的场景。

例如,利用机器视觉、智能预测等技术,不仅能使产品故障率大幅下降,且节约原材料,缩短因设备检测带来的停机时间,更能通过自动化检测帮助企业大幅减少人力成本;另外,通过深度学习等 AI 方法构建的产能预测解决方案,还能帮助企业根据生产效率和市场需求的变化,优化生产工艺和排期。

利用 AI 带来的技术革新、生产效率优化以及运营效率提升,不仅可以帮助传统制造企业从容应对成本和市场带来的挑战,加快产业升级,更可以完成从人力密集型到技术密集型的转换,实现“弯道超车”。也是凭借对产业变革的强大驱动力,AI 在工业制造领域的影响正日益扩大。在质量监控、产量提升、故障监控、维保预测、能源管理、机械臂控制以及市场分析预估等使用场景中,越来越多的 AI 软硬件产品及解决方案正发挥越来越大的作用,市场前景广阔。

与其他领域相比,工业制造领域涉足信息化和自动化的历史堪称久远,一般规模以上的工业企业都有自己的 IT 数据中心,并部署有企业资源计划系统 (Enterprise Resource Planning,ERP)、供应链管理系统 (Supply Chain Management,SCM)、客户关系管理系统 (Customer Relationship Management,CRM) 等多个应用系统。但这些用于业务和生产数据的处理手段都有其局限性,在企业实施智能制造的转型中,由于生产流程、产品规格等不确定性的增加,致使其弊端也愈来愈明显:
 

  • 使用成本高:传统信息化、自动化方案一般都是软硬件一体的集成型方案,且只能部署在固定生产线上。一旦产品发生变化,就需要进行大规模改造。同时,方案中的工具和设备也需要专人维护,使成本高启;
  • 灵活性不足:传统信息化、自动化方案基本都是根据特定产品进行开发,灵活性较差。设备在进行部署时,需要对产线进行调整,且对安装位置、尺寸以及参数设定等都有严格要求。一旦产线出现变动,方案的适用性也随之下降;
  • 开放兼容性差:传统信息化、自动化方案往往缺乏数据连通接口。即便有接口,不同厂商的设备之间也缺乏统一标准,无法快速形成数据合力,供模型训练、推理等所用。
     

因此,AI 在智能制造中的运用,需要针对“固定问题”和“通用需求”配备一套市场既有、且经过同行友商验证过的解决方案。而方案的落地,也需要进一步地将计算力 “下沉”,即尽可能将基于 AI 方法的数据处理和分析能力部署到最接近生产一线的边缘侧,打造直接驱动生产力爆发的强劲引擎。

目前,AI 应用在工业制造有两个方向上备受关注,分别是基于机器视觉 (Machine Vision) 的工业辅助检测和基于时序 (Time Series) 数据的智能预测。

得益于图像采集硬件、深度学习算法以及边缘计算等技术的蓬勃发展,基于机器视觉的工业辅助检测目前已在电子制造、汽车、纺织等领域获得了广泛的应用。与人工检测相比,其依托先进的镜头技术和成像技术,以及推陈出新的深度学习、机器学习算法,呈现出多项优势:
 

  • 精度更高:机器视觉具有 256 级,相对于 64 级灰度的人类视觉,无疑识别能力更高,同时还可辨析天体级至微米级的不同目标;
  • 光感更宽:人眼仅可识别 400nm-750nm 范围的可见光,而机器视觉可以轻易地感知红外线、紫外线等不可见光;
  • 速度更快:人眼无法追踪高速物体,而机器视觉系统中的工业相机快门可至微秒级;
  • 数据更丰富:利用机器视觉系统,用户可以留存产线的全部过程数据,方便进行在线和离线分析;
  • 稳定性更高:机器视觉系统没有疲劳,不会出现人工检测中常见的漏检、错检问题。
     

而基于时序数据的智能预测,则能帮助众多制造、能源领域企业提升产能预测、维护性预测以及智能运维等能力,进而增加收益:
 

  • 企业有能力对每台生产设备的生产能力和健康状况作出更精准、更全面以及更细颗粒度的预估;
  • 企业不再是通过事后排障来对生产设备实施检修维护,能有效避免因设备故障停机带来的经济损失;
  • 企业可通过 IT 智能运维,更好释放 IT 资源潜力,助力业务发展。
     

这些优势与收益,让基于机器视觉的工业辅助检测以及基于时序数据的智能预测成为了传统工业制造企业实施智能转型的左膀右臂。这一过程中,来自英特尔的至强® 可扩展处理器平台、OpenVINO™ 工具套件英特尔® 发行版(以下简称“OpenVINO™ 工具套件”)、Analytics Zoo“大数据分析+AI”平台等一系列先进产品与技术,为智能方案成功实施和运行提供了坚实基础。通过这些高性能硬件基础设施和软件框架,企业的生产和运营可以实现从自动化向智能化的转变;面对优化管理和运营问题,企业从“求人”变成“求己”,从“找方案”变成“找数据”,进而生产运营也变得更灵活、更弹性、更智能,有能力在第四次工业革命浪潮中乘风破浪,扬帆远航。

本手册全文目录如下,如欲了解更多详情,可点击链接获取完整文件。