0 引言

    当前，以智能化为核心的新一轮科技产业变革兴起，各国普遍推出以产业智能化为核心的新型制造业发展战略。而随着人工智能技术的发展日新月异，与社会各领域不断融合已经成为大势所趋，正逐步改变现有产业形态、商业模式和生活方式，成为助推工业智能化转型升级的关键燃料^[1]。据Markets报告预计，到2025年人工智能制造市场规模将达172亿美元，预测期(2018-2025年)内的年复合增长率为49.5%；而埃森哲预计2035年，人工智能将使制造业总增长值(GVA)增长近4万亿美元。工业是我国国民经济的主导，我国也积极抢抓以人工智能为驱动的新一轮科技产业变革的机遇，工业智能自然成为了国家及业界高度重视的领域方向^[2]。本文总体包括技术、应用、产业三部分，以全面和深入的视角，从算法层面剖析工业智能的技术本质，通过建立一个相对完善的技术-应用分析体系对行业应用现状特点进行分析，其次阐述了产业影响，最后对全文进行了总结。

1 工业智能的技术内涵

1.1 工业智能算法本质

    人工智能算法是工业智能技术的核心，当前主流人工智能算法包括数据科学(传统机器学习、前沿机器学习)、知识工程（专家系统、知识图谱）两大方向，本质是解决分类和回归两大问题。简单来说，分类是对离散变量进行定性输出，包括图片/语音识别、机器问答与信息检索、虹膜/指纹等生物特征识别等实际问题；回归则是对连续变量进行定量输出，包括股票波动预测、用户需求预测、房价走势分析等实际问题，自动驾驶、AlphaGo等较为复杂的应用则同时包含了分类和回归问题。

    因此，工业需求能否拆分为两大问题(或组合)是工业智能技术实施的必要性前提。工业领域问题包括传统工业问题(非数据技术可解问题)及数据技术可解问题(如图1所示)，其中，传统工业问题如发动机燃烧机理、机床加工极限精度等工业基础理论、制造技术和工艺标准无法通过数据技术解决，更无法使用工业智能技术解决；而数据技术可解问题下的分类与回归问题则是工业智能技术应用范畴，具体地，工业领域分类问题包括故障诊断、产品质量检测等对工业领域图像音频、文字等离散变量的定性输出和类别划分；回归问题包括生产指标软测量、工艺参数优化等对工业领域连续变量进行定量输出，以及一些同时涉及分类与回归方法的复杂工业问题，如自动驾驶机械等。

1.2 工业智能算法-应用分析体系

    我们认为，技术视角下，工业智能即是将工业(人工)智能算法作用在结构/非结构化数据和(或)工业机理/知识/经验等工业智能使能要素中，通过对要素进行分类、回归等本质作用，映射至设计、生产、管理服务等工业环节或场景下，形成智能化应用。

    目前来看，专家系统主要作用在车间调度管理、故障诊断、库存管理等场景；知识图谱主要作用在用户需求分析、商业智能、供应链管理等场景；(传统)机器学习主要应用场景有产品质量检测、工艺指标软测量、过程控制优化等；深度学习等前沿机器学习主要应用场景有预测性维护、智能仿真、生产安全监控等；而无人驾驶机械、智能化设计等复杂应用通常需要多种技术组合进行解决。

    通过梳理典型场景下的算法本质特点与作用范围^[3]，提出了一个工业智能的问题分类框架，如图2所示。

    构造四象限横纵坐标轴，横轴是工业机理(经验)不确定度，与当前工业机理和专家经验的研究积累相关；纵轴为计算的复杂度，是计算机进行数据计算的时间复杂度。由此确定四类算法的大致作用领域：专家系统和知识图谱用于解决工业机理(经验)较为透明、确定的问题，其中专家系统能解决的问题计算复杂度低，知识图谱则相对较高；而机器学习和深度学习通常解决机理、经验模糊的问题，深度学习的计算复杂度更高。

1.3 工业智能技术发展趋势

    一方面，工业智能技术可解问题的“厚度”增加，更多工业场景与问题转化为工业智能可解问题，但本质仍然是分类/回归问题(图1中的趋势1)。通常包含两个步骤，一是工业机理/问题数字化，例如美国的材料自主研发系统ARES，将材料指标参数化后通过随机森林分类决策确定当前对应的最佳参数；二是问题定义，即工业机理/问题的连续/离散化，例如预测性维护存在两种技术思维，早期阶段是基于状态的维护，即将历史数据看作数字信号，基于振动数据数理分析来进行故障判定；工业智能阶段是基于机器学习的维护，将历史数据、故障结果看作一种模式，通过模型训练、验证与部署来得到连续化(设备剩余时间)或离散化(是否可能发生故障)的输出。

    另一方面，工业智能技术可解问题的“宽度”增加，(图1中的趋势2)。当前解决分类和回归问题的根本手段终归是通过暴力的拟合与计算，未来人工智能或将不再局限于依靠强大的算力解决问题，而是以基于先验逻辑的知识工程和数据科学为基础，与类脑智能融合成通用智能，拥有高等的认知能力，变革算法的可解问题类型。

2 典型行业应用模式

    工业智能在不同行业、环节应用部署和效果的差异性较大，流程行业中，钢铁作为传统行业，工业知识和经验丰富，人工智能技术应用较早；少品种大批量离散行业中，汽车是国民经济的支柱产业，大批新技术汇聚，是智能化转型升级的先行阵地；多品种小批量离散行业中，航空作为高端装备领域代表，人工智能应用空间较大。综上，本文选取钢铁、汽车、航空作为三类制造业的代表行业，希望通过研究垂直行业工业智能应用现状和特点，总结工业智能应用基本情况与特点，为其他行业提供参考和指引。

2.1 钢铁行业

2.1.1 行业特点与需求

    钢铁行业产业链较短，是典型流程型生产，多个环节存在人工智能应用需求。其中中游冶炼企业占据核心地位，且信息化、自动化水平较高，智能化转型基础较好，成为了产业链优化的关键。

2.1.2 典型应用

    钢铁行业工业智能主要应用场景如图3所示，主要包括生产环节和商业环节。

    (1)生产环节

    形成了能耗智能管控、设备维护、过程优化和控制等多种应用场景。如日本新日铁开发热连轧精轧设定专家系统，与数学模型结合，对材料成分和各架轧机参数等进行模拟计算。美国大河特种钢铁厂使用机器学习模型来确定维护关键机器和设备的最佳时间，实现预测性维护。中钢集团利用深度学习，对近7 000+批次产品的工艺参数进行数学建模和分析，钢坯质量检测效率提升90%。

    (2)商业环节

    聚焦供应链管理，基于采购、库存、物流等领域特点形成典型应用，包括库存管理、采购管理、物流优化等。比如在供应链风险管理场景，大河钢厂通过大数据技术和机器学习模型打造“废钢指数”，实现废钢采购的需求预测，降低商业风险；在供应链物流优化场景，大河钢厂与人工智能咨询公司Noodle.ai合作，将出站运输的成本降到最低，并优化客户交付窗口，提高物流效率。

    总体来看，钢铁行业的冶炼过程占据核心地位，过程能耗大、设备价值高、冶炼过程原理复杂但过程数据较为完善等特点使其成为了工业智能重点覆盖的领域。百年的冶炼操作使专家具备了丰富的经验，成为了专家系统最先最广泛应用的领域。高炉炼铁复杂的物理化学反应使机器学习等黑箱型算法有了用武之地，并向更加复杂的深度学习技术应用演进^[4]。

2.2 汽车行业

2.2.1 行业特点与需求

    以制造企业为核心，已形成以市场为导向的成熟生产模式。基于以下四个方面原因，需要新兴技术推动改善产业链各环节内容：(1)客户需求逐渐成为汽车生产制造的关键指引；(2)设计仿真环节直接决定生产的效率和结果；(3)行业对生产的柔性化和供应链的及时响应要求逐步升高；(4)产品智能化及服务更是重点领域。

2.2.2 典型应用

    汽车行业工业智能主要应用场景如图4所示。

    (1)产品环节

    主要围绕产品设计、产品智能配套服务、无人化操控展开。如奥地利科学研究院在仿真环节利用深度学习进行风洞实验，节省时间5万倍；德国汽车研究所通过机器学习记录分析产品消耗、磨损等数据，帮助客户解决故障，同时预测磨损；最为广泛认知的就是各大企业基于AI开展无人驾驶汽车探索和研制，抢占未来产品新市场。

    (2)生产环节

    形成了产品质量检测、制造过程优化、辅助诊断与控制等多种应用场景。如西门子、奥迪等基于语音识别、图像识别对车辆与钢板进行质量监测；奔驰宝马等先进车企和配套企业均已基于人工智能等技术，开展全厂优化探索，打造智能工厂。

    (3)商业环节

    聚焦供应链管理优化和用户需求分析等方面应用。如上汽通过建立神经网络模型库和学习优化算法库，实现包括智能流量预测、智能路径规划等解决方案；汽车之家通过AI算法接收用户反馈，并根据反馈深度挖掘用户隐藏需求，实现智能推荐“千人千面”的效果。

    总体来看，汽车的研发、制造、产品智能化与服务均为人工智能的应用提供了大量场景，工业智能应用的环节覆盖最为全面广泛，产品设计仿真优化将是充满潜力的发展方向。以机器学习算法为代表的视觉、语音、数据挖掘类应用占据主要比重，未来随着领域经验的增加和自动驾驶的进一步发展，专家系统、知识图谱甚至类脑智能技术应用也将逐步深化。

2.3 航空行业

2.3.1 行业特点与需求

    航空行业产业链条较长，产品种类少、批量小，按照订单需求进行设计生产，并提供后续服务。产品设计不仅决定整体性能，而且决定了费效比，当前效率低、周期长、费用高；生产制造分散且复杂，影响因素较多，耗费大量人力物力；产品价值高、零件数量多、主尺度大、生命周期长，以上情况均对工业智能的落地应用提出迫切需求。

2.3.2 典型应用

    航空行业工业智能主要应用场景如图5所示。

    (1)产品环节

    主要围绕辅助诊断与预测、产品配置服务优化、智能设计等场景。如美国NASA、日本宇宙航空研究开发机构等航空科研机构针对实际飞船类产品的调度控制、监测和故障诊断研制专家系统。美国联合技术公司将机器学习引入设计过程，大幅提升产品性能和研发效率。惠普发动机公司利用IBM的AI平台实现预测性运维，防止发动机故障导致的飞机事故。

    (2)生产环节

    主要有制造过程优化、智能检测等。制造企业使用基于视觉的机器人，完成面向大部件的装配制造。中国商飞通过AI进行缺陷智能识别及判断，减少人为因素造成的误差，提高检测效率，降低工作强度，最终实现超声检测和评价的自动化、智能化。

    (3)商业环节

    主要围绕风险分析、安全管理、需求预测、运营优化等方面展开，如NASA正在基于AI识别商业航空事件数据中的异常运行，分析潜在的风险问题。国内公安三所、东航等利用AI的视频监控、流量预测、智能推荐等实现机场运行的安全管理、机场和各个运营方资源调配和优化、个性化推荐等服务。

    总体来看，航空装备产品的价值和商业化程度较高，与钢铁、汽车行业相比，产品和商业环节的应用场景更多。专家系统、机器学习等经典人工智能技术应用占据主要比重，深度学习等方法目前多是运用在机场视频监测等通用性领域，随着数据与应用需求的不断提升，前沿机器学习等人工智能方法将会与航空行业机理、知识进一步融合，萌生更多智能应用^[5]。

3 产业发展与趋势

    工业智能产业是支撑新型制造能力的主要技术和产品体系，主要体现在两方面，一是支撑传统产业重点领域，如工业装备、工业自动化和工业软件的智能化升级；二是成为新兴产业环节，如工业互联网平台的核心赋能手段。同时，AI芯片、框架、算法与工业机理模型、数据资源等基础能力扩展使能范围，成为了工业的新型基础能力。

3.1 智能装备

    装备企业、ICT、初创企业，甚至制造企业多类主体同步发力，未来“各司其职”“分庭抗礼”的局势可能形成。装备企业凭借对领域知识的了解，立足自身需求，基于第三方的技术支持丰富产品的强知识属性智能化能力，如发那科利用AI进行机床位移补偿和伺服参数优化。ICT等其他竞争者在视觉、数据服务等行业知识属性较弱的领域具备技术竞争优势，如梅卡曼得等初创企业推出基于3D视觉与深度学习的智能机器人视觉组件。

3.2 工业智能自动化

    人工智能扩展了工业自动化的使能边界，但自动化企业仍可能是未来主导。一方面，其具备数据互联互通的核心优势，熟悉生产控制和工艺流程，通过平台打通不同层级数据；而且是工控网络协议的主导者，能直接获取现场数据采集设备的数据。另一方面，工业自动化企业也在基于AI不断丰富产品功能，维持市场地位，如康耐视推出基于深度学习的图像分析功能，解决复杂的缺陷问题；西门子为PLC增加AI芯片，加速图像等各类数据处理过程。

3.3 工业智能软件

    未来有望形成通用专用两路并行的局面。传统软件企业优势较大，通过不同（自研或引进）方式融合人工智能技术形成研发设计、生产管控等通用支撑，如欧特克为软件叠加AI功能，形成生成式的智能设计；ICT、制造、初创企业则聚焦细分领域及功能，以创新技术形成面向特定行业和场景的单点优势，如德国初创企业KONUX面向设备运维推出了预测性维护软件系统。

3.4 工业互联网平台

    未来工具集成与知识汇聚两类平台将协同发挥作用。一是通过叠加AI工具，为广大中小企业提供智能计算与应用开发，比如微软、阿里等。二是积极积累工业机理模型，为领域巨头提供智能化解决方案，具体包含两类：(1)深耕于某类行业，通过不断评估修正该行业的数据模型，提高该行业服务竞争力，如Uptake积累大量的设备资产模型，聚焦设备预测性维护领域；(2)制造企业在日常生产中将自身经验知识进行提炼和封装，如海尔COSMOPlat。

4 结论

    本文剖析了工业智能的算法本质，基于所提算法-应用映射体系对垂直行业的特点需求和应用模式进行了分析总结，同时对产业发展与趋势进行了展望。总之，AI能解决工业问题的边界是有限的，但其适用范围宽广，对产业产生的影响将是深远的，需要用体系化的方法去应对这次挑战和机遇。同时，由于AI技术和工业制造的不断发展，仍需对工业智能相关技术、应用及产业的最新进展进行跟踪分析，并在后续提出具有针对性的发展策略。

参考文献

[1] 蔡自兴.人工智能产业化的历史、现状与发展趋势[J].冶金自动化，2019，43(2)：1-5.

[2] 孙晓彬.人工智能技术在工业生产中的应用探究[J].现代商贸工业，2019，40(23)：200.

[3] 王哲，安晖.借鉴日本经验推动人工智能与制造业深度融合[J].机器人产业，2019(4)：11-14.

[4] 刘鸿.常用人工智能技术在钢铁领域中的应用概述[J].冶金自动化，2019，43(4)：24-28.

[5] 袁成.人工智能在航空领域应用正向深度和广度扩展[N].中国航空报，2019-08-13(005).

作者信息:

李亚宁1，詹童杰2，刘  迎1，尹扬鹏1，娄照辉1，杨艳冉1

(1.中国信息通信研究院 信息化与工业化融合研究所，北京100191；

2.湖南大学 电气与信息工程学院，湖南 长沙410012)