智能制造是实现整个制造业价值链的智能化和创新，是信息化与工业化深度融合的进一步提升。目前智能制造的“智能”还处于Smart的层次，而智能制造的趋势是实现真正地“Intelligent”。
2018年7月17日，2018长三角数据智能合作（上海）峰会在上海国家会展中心隆重举办。本次大会由长三角“三省一市”大数据联盟主办，吸引了全球近千人参会，现场人潮涌动，明星企业、技术大咖云集。
以下是何积丰院士在 2018长三角数据智能合作（上海）峰会上的报告内容，AI报道进行了不改变原意的编辑整理。
智能制造，需要解决的就是将设备与人类共同组成一个一体化的智能系统。通过人与机器的合作，部分取代过去使用劳动力在制造过程中的劳动，把制造自动化的概念慢慢扩展到柔性化、智能化、集成化的这样一个战略目标。
人工智能与制造业的结合，能够产生四个方面的效应：一是提升生产灵活性；二是减少能源消耗；三是改进环境可持续；四是降低产品成本。
智能制造有三个发展阶段，现在多数工业企业的大数据还处在第一个阶段——工厂级与企业级集成。在这一阶段，我们希望能够整合各工厂和企业的制造数据，帮助我们在成本、安全、环境影响方面有提升和改进。第二个阶段，我们希望从工厂级的优化走向“制造智能”。制造智能，我们得到的数据和计算机仿真技术、建模技术相结合，将创建强大的“制造智能”，从而能够实现更加变速与灵活的制造流程、最好的生产率，更快的定制化产品。第三个阶段，智能制造知识激发并改造市场。随着我们制造业智能的发展，将激发智能制造业生产与销售流程、产品以及商业模式等方面的创新。这是我们估计的三个发展阶段。
会上，何院士借助上图，为大家解答了这两个问题。
这张图有关大数据价值链，分成两大部分：第一个是相关支撑技术，第二个是应用领域。从支撑技术方面，我们有数据获取、数据的分析和处理系统、做数据的分析与挖掘。从应用领域来说，行业市场很大，有制造业、智能交通、智能物流、能源、健康、互联网、材料。
在我们智能制造过程中，希望实现设备之间的互联。那么设备互联能给我们带来哪些数据呢？设备互联中的数据量是非常大的。从银行的ATM机，到大量的电子标签，全球有将近50亿台智能手机，38亿人口接触互联网，全球有几千万的智能仪表，每年GPS系统新的增加量超过一个亿。这些都说明设备互联会带来新的数据源。
从人类有历史记录以来到2003年，我们手中整个数据总量是5个PB，每个PB大概是10的15次方大小的数据量。而从2011年开始，每两天能为社会创造5个PB的数据。2013年以后，每过十分钟就产生那么大的数据量，其中工业大数据的占比是最大的。
根据通用的统计报告显示，到2020年，大数据产业给美国GDP的贡献是2%到4%。欧盟GDP增加是2%左右。如，航空作为一个商业部门，如果能够节省1%燃料，成本节省是300亿美元；铁路行业在货运方面提高1%的效率，是270亿美元；石油/天然气，如果在勘探开采方面节省1%支出，就是900亿美元……因此，工业大数据在节约成本，产生经济价值方面是非常可观的。
大数据落地，第一层面要解决数据收集与聚合的问题。其中，很重要的是保障数据安全，因为从物理场景收集到虚拟系统，中间很容易被黑客进入。一旦我们有很多数据以后，可以对数据进行建模，找到相关的规律。基于这些建模可以做一些仿真，对决策与规划提供支撑，并以此为管理者提供互动与应用的平台。
随后，何院士通过九大案例为大家讲解了工业大数据在实际场景中的应用。
第一个是波音飞机。数据源有发动机、燃油系统、液压和电力系统等，通过微秒级发送，每30分钟有10T的数据收集量。不仅解决了实时自适应控制，节省燃油，零部件故障预警等等，而且可以有效实现故障诊断和预测。
第二个是日本Honda关于电动车电池寿命的问题。搜集车辆行驶信息，比如，通过汇总道路情况、车主开车行为、开车时的环境状况等数据，可以设计新一代的电池。据专家估计，中国在新能源车用电池方面，和日本有十年左右的差距。
第三个是宝马在引擎生产线方面通过数据监测与实时分析，有效减少零件报废率。
第四个是通用电器燃气轮机监测。
第一个是在物流方面比较出色的亚马逊。亚马逊从刚开始的网上书店，后来发展为智能库存和物流系统，并大规模采用了机器人。为什么要用机器人？第一，可以提高效率。亚马逊仓库中货物不是分类存储的，是哪有空间包裹就放到哪里，通过电子标签直接告诉仓库包裹的位置。亚马逊仓库过道比较窄，通过采用小型机器人，可以节省约50%的仓储空间。
第二个是在智慧车间方面比较出色的海尔工业4.0、宝马装配车间、西门子等。通过用户大数据，实现个性化生。
我国一些大的企业开始引进MES软件，主要目标是实时监控其生产操作，从而减少缺陷、降低成本、减少能耗。
第一个例子，生产线，主要是减少了信息孤岛，实现了自动化生产过程，逐步减少人工介入。关于生产线上机器人的使用，造成了现在社会上面没必要的恐慌，认为机器人把我们工人饭碗抢掉，这个观点不全面。因为从我们分析看来，机器人只可能是我们人的助手。作为白领来说，增加机器人，无非是增加你的秘书；对于蓝领来说，增加你的徒弟，帮着你干活，不会把饭碗炒掉。
第二个是认知机器人，智能制造需要人类参与。
第三个是流水线的精细化操作。
这两者看似没有太大关系，汽车制造只关心自己产品质量，汽车保险公司关心车险是不是得到了合理应用，但实则不然。
我们知道汽车使用和环境场景有关，我们取了三个产品：第一个是下了大雪，道路上面雪都铺满了；第二场景是早上上班期间；第三场景是在公路上面发生了故障。在三个情况之下，通过汽车传感器要测量操作信息、汽车速度、发动机的负载、相关的零部件磨损情况等等，这个数据量通过二进制代码方式，送到传感器的数据仓库里面。
第一条线跟汽车制造有关。第二条线保险索赔过程当中也有一些数据，这两个数据放在一起就可以做出预测模型，产生一些标准报告来支持我们查询哪类产品在哪种环境下比较好。实际上，这些过程从汽车单位来说能够校准特定市场与故障车之间的相关系统，预测保修成本和召回性。
工业制造材料品质和产品品质是非常相关的，现在，我们更加鼓励使用计算机模型和高级数据分析，加速新材料的设计，这对中国是一个很大的推进作用。
首先我们要在N维的空间建设材料所有潜在微结构。使用微结构的低阶表示，建立可逆的结构数据处理链接。用在材料结构、物质属性、设计过程。最佳的目标，像美国关于多晶态的材料，希望研究非常稳定的多晶态，开发轻质高温结构新材料。比如，轻质高温结构新材料广泛用在大飞机和宇航产品方面。
第一个是关于舰船性能分析和服务推荐。舰船里配备了数据仪表盘，它能够快速的绘制舰船引擎数据可视化图和数据统计图，并根据不同需要可以进行定制化，这些可视化数据方便业务专家分析数据。
在仿真实际天气下进行舰船性能测试，以实现航海服务优化。这些天气、海洋数据进对于造船厂设计船舶是很有意义的，有助于估计和预测海上功率裕度、航行时间、平均速度、综合运行能力等等。
关于资产管理，早期在企业里面比较多的是“响应性维护”，基于我们对内部数据的收集，现在慢慢过渡到“预防性维护”。最后是更高端的“预测性维护”，即根据资产使用和损耗情况预测故障、规划维护策略。
目前，分拣机器人用得比较多了，尤其在大的物流企业。虽然性能是非常优化的，但在物流领域仍未实现普及的主要原因是代价比较高。亚马逊的“Ki VA”（音）机器人每个约30万人民币，相比国内人工的花费还是较奢侈的。
Return to Top ▲
友情链接