AGV机器人

智能制造是人工智能技术与机械制造设备的结合，从而诞生了一种工作效率更高的新的生产模式，这就是智能制造技术。总的来说，人工智能更像是一个基础，智能制造是在这个基础上与机械制造相结合的产物，这是两者的一般关系。人工智能的概念最早提出于20世纪50年代，至今已有60多年。但直到近几年，人工智能才迎来爆发式增长，主要是因为物联网、大数据、云计算等技术的日益成熟。物联网使得大量数据能够实时获取。大数据为深度学习提供数据资源和算法支持， 而云计算为人工智能提供了灵活的计算资源。这些技术的有机结合，推动了人工智能技术的不断发展，取得了实质性的进步。与李世石的人机大战，将人工智能推向了风口浪尖，掀起了新一轮人工智能浪潮。近年来，人工智能的研究和应用开始遍地开花。随着智能制造热潮的到来，人工智能的应用已经贯穿于设计、生产、管理、服务等制造业的各个环节。一、人工智能技术的三个层次人工智能技术和产品在过去的几年里经过了实践的检验，目前其应用已经比较成熟， 这促进了人工智能与各行各业的加速融合。从技术角度来说，业界普遍认为人工智能的核心能力可以分为三个层次。它们是计算智能、感知智能和认知智能。计算智能是指机器具有超强的存储能力和超快的计算能力，能够基于海量数据进行深度学习，利用历史经验指导当前环境。随着计算能力的不断发展和存储手段的不断升级，计算智能可以说已经实现。比如利用强化学习技术彻底拿下世界围棋冠军；电商平台基于对用户购买习惯的深度学习，进行个性化的商品推荐。感知智能意味着机器有视觉， 听觉、触觉等感知能力，可以结构化非结构化数据，通过人类交流与用户交互。随着各种技术的发展，更多非结构化数据的价值被重视和挖掘，语音、图像、视频、触觉等与感知相关的感知智能也在快速发展。自动驾驶汽车，著名的波士顿动力机器人等等都采用了感知智能，通过各种传感器对周围环境进行感知和处理，从而有效地指导其运行。与计算智能和感知智能相比，认知智能更加复杂，是指机器和人一样，具有理解、总结、推理和运用知识的能力。目前，认知智能技术仍处于研究和探索阶段。例如，在公共安全领域， 提取和分析犯罪分子微观行为和宏观行为特征，开发犯罪预测、资本渗透、城市犯罪演化模拟等人工智能模型和系统。在金融行业，它用于识别可疑交易和预测宏观经济波动。把认知智能推进发展的快车道，还有很长的路要走。二、人工智能制造业的应用场景从应用层面来看，一项人工智能技术的应用可能包括计算智能、感知智能等多层次的核心能力。工业机器人、智能手机、无人驾驶汽车、无人机等智能产品。本身就是人工智能的载体。他们的硬件结合各种软件具有感知和判断的能力， 并与用户和环境实时交互，所有这些都集成了多种人工智能的核心能力。比如制造业广泛应用的各种智能机器人:分拣/拣选机器人，可以自动识别和抓取不规则物体；协作机器人能够理解并对周围环境做出反应；自动跟料小车可以通过人脸识别实现自动跟料；借助SLAM( and)技术，自主移动机器人可以利用自身的传感器识别未知环境中的特征标记，然后根据机器人与特征标记的相对位置和里程表的读数，估计出机器人和特征标记的全局坐标。无人驾驶技术还在定位、环境感知、路径规划、 行为决策和控制。目前制造业企业应用的人工智能技术主要集中在智能语音交互产品、人脸识别、图像识别、图像搜索、声纹识别、文本识别、机器翻译、机器学习、大数据计算、数据可视化等方面。下面总结了制造业常用的八种人工智能应用场景。制造业中有很多作业需要分拣。如果采用人工操作，速度慢，成本高，需要提供合适的工作温度环境。如果用工业机器人进行智能分拣，可以大大降低成本，提高速度。以分拣零件为例。需要分类的零件通常排列不整齐。虽然机器人有摄像头可以看到零件， 它不知道如何成功地把它们捡起来。这种情况下，利用机器学习技术，让机器人随机拿起一次零件，然后告诉它动作是成功还是空的。经过多次训练后，机器人会知道按照什么顺序拿起零件，成功率会更高。排序时，哪个位置成功率会高一些；知道排序的顺序，成功率会更高。经过几个小时的学习，机器人分拣的成功率可以达到90%，相当于熟练工人的水平。基于对设备运行数据的实时监控，利用特征分析和机器学习技术，一方面可以在事故发生前预测设备故障，减少非计划停机。另一方面，面对突发的设备故障，它能快速诊断故障， 找到故障原因并提供相应的解决方案。它广泛应用于制造业，尤其是化工、重型装备、五金加工、3C制造、风力发电等行业。以数控机床为例，通过机器学习算法模型和智能传感器监测加工过程中刀具、主轴和进给电机的功率、电流和电压信息，从而识别刀具的应力、磨损和损伤状态以及机床加工的稳定状态，并根据这些状态实时调整加工参数(主轴转速和进给速度)和加工指令， 从而预测何时需要更换刀具，以提高加工精度，缩短生产线停机时间，提高设备运行的安全性。 图1基于深度学习的刀具磨损状态预测 (来源:华中科技大学李斌教授)基于机器视觉的表面缺陷检测在制造业中的应用越来越普遍。利用机器视觉，可以在环境频繁变化的情况下，在毫秒级快速识别和分类产品表面更小更复杂的产品缺陷，比如检测产品表面是否有污染物、表面损伤、裂纹等等。目前，工业智能企业已经将深度学习与3D显微镜相结合，将缺陷检测的精度提高到纳米级。对于检测到的缺陷产品，系统可以自动做出可修复的判断，规划修复路径和方法，然后设备执行修复动作。比如PVC管是最常用的建筑材料之一，用量巨大。在生产和包装过程中， 表面划痕、凹坑、水线、凹坑等缺陷类型较多，耗费大量人力进行检测。采用表面缺陷自动视觉检测后，通过设定面积和尺寸最小和最大值，自动检测管道表面杂质，最小检测精度为0.15毫米，检测率大于99%。通过设置划痕长度和宽度的最小值和最大值，自动检测管道表面划痕，最小检测精度为0.06mm，检测率达到99%以上。通过设置褶皱长度和宽度的最小值、最大值、线段长度和色差阈值，自动检测管道表面褶皱，最低检测精度为10mm，检测率达到95%以上。图2 PVC管表面褶皱检测(来源:威视智造) 通过声纹识别技术实现对异响的自动检测，发现不良品，通过与声纹数据库的对比做出故障判断。例如，从2018年底开始，佛吉亚(无锡工厂全面配合集团大数据科学家团队，致力于将AI技术应用于座椅躺椅的NVH性能评估(振动和噪声测试)。2019年，佛吉亚(无锡工厂将AI技术应用于调角器异响检测，实现了从信号采集、数据存储、数据分析到自学习的全过程自动化，检测效率和准确率远超传统人工检测。随着基于AI(人工智能)技术的噪声检测系统在无锡工厂已经投入使用，员工从38人减少到3人。同时，质量控制能力显著提高，年经济效益高达450万元。在产品质量、运营管理、能耗管理、工具管理等方面，制造企业可以应用机器学习等人工智能技术，结合大数据分析，优化调度方式，提高决策能力。比如一汽解放。无锡柴油机厂智能生产管理系统具有收集异常和生产调度数据、基于决策树诊断异常原因、基于回归分析预测设备停机时间、基于机器学习优化调度决策等功能。通过将历史调度决策过程数据和调度执行后的实际生产绩效指标作为训练数据集，利用神经网络算法优化调度决策评估算法的参数，确保调度决策符合实际生产要求。数字孪生是虚拟世界中客观事物的镜像。创建数字双胞胎的过程集成了人工智能、机器学习和传感器数据，以建立一个“真实” 可实时更新、场景感强的模型，支持实体产品生命周期中各种活动的决策。在数字双胞胎的降价建模方面，我们可以把复杂的、非线性的模型放到神经网络中，借助深度学习建立一个有限的目标，基于这个有限的目标对降价进行建模。比如传统模式下，用16核服务器模拟冷热水管出口的流体和热量需要57个小时，降价建模后只需要几分钟。生成式设计()是一个人机交互、自我创新的过程。在设计产品时，工程师只需设定所需的参数和性能约束，如材料、重量、体积等。，在系统的指导下， 并结合人工智能算法，根据设计者的意图自动生成数百个可行方案。然后进行综合比较，选出最佳设计方案推给设计师最终决策。生成式设计是与计算机和人工智能技术深度结合，将先进的算法和技术应用于设计的一门新兴交叉学科。广泛使用的生成算法有:参数化系统、形状文法((SG))、L-系统(L-)、元胞自动机((CA))、拓扑优化算法、进化系统和遗传算法。图3辐条创意设计(来源:安石亚太)基于人工智能技术，建立精准的需求预测模型，实现企业的销售预测和维修备料预测，以需求为导向进行决策。与此同时， 通过对外部数据的分析，基于需求预测，制定库存补货策略、供应商评估、零部件选择等。例如，为了务实地控制生产管理成本，美国本田公司公司我希望知道客户的需求在未来什么时候会发生，所以我根据客户在1200家经销商的销售和维修数据建立了一个预测模型，计算出未来几年返回经销商维修的车辆数量，这些信息会进一步转化为提前为各种零部件准备的指标。这一变化使本田实现了99%的预测准确率，并将客户投诉时间减少了三倍。三。结语目前，随着越来越多的企业、高校和开源机构进入人工智能领域，大量成功的人工智能开源软件和平台涌入，人工智能迎来了前所未有的爆发。但相对于金融等行业，人工智能在制造业的应用场景虽然很多，但并不突出， 而且甚至可以说发展缓慢。原因主要来自以下三个方面:一是制造过程中的数据难以收集、利用和开发，企业的数据库以私有为主，数据规模有限，缺乏高质量的机器学习样本，制约了机器的自学习过程。二是不同制造业之间存在差异，对人工智能解决方案的复杂度和定制化要求很高。第三，缺乏能够引领人工智能与制造业深度融合发展趋势的不同行业龙头企业。只有解决了以上三个问题，人工智能技术才能更好地应用于制造业。来源: