智能工厂是推动数字经济与实体经济深度融合的关键路径。这已成为世界主要经济体推动经济高质量发展的共同选择。美国、德国、日本成立了工业互联网联盟、工业4.0委员会和产业价值链促进会。同时，他们还提出了先进制造领先战略、工业4.0战略和产业互联战略。人工智能技术作为关键技术与智能工厂不断融合，正在逐步改变现有的产业形态和商业模式，成为推动产业升级的关键技术。根据Automation Technology的预测，到2035年，人工智能将占制造业增加值的2.2%。而根据麦肯锡的报告，在德国，人工智能可以将工业部门的生产力每年提高 0.8% 到 1.4%。

国务院先后出台了《中国制造2025》、《工业和信息化部关于贯彻落实<国务院关于积极推进“互联网+”行动的指导意见》、《国务院关于积极推进“互联网+”行动的指导意见》等一系列政策文件。目的在于驱动工业数字化网络化智能化发展，走具有中国特色的新型工业化道路，建设制造强国。同时国家也将制造业作为人工智能落地的重点行业，在《新一代人工智能发展规划》、《互联网+人工智能三年行动实施方案》、《促进新一代人工智能产业发展三年行动计划》等文件中均提出将工业制造作为人工智能落地的重要领域。

智能工厂是实现传统工业向数字化自动化工业转型的关键路径。作为实现智能工厂关键技术，人工智能技术正在与传统制造技术不断融合，正在逐步改变现有制造业的组织形态和产业形态，成为推动产业升级的关键技术。人工智能技术可应用于智能工厂的5大场景，包括：资产预测性维护场景、流水线管理场景、车间管理场景、管理决策场景和制造过程优化场景。

2.1 资产预测性维护场景

预测性维护是基于传感器采集的设备运行数据，如噪声、振动、温度、压力等，通过人工智能技术分析预测可能的故障点，并自动生成相关的维修建议。技术人员可根据建议提前处理有风险的设备，避免故障风险。预测性维护技术可以提供：

减少计划外故障，提高整体设备效率（OEE），确保连续生产，提高产量；减少维护频率，降低维护成本，缩短维护时间，提高运维效率；减少更换零件，充分利用现有设备，延长设备使用寿命，增加投资回报。

部分工厂结合智能传感器和机器学习算法，利用传感器数据、天气数据、维护日志等传感器以外的数据源构建设备运行模型，减少实际故障的发生几率，优化资产生命周期的维护计划。比如在能源行业，基于机器学习技术，能源供应商可以利用来自电缆的硬件信息、实时性能测量和天气数据来检测和预测电网中断，并主动识别电网故障的可能性。

2.2 工厂流水线管理场景

产品缺陷检测和物体分拣是人工智能技术在流水线中的典型应用。人工智能技术在流水线上的应用，可以实现缺陷检测和物体分拣，提高流水线效率。在缺陷检测场景中，可以利用深度学习技术在频繁的环境变化下检测更小、更复杂的产品缺陷，提高检测效率。通过与3D显微镜结合，可实现毫秒级缺陷识别，支持高速应用并提高吞吐量，解决传统方法无法解决的复杂缺陷检测和定位问题，大幅提升检测效率。

在不规则物体排序的场景下，通过深度学习构建复杂物体的特征模型，实现自主学习，大大提高排序效率。通过结合3D视觉相机，机器人可以自动识别各种材料、形状甚至重叠物体，并确定最佳抓取点。

此外，基于人工智能技术的AGV小车可以基于机器视觉技术，进行3D环境感知，可使AGV小车在夜间、室外、路面崎岖的复杂环境运行，实现产线及仓储场景下的自动物料传送，大大提高工厂的运行效率。

2.3 车间管理场景

在工厂管理的场景中，需要对工厂内工人的工作状态进行监控，规范工人的工作流程，识别安全隐患。工厂可以通过摄像头捕捉生产线上员工的操作行为，利用人工智能技术进行计算分析，判断工人的工序是否达标，从而提高产品质量。

工厂可以使用摄像头捕捉工人的行为和状态，当出现某些不安全因素时，如工人离大型机器太近，或安全配件未正确佩戴时，可以通知系统并提醒工人在危机发生前处理好，有效降低发生事故的概率与工作环境中的事故。

2.4 管理决策场景

在供应链风险管理场景中，企业通过收集供应链各个环节中的企业内部与外部的知识数据，包括物流数据、产品数据、商品流通数据、采购数据等，通过知识图谱技术，构建企业的供应链知识图谱，实现供应链风险的预测与管理。

在融资风险管控场景中，可以通过收集企业的控制人/合伙人、竞争关系、业务关系等数据，形成融资风控知识图谱。通过知识图谱构建企业的各种复杂关系信息，实现对金融风险的预测与管理，降低可能的风险与损失。此外，通过知识图谱技术还可以与数据分析相结合，为企业内部的提供决策和流程优化的建议，提高公司的决策效率。

2.5 制造流程优化场景

企业可以采用人工智能的方法，对设备运行、工艺参数等数据进行分析，找出最优参数，可以大大提高运行效率，降低能耗，提高制造质量。在调度与生产管理场景中，企业可以通过专家系统生成调度指令，动态进行调度处理，执行制造能力计划、库存管理等与制造过程相关的管理任务。例如，某制造商在航空发动机制造过程中使用智能算法优化生产线设计，辅助制定和优化生产计划流程，通过智能制造技术提高生产力。

为了实现智能工厂中的人工智能不同场景下的各种需求，其基础就是各种工业数据的采集和网络传输，模型的训练和推理，各种安全要求以及硬件算力上的要求。因此，工业数据采集技术、工业数据传输网络、人工智能算法模型、安全性以及硬件算力的要求成为实现工厂智能的关键。

3.1 工业数据采集技术

数据是智能工厂的核心，通过工业数据全周期的应用，实现机器弹性生产、运营管理优化、生产协同组织与商业模式创新，推动工业智能化发展。

工厂内部网络包含连接管理信息系统的IT网络和连接现场控制与监测系统的OT网络。传统OT网络多采用工业总线技术，标准多样并且技术较为封闭，相对而言IT网络标准则较为统一且开放。这使得OT网络与IT网络的对接与数据采集变得困难。因此如何解决工业采集问题成为打通OT网络与IT网络的关键。

为了能够实现工业数据采集，采集设备需要集成各种主流的工业协议（如：Modbus、OPC DA/UA、Profinet等），适配不同工业设备接口，实现通信协议的解析与转换。

3.2 工业数据传输网络

为了更方便地实现OT与IT网络的互通，以及实现全流程的数据流转与智能化生产，IP化与无线化已成为智能工厂内网络技术发展的趋势。通过IP技术可以实现从现场级、过程测量与控制级、管理级、企业级网络技术的统一，完成“e网到底”的技术目标 （如图1所示）。

工业以太网由于应用的广泛性和技术的先进性，已经成为过程控制领域中上层信息管理与通信的主流技术，比如Profinet，Ethernet/IP，Modbus TCP以及OPC UA/DA等，迅速替代原有的现场总线技术。

同时，随着5G网络的大规模部署，5G网络在工厂中的应用也越来越普遍。5G是一种超连接技术，可实现超可靠的低延迟通信 (URLLC)、增强型移动宽带(EMB)和海量机器类型通信 (mMTC) 。通过5G网络可以实现在工厂内部随时随地的网络接入，并可以实现海量设备，海量数据的高速，低时延接入。通过5G和边缘技术的结合，可以将AI技术延伸至工厂的各个部分。

3.3 人工智能算法/模型要求

智能工厂下的人工智能算法/模型需要根据各个工厂的具体情况和数据进行定制化的训练和部署。因此，人工智能模型的全生命周期的管理对于智能工厂是非常重要的，其中包含数据的预处理，模型的训练，模型的推理，模型的部署。

数据预处理：首先需要确保用于模型训练的数据集的质量，这些数据需要包含需要检测的模式特征，并且具有足够高的信噪比。其次，需要对数据进行数据验证（例如类型、格式、范围、一致性）、转换（例如单位、时区）、对齐（例如时间戳的对齐以及语义层面的对齐）、降噪（例如平滑）、缺失数据处理、数据降维处理等。最后，需要对数据进行标注，以便于监督学习模型的训练。数据预处理的处理必须在模型训练和推理阶段保持一致，以确保在模型训练和推理期间使用的数据内容和格式相同。

模型的训练：模型的训练需要大量的数据，并根据智能工厂不同的应用场景和数据类型（比如视频/图片，自然语言，时序数据等）选择合适的算法或模型（深度学习模型，传统机器学习算法，知识图谱，时序数据模型等）。模型训练需要大量的计算资源，因此通常在云端服务器中进行，并根据业务需求进行模型的迭代更新。模型训练所需要的数据可以是在线获取的，也可以是离线获取的，这取决于模型迭代的频率。

模型的推理：相对于模型训练，模型推理过程不需要大量的数据，但在不同场景下对于推理的时延要求不同。工厂流水线场景以及车间管理场景中的部分应用对时延要求较高，时延要求可以到毫秒级，比如缺陷检测，工业机器人控制等。而对于预测性维护以及制造流程优化等场景，则对时延不敏感，时延可到秒级。因此，对于时延敏感场景，模型的推理建议在边缘端进行，而对于时延不敏感的场景，模型的推理任务可以在云端服务器进行。

智能工业AI模型推理有2种运行模式：批处理模式和实时模式。在批处理模式下，AI模型会定期或按需进行调用，比如文本数据及流程优化场景等；而实时模式下，AI模型会由新的实时流数据的到来而触发，比如视频流数据及时序数据等。在某些场景下，会同时使用这两种模式。模型的部署：模型在云端服务器完成训练后，需要部署到云端的推理服务器或者边缘侧服务器/终端。由于推理侧服务器/终端的硬件能力的差异，需要针对不同的硬件/软件环境对模型进行适配处理。特别是对于边缘侧的终端，由于算力的限制，为了保证模型推理的实时性，应对模型进行裁剪/蒸馏处理，在保证精确度的前提下，减低时延。

3.4 安全性要求

随着人工智能技术的大规模应用，人工智能的安全性已得到越来越多的关注，特别是在智能工厂领域，在一些场景下，比如流水线控制，对于错误的容忍率很低，准确率要求达到99.9%或者更高，此时模型的鲁棒性就显得非常重要。同时，随着联邦学习应用越来越广泛，需要保证各个边缘设备间协同模型训练方式的安全性以及模型参数共享的安全性。

在部分场景下，AI模型可能具有自学习能力，可以在运行时通过收集新的数据不断训练并进行参数更新。在这种情况下，将通过自学习产生的模型应用到可能影响机器运行或流程操作的环境中，必须实施严格的验证以防止安全隐患或者意外结果的发生。

随着AI模型和数据采集在边缘侧的部署，工业数据和工业网络的安全性也需要得到重视。应确保工业网络安全，确保边缘侧与云端服务器间网络的传输保护与边界网络隔离。对于数据安全，应进行数据防泄漏，数据加密以及数据备份，保证数据在传输与存储过程中的安全。

此外，为了防止AI模型的训练数据被人为操控或投毒，同时也便于审计和防御，需要捕获和记录人工智能使用的数据的历史和来源。数据来源是可信人工智能的核心要素之一。需要显示数据的来源及其完整的系统到系统 “监管链”，并跟踪训练数据、模型/算法和决策过程，以支持审计和问责制的确定。

3.5 硬件算力要求

随着深度学习技术的出现，现代人工智能的数据需求越来越大，随之而来的是对计算能力要求的激增。在训练阶段，由于现在采用的方式主要是在云端服务器离线训练完模型后，再部署到推理服务器的方式，因此现有的GPU已可以满足要求。在推理阶段，分为云端推理与边缘侧推理。对于云端推理，由于实时性要求不高，因此GPU也可以满足需求，但对于边缘侧推理，现有的智能工厂的应用场景主要是实时监测和实时控制等高实时性业务为主，因此对推理的实时性要求极高，需要在几毫秒至几十毫秒级别，现在的GPU方案已难以满足要求。为了满足工业场景下的实时性要求，满足边缘侧推理要求的专用FPGA方案已成为趋势。

如今，人工智能已广泛嵌入到智能工厂各个领域的应用中，帮助企业实现各种智能化应用，并深刻改变工厂的运作方式和为企业创造价值的方式。随着硬件算力的提高，更庞大的训练数据，以及算法的日益复杂化，将导致更智能的人工智能能够执行越来越具有挑战性的任务。同时，人工智能的实时性，可解释性，鲁棒性以及安全性也得到业界越来越多的重视，若这些问题可以得到很好的解决，未来人工智能技术将在智能工厂中得到越来越广泛的应用。

来源：企业信息化规划，作者：天翼物联科技有限公司 李洁，如有侵权，请联系删除。