1.2 工业智能概述

1.2.1 工业智能的概念

近年来，随着新一代信息技术的快速发展，人工智能的浪潮正在席卷全球。机器学习和深度学习是目前人工智能领域最先进的技术，也是人工智能的核心技术。机器学习（Machine Learning，ML）是人工智能的子领域。机器学习理论主要是设计和分析一些让计算机可以自动学习的算法。深度学习（Deep Learning，DL）属于机器学习的子类。它的思想来源于人类大脑的工作方式，是利用深度神经网络来解决特征表达的一种学习过程。如果你第一次接触的机器学习方法就是深度学习，那你可能会发现深度学习就像一把“锤子”，而所有的机器学习问题看起来都像是“钉子”。因此，机器学习是实现人工智能的一种技术，而深度学习是机器学习的一个研究方向。三者的关系如图1-9所示。

由图1-9可知，人工智能的研究领域很广泛，机器学习只是其中的一个分支，同时深度学习也只是机器学习的一个分支。人工智能的研究领域主要包括机器学习、专家系统、进化计算、模糊逻辑、计算机视觉、自然语言处理、推荐系统等。随着科学技术的快速发展，人工智能的研究领域越来越丰富，促进了各行各业的飞速发展，制造业就是其中一个。

人工智能在制造领域的应用称为工业智能，它是制造业向数字化、网络化、智能化转型发展的重要内容。随着人工智能技术的快速发展，结合机理模型、工程知识及工业大数据积累，形成制造领域的人工智能模型，并与工业软件、工业互联网平台集成，形成一系列融合创新的技术、产品与模式。人工智能赋能制造业，将提升生产效率、改善产品质量、降低生产成本，典型的应用场景有智能产品与装备、智能工厂与生产线、智能管理与服务、智能供应链与物流、智能研发与设计、智能监控与决策等。工业智能将促进制造业产业模式发生革命性的变化，重塑制造业价值链，极大地提高制造业的创新力和竞争力。

为了提高制造业的核心竞争力，许多国家提出了相关战略，提升工业智能化水平成为全球共识与趋势，如德国的“工业4.0”、美国的“工业互联网”和“中国制造强国战略”等。随着这些战略的提出和推进，人工智能技术与制造业不断融合，使制造业呈现出新的制造范式—智能制造。智能制造可以让企业在研发、生产、管理、服务等方面变得更加“聪明”，它的应用能够使制造业企业实现生产智能化、管理智能化、服务智能化与产品智能化。

人工智能技术经过多次的技术变革与规模化应用的浪潮，从早期的专家系统逐渐发展到当前火热的深度学习，其理论和技术日益成熟，应用领域也不断扩大。同时随着硬件计算能力、软件算法、解决方案的快速进步与不断成熟，工业生产逐渐成为人工智能的重要探索方向，工业智能应运而生。

工业人工智能是由人工智能技术与工业融合发展形成的，贯穿于产品设计、生产、管理、服务等各环节，实现模仿甚至超越人类感知、分析、决策等能力的技术和方法。可以认为，工业智能的本质是通用人工智能技术与工业场景、机理、知识结合，实现设计模式创新、生产智能决策、资源优化配置等应用。工业智能需要具备自感知、自学习、自执行、自决策、自适应的能力，以适应时刻变幻的工业环境，并完成多样化的工业任务，最终达到提升企业洞察力、提高生产效率、改善产品性能等目的。

CPPS的核心使能技术如图1-10所示。当前，第四次工业革命和产业变革蓬勃兴起，其核心内容是工业经济数字化、网络化、智能化。作为助力本轮科技革命和产业变革的战略性技术，以深度学习、知识图谱等为代表的新一轮人工智能技术呈现出爆发趋势，工业智能迎来了发展的新阶段。通过海量数据的全面实时感知、端到端深度集成和智能化建模分析，工业智能将企业的分析决策水平提升到了全新高度。随着工业智能技术与领域知识融合的不断加深，其将更加贴近行业实际需求。

1.数据技术

在第四次工业革命之前，人们依靠手工方法来收集数据，效率极低，极易受到人为错误的影响，无法提供操作的实时性。随着制造业竞争格局的变化，自动化收集数据对于未来的成功至关重要。例如，通过传感器对工厂车间进行检测，可以从设备捕获不同类型的信号，如切削力、振动、音量、温度、电流、压力等。数据可以是静态的（如机器ID、过程参数、作业ID等，即主要的背景信息）或动态的（如机器运行状况、库存水平、资产利用率等）。数据可以在组件级别、机器级别或车间级别生成，并且可以大致分为结构化数据和非结构化数据。数据技术的目的是实时高效地跟踪、控制和记录大量、多样的制造数据流。数据的通信和管理也已成为工业智能数据技术的重要组成部分。数据通信技术应具有高数据传输速率、低等待时间、高可靠性、高安全性、精确的可追溯性和可扩展性的特征。

2.分析技术

如今，许多企业已经在数据采集设备上进行了大量投资，从而获得和存储了大量的过程数据。之后重要的是要知道如何处理所收集的数据。分析是指将统计方法和其他数学工具应用于这些数据流以评估和改进实际生产过程。通过分析，企业可以观察生产过程中微小的变化，并超越精益生产计划。分析技术可以将生产过程细分为具体的任务或活动，以识别表现不佳或导致瓶颈的环节/组件。数据驱动的建模可以使企业发现制造系统中的隐藏模式，未知关联和其他有用信息，并将获得的信息与其他技术集成在一起，从而提高生产率和创新能力。除了数据分析之外，数据可视化工具也是分析技术的重要组成部分。如果无法将结果清晰有效地传达给工作人员，那么数据分析提供的最新实时信息将是一种浪费。易于解释且易于使用的图形、图表和报告使企业、可以更轻松地理解分析的数据，跟踪重要指标并评估距目标的距离。获得相关性和来自制造系统的其他有用信息，并将获得的信息与其他技术集成在一起，以提高生产率和创新能力。除了数据分析之外，数据可视化工具也是分析技术的重要组成部分。

3.平台技术

平台是指在工业环境中扮演着应用程序支持角色的硬件或软件，如连接设备、数据处理（收集/提取、存储、分析和可视化）软件，并将处理好的数据传给最终的应用程序。平台在工业智能概念中处于中心地位，提供开发每个行业独有的以应用程序为中心的功能所需的工具和灵活性。平台有助于协调、集成、部署和支持各种技术，如数字孪生、数据存储、整个车间的连通性、边缘智能、机器人技术集成等。

4.运营技术

基于分析得出的信息，运营技术与其他技术结合，旨在通过诸如产品生命周期管理、企业资源计划、制造执行系统、客户关系管理等系统来实现企业控制和优化。

1.2.2 工业智能的分类

1.工业机器视觉

计算机视觉和机器视觉通常被认为是同一个概念。计算机视觉广义上是指图像的捕获和自动化处理，并着重于在广泛的理论和实际应用中的图像分析功能。计算机视觉系统使用软件来完成识别功能。该系统可以根据发现来触发各种设定的动作。计算机视觉和机器视觉的联系与区别如下图1-11所示。

（1）信号处理。

信号处理包括处理电子信号（如消除噪声）、提取信息，然后将其输出到显示器或准备进一步的处理。可以处理的信号，包括模拟信号、数字信号、频率信号等。图像也可转换为信号，用机器人视觉来进行处理物识别。

（2）计算机视觉和图像处理。

计算机视觉和图像处理的目标不同。图像处理技术主要用于改善图像质量，将其转换为另一种格式（如直方图）或准备进一步的处理。而计算机视觉技术关心从图像中提取有用的信息。例如，可以使用图像处理技术将彩色图像转换为灰度图像，然后使用计算机视觉技术检测该图像中的对象。

（3）模式识别与机器学习。

为了能够从其图像识别对象，软件必须能够检测其看到的对象是否与先前的对象相似。因此，机器学习是计算机视觉与信号处理的父项。

但是，并非所有的计算机视觉技术都需要机器学习。你可以对不是图像的信号使用机器学习。实际上，这两个领域通常是这样组合的：“计算机视觉”从图像中检测特征和信息，然后将其用作机器学习算法的输入。例如，计算机视觉会检测传送带上零件的尺寸和颜色，机器学习会根据零件的外观知识来判断这些零件是否有故障。

（4）机器视觉。

“机器视觉”与之前的术语完全不同。它指特定的应用程序，而不是技术。机器视觉是指视觉在工业上用于自动检查、过程控制和机器人引导的用途。机器视觉属于工程领域术语。

在某些方面，机器视觉可以被视为计算机视觉的子代，因为它使用了计算机视觉和图像处理的技术和算法。但是，尽管它被用于引导机器人，但它与机器人视觉并不完全相同。

（5）机器人视觉。

机器人视觉融合了前述术语中的所有技术。在很多情况下，机器人视觉和机器视觉可以互换使用。但是，有一些细微差异。某些机器视觉应用程序（例如零件检查）与机器人技术无关零件仅放置在寻找故障的视觉传感器前面。

此外，机器人视觉不仅属于工程领域的术语，更是一门具有自己特定研究领域的科学。与计算机视觉不同，机器人视觉必须将机器人学的各个方面科学理论纳入其技术和算法中，例如运动学、参考系校准及机器人对环境产生物理影响的能力。视觉伺服是可以称为“机器人视觉”而不是“计算机视觉”技术的完美求示例。它可以通过使用视觉传感器检测机器人位置反馈来控制机器人的运动。

以上各类技术的输入量与输出量对比如表1-1所示。

2.计算机视觉

计算机视觉是使用计算机及相关设备来模拟生物视觉系统的工作机制，使计算机能像人那样通过视觉观察和理解世界。它的主要任务就是通过对采集的图片或视频进行处理以获得相应场景的三维信息，使机器具有自主适应环境的能力。

计算机视觉的研究很大程度上是针对图像的内容，包括图像处理和模式识别。除此之外，它还包括空间形状的描述、几何建模及认识过程。实现图像理解是计算机视觉的终极目标。

（1）图像处理。

图像处理技术是指将输入图像转换成实际要求的一幅图像。图像处理技术一般包括图像压缩，增强和复原，匹配、描述和识别3个部分。其主要采用的方法是图像变换、图像编码压缩、图像增强和复原、图像分割、图像描述和图像分类（识别）等。在计算机视觉中主要借助图像处理技术来进行预处理和特征抽取。

（2）模式识别。

模式识别技术是指根据从图像中抽取的统计特性或结构信息，将图像分成一定的类别。日常生活中常见的模式识别是文字识别或指纹识别。在计算机视觉中主要将模式识别技术用于对图像中的某些部分进行识别和分类。

（3）图像理解。

图像理解即是对图像的语义理解。它是以图像为对象，知识为核心，研究图像中有什么目标、目标之间的相互关系、图像是什么场景，以及如何应用场景的一门学科。图像理解除了需要复杂的图像处理以外，还需要具有关于景物成像的物理规律的知识，以及与景物内容有关的知识。

随着计算机视觉和人工智能学科的发展，相关研究内容不断拓展、相互覆盖，图像理解既是对计算机视觉研究的延伸和拓展，又是人类智能的研究新领域，渗透入人工智能的研究进程。近年来计算机视觉已在工业视觉、人机交互、视觉导航、虚拟现实、特定图像分析解释及生物视觉研究等领域得到了广泛应用。

计算机视觉是人工智能的“眼睛”，是感知客观世界的核心技术。进入21世纪以来，计算机视觉领域蓬勃发展，各种理论与方法大量涌现，并在多个核心问题上取得了令人瞩目的成果。但是目前的计算视觉技术仍然具有一定的局限性，如可解释性差、对图像数据质量依赖大。但是随着信息技术的快速发展，计算机视觉技术将更加成熟。例如，目前5G速度快、容量大，其就给计算机视觉人工智能构建了一个更高的平台。

3.工业自然语言处理

目前我们正处于大数据时代，数据量以指数级的速度倍增，但是工业中大部分数据来源广泛，结构复杂，其中仅有少部分数据是以结构化的形式存储的。大部分数据主要是以图片、视频的形式存在，而这种方式却是高度无结构化的，工业中的系统和程序无法理解和应用这类数据，因此需要开发一种新技术能够使系统和应用程序能够理解各类数据。

自然语言处理（Natural Language Processing，NLP）是计算机科学与人工智能领域中的一个重要研究方向。它是一门融语言学、计算机科学、数学于一体的科学。自然语言处理的目标就是开发能够理解人类语言的应用程序或服务，其利用计算机对自然语言的形、音、义等信息进行处理，即对字、词、句、篇章的输入、输出、识别、分析、理解、生成等的操作和加工。它对计算机和人类的交互方式有许多重要的影响。自然语言处理的研究与应用是核心问题，其架构如图1-12所示。

NLP架构主要由NLP数据、基础、技术和应用组成，且层层递进。从系统底部收集到各类数据，这些数据经过词法分析、句法分析、语义分析等处理之后采用相关的搜索、识别和理解技术，使系统软件能够理解并应用这些数据。从图1-12可以看出，NLP的研究体系越来越丰富，技术越来越成熟。但是自身还是存在一定的局限性，如过分依赖数据、句法的模糊性等。

4.工业知识图谱

目前大部分研究还处于弱人工智能状态，如利用机器学习和深度学习的算法训练出的模型，更像是一个具有统计知识的机器，智能化程度并不高。真正的人工智能应该像人一样，具有分析和推理能力。目前知识图谱正致力于实现这个目标。

知识图谱技术是人工智能技术的重要组成部分，其本质上是一种大规模语义网络，它包含了各种各样的实体、概念及语义关系。知识图谱的技术体系如图1-13所示。

知识图谱技术体系主要依托知识建模、知识抽取、知识融合、知识存储和知识计算五大关键环节，已形成较为成熟的技术体系。知识建模是建立知识图谱的概念模式的过程，通常采用自顶向下或自底向上两种方式。知识抽取是从不同来源、不同类型数据中进行提取，形成知识存入到图谱的过程。知识融合是将不同来源的知识进行对齐、合并的过程，形成全局统一的知识标识和关联，包含数据模式层的融合和数据层的融合。知识存储包括单一式存储和混合式存储两种方案。对于知识存储介质，可以分为原生（如 neo4j、allegrograph等）和基于现有数据库（Mysql、Mongo等）两类，目前尚无统一的存储方式，需要根据自身特点选择特定方案。知识计算是工业知识图谱能力输出的主要方式，以图挖掘计算和知识推理为代表。其中，图挖掘计算基于图论实现对图谱的探索与挖掘；知识推理包括基于本体的推理和基于规则的推理，一般需根据业务特征进行规则定义，并基于本体结构与所定义的规则执行推理过程并给出结果。

目前知识图谱技术体系已较为成熟，在工业领域具有通用性。知识图谱技术提供了一种更好的组织、管理和理解互联网海量信息的能力，将互联网中的信息表达成更接近于人类认知世界的形式。因此，建立一个具有语义处理能力与开放互连能力的知识库，可以在智能搜索、智能问答、个性化推荐等智能信息服务中产生应用价值。如果未来的智能机器拥有一个大脑，知识图谱就是这个大脑中的知识库。它对于大数据智能具有重要意义，将对自然语言处理、信息检索和人工智能等领域产生深远影响。

5.工业无人系统

科学技术的进步拓宽和提升了人类认识世界、改造世界、利用世界的能力。机械化、电气化拓展和提升了人类的体能，信息化、智能化提升了人类的智能。无人系统将机械化、电气化、信息化、智能化融合为一体，将推动生产方式发生深刻、颠覆性的改变。

21世纪以来，无人系统快速发展，从空中到深空，从陆地到海洋，从物理系统到信息系统，各种类型的智能无人系统大量涌现，如无人机、无人车、无人舰船、无人潜航器，各种无人机在工业、农业、物流、交通、教育、医疗保健、军事等领域得到了广泛应用。对于制造业而言，无人工厂就是典型的例子。大量机器人和高端智能设备的使用使现在很多工厂中需要工人参与工作的环节变少，信息物理系统的应用使制造系统具有感知、认知和自我调节的功能。随着人工智能技术的快速发展，无人工厂的数量逐年增多，如成都的西门子无人工厂。该工厂的生产设备可以自主处理75%的工序，只有剩余1/4的工作需要人工完成。自建成以来，工厂的生产面积没有扩大，员工数量也几乎未变，产能却提升了8倍，平均1秒即可生产一个产品。同时，产品质量合格率高达99.9985%，可以看出无人工厂极大地解放了人类，同时也保证了产品质量。

无人系统正在成为新一轮科技革命和产业变革的重要着力点。目前，无人系统的发展尚处于初级阶段，还在不断发展和完善中。