人工智能也不斷推進到工業(yè)領域。工業(yè)智能是指利用人工智能技術改造工業(yè)的生產(chǎn)方式和決策模式，達到系統(tǒng)性的降本、增效、提質的作用，是當前工業(yè)發(fā)展的重要趨勢，其實質是實現(xiàn)設計模式創(chuàng)新、生產(chǎn)智能決策、資源優(yōu)化配置和生產(chǎn)過程智能感知等創(chuàng)新應用，使工業(yè)系統(tǒng)具備自感知、自學習、自執(zhí)行、自決策、自適應的能力，以適應復雜多變的工業(yè)環(huán)境，完成多樣化的工業(yè)設計生產(chǎn)任務，提高生產(chǎn)效率和產(chǎn)品質量。工業(yè)智能成為公認的提升制造業(yè)整體競爭力的國家戰(zhàn)略。

工業(yè)智能系統(tǒng)框架

       工業(yè)智能集成了人工智能、工業(yè)互聯(lián)網(wǎng)、大數(shù)據(jù)、云計算和信息物理系統(tǒng)等新科技，使得工業(yè)生產(chǎn)運行更加靈活、高質量、高效率和節(jié)能，其應用前景廣闊。阿里云強大的人工智能“工業(yè)大腦”集成了設備數(shù)據(jù)、產(chǎn)品生命周期數(shù)據(jù)以及相關數(shù)據(jù)等，與行業(yè)知識機制相融合，形成以數(shù)據(jù)、算力和算法三者融合為核心的智能制造技術體系，實現(xiàn)工業(yè)生產(chǎn)的降本、增效、提質和安全。

       當前產(chǎn)品生產(chǎn)所得利潤不僅與制造本身相關，還與市場環(huán)境和產(chǎn)品定位相關，將來的工業(yè)智能技術會涉及更多產(chǎn)品制造相關因素。本文作者研究的人工智能技術結合工業(yè)制造的應用關系如圖所示。

圖為工業(yè)制造過程人工智能技術應用框架示意

       工業(yè)智能包含產(chǎn)品市場需求、物流、生產(chǎn)和產(chǎn)品銷售等環(huán)節(jié)，其中涉及內容包括：在生產(chǎn)時具備的條件，包括人員配置與素質、設備情況、環(huán)境氣候與溫度濕度、各種實時匹配的物料以及動態(tài)能源消耗等；生產(chǎn)過程主要有幾個關鍵環(huán)節(jié)，包括各種相關工藝、精細化的生產(chǎn)管理、工業(yè)互聯(lián)網(wǎng)、物流計劃調度、能效和環(huán)保的要求等；生產(chǎn)過程中提取的工業(yè)大數(shù)據(jù)，再應用人工智能技術對生產(chǎn)過程進行有效控制，其中的關鍵技術包括人工智能的硬件、建模、決策、預測、數(shù)據(jù)、傳感和檢測等，最后形成高效和高質量的產(chǎn)品，以產(chǎn)生良好的經(jīng)濟效益和社會效益。目前工業(yè)智能還沒有形成市場和產(chǎn)品鏈的整體應用，只是在個別環(huán)節(jié)和技術上有些相關的成功探索，主要包括生產(chǎn)過程控制、設備故障診斷與健康預測、對象與質量檢測、物料庫存管理、生產(chǎn)效益分析等。

工業(yè)智能關鍵技術

       本文從實際應用角度將工業(yè)智能的關鍵技術分為硬件、傳感、檢測、數(shù)據(jù)、建模、決策、預測。

       （1）硬件

       人工智能必須依靠算力、算法和數(shù)據(jù)，這些需要硬件為基礎，必須具備專門的圖像、語音等處理能力強、運算速度高的硬件。在分散處理、現(xiàn)場傳感檢測時，通常采用專門的人工智能（AI）芯片作為底層硬件，通常稱為邊緣計算網(wǎng)關。AI芯片按架構體系分為通用芯片CPU和GPU（圖像處理單元）、半定制芯片F(xiàn)PGA、全定制芯片ASIC和模擬人腦的新型類腦芯片；按照應用場景可分為訓練芯片、推斷芯片、終端計算芯片等。人工智能先采用訓練芯片訓練數(shù)據(jù)得出核心模型，接著利用推斷芯片對新數(shù)據(jù)進行判斷推理得出結論，模型和推理也可以從已有的SDK（軟件工具開發(fā)包）中獲取，終端計算芯片主要采用簡單實時性能的邊緣計算控制輸出。

       （2）傳感

人工智能場景中面對豐富多樣和大量的各種數(shù)據(jù)及相關技術，其中絕大部分數(shù)據(jù)來源于傳感器。傳感器能將被測量的各種信息轉變成相關數(shù)字信號，通常需要將電量、物理量、生物量、視覺、味覺、聽覺等進行感知，涉及到感知的精度、速度等。一種新型傳感器的發(fā)明，往往可以開發(fā)出相應的儀器裝置。傳感器分為常規(guī)傳感器和智能傳感器:常規(guī)傳感器可以直接采集轉換處理壓力、溫度、流量、電壓等信號；智能傳感器是具有信息處理功能的傳感器。智能傳感器帶有微處理機，具有采集、處理、交換信息的能力，是傳感器集成化與微處理機相結合的產(chǎn)物。與一般傳感器相比，智能傳感器通過軟件技術可以實現(xiàn)低成本、高精度的信息采集，具有編程自動化、功能多樣化等顯著特點，已廣泛應用于各種視覺、聽覺、物理量和電量等傳感檢測。

       （3）檢測

       工業(yè)智能系統(tǒng)的各個環(huán)節(jié)涉及供應鏈、產(chǎn)品生產(chǎn)質量、設備狀態(tài)、能耗、生產(chǎn)環(huán)境等，這些需要大量的生產(chǎn)前期各種基礎、生產(chǎn)物流、設備和環(huán)境等外界狀態(tài)感知數(shù)據(jù)收集，并進行數(shù)據(jù)融合分析。這些檢測的精度、速度、可靠性、分析能力等性能以及價格決定了生產(chǎn)應用的基礎。目前成品和部件從離線集中式檢測，逐步轉變?yōu)榧庸ぴ诰€、實時、嵌入到生產(chǎn)線及設備內部的檢測；從獨立的感知和檢測轉變?yōu)槎鄠鞲衅鳌⒍嘣悩嫈?shù)據(jù)的融合分析；從當前數(shù)據(jù)狀態(tài)轉變?yōu)閿?shù)據(jù)標準化和溯源。檢測延伸就包含了診斷，當生產(chǎn)過程異常導致產(chǎn)品質量下降或者事故時，利用傳感器采集關鍵設備、生產(chǎn)線運行以及產(chǎn)品質量等獲得各種智能檢測數(shù)據(jù)，進行自動特征提取，采用大數(shù)據(jù)分析、深度學習等方法進行高精度智能診斷及溯源。

       （4）數(shù)據(jù)

       人工智能是建立在強大數(shù)據(jù)分析基礎上的，現(xiàn)在計算機的大容量、高速運算能力和網(wǎng)絡云平臺給大數(shù)據(jù)應用提供了極大的可行性和便利性。大數(shù)據(jù)通常用來形容各行各業(yè)運行過程中發(fā)生的大量不同時序、多元異構的數(shù)據(jù)，往往看起來這些數(shù)據(jù)關聯(lián)性不夠緊密，在關系型數(shù)據(jù)庫中分析時需要花費大量時間和資源進行處理。大數(shù)據(jù)不只是數(shù)據(jù)量大，而且數(shù)據(jù)種類多。要求實時性強。數(shù)據(jù)所蘊藏的價值大。各行各業(yè)均存在大數(shù)據(jù)，但是眾多的信息和咨詢是紛繁復雜的，需要搜索、處理、分析、歸納、總結其深層次的規(guī)律，獲得規(guī)律性、有用的數(shù)據(jù)。

       （5）建模

       建模是認識生產(chǎn)過程對象和控制方法的最基本環(huán)節(jié)，不同產(chǎn)品、生產(chǎn)過程和控制要求涉及的模型差異較大，甚至難以找到相關的模型。特定模型包含工業(yè)生產(chǎn)過程的機制與知識，表達了生產(chǎn)設備、工藝參數(shù)、原材料和產(chǎn)品質量效率間的映射關系，設備或關鍵部件的退化機制，產(chǎn)線運行狀況和工序之間的耦合關系。人工智能控制對象更加復雜和多樣，往往是多輸入多輸出的多變量系統(tǒng)、非線性系統(tǒng)、時變系統(tǒng)。要求控制系統(tǒng)更快、精、復雜時，必須采用狀態(tài)空間法、離散模型、人工智能等理論進行建模和控制。

       （6）決策

       決策包括優(yōu)化、調度和控制等。由于產(chǎn)品、工藝和設備等不同，決策的方式差別很大。復雜工業(yè)生產(chǎn)通常由多工序、多臺套設備和不同加工要求組成，涉及實時市場信息、生產(chǎn)條件以及運行工況，企業(yè)目標、計劃調度、運行指標、生產(chǎn)指令與控制指令一體化優(yōu)化等，需要協(xié)同企業(yè)管理者和生產(chǎn)管理者的知識并進行智能化處理。以ERP和MES變革為人機合作的管理與決策智能化系統(tǒng)，利用監(jiān)測設備和產(chǎn)線運行狀態(tài)的數(shù)據(jù)，借助智能優(yōu)化算法，協(xié)同調度各個生產(chǎn)工序，控制相關的生產(chǎn)設備和工藝環(huán)節(jié)，實現(xiàn)生產(chǎn)全流程的產(chǎn)品質量、產(chǎn)量、消耗、成本等綜合生產(chǎn)指標控制，保證生產(chǎn)全流程的整體優(yōu)化運行決策。自主智能控制系統(tǒng)感知生產(chǎn)條件變化，相互協(xié)同，解決多目標沖突、干涉和多尺度現(xiàn)象，兼顧各種因素和權重影響，制定相應的優(yōu)化決策目標，實現(xiàn)制造與生產(chǎn)全流程全局優(yōu)化。

       （7）預測

       預測技術分為模型方法和數(shù)據(jù)驅動方法，在預測性維護、需求預測、質量預測等方面應用廣泛。預測大多用于智能制造中設備維護，但是預測對工業(yè)生產(chǎn)整體或者其他關鍵環(huán)節(jié)的作用更加重要，比如產(chǎn)品成本價格和質量的趨勢、產(chǎn)品原材料成本和質量的趨勢、產(chǎn)品銷售方式和市場趨勢等，這些比起設備維護的預測可能更加重要。比如最近缺芯事件對汽車產(chǎn)業(yè)的影響、原材料漲價對產(chǎn)品的影響等，其影響遠遠超過制造產(chǎn)品效率的提升。大數(shù)據(jù)技術、云服務技術和人工智能技術的快速發(fā)展促進了預測技術不斷提升。

       預測性維護可利用工業(yè)設備運行數(shù)據(jù)和退化機制經(jīng)驗知識，預測設備剩余正常工況使用時間并制定維修策略，從而實現(xiàn)高效安全運行。需求預測根據(jù)廠商歷史訂單數(shù)據(jù)、市場預測及生產(chǎn)線運行狀況，調節(jié)原料庫存、指導生產(chǎn)出貨進度，進行風險管理并減少生產(chǎn)浪費。質量預測通過產(chǎn)線、原料狀態(tài)及相關生產(chǎn)數(shù)據(jù)分析產(chǎn)品質量，并將生產(chǎn)流程調整為最佳產(chǎn)出狀態(tài)以避免殘次品，數(shù)字孿生技術可以有效促進質量預測。

工業(yè)智能典型應用

       工業(yè)智能已在部分領域進行應用，取得較好的效果，包括智能制造體系途徑、傳感與檢測、設備維護預測，協(xié)作機器人、智能化生產(chǎn)等。

       （1）智能制造體系途徑

       工業(yè)智能由相關的技術體系、途徑與標準化方法架構所組成，李杰、柴天佑等提出了一些系統(tǒng)性的方法來實現(xiàn)人工智能生產(chǎn)體系，并命名為工業(yè)智能，其核心技術包含數(shù)據(jù)技術、分析技術、平臺技術與運籌技術。CPS的5C架構則作為實現(xiàn)這個閉環(huán)功能框架，5C分別代表智能感知層、智能分析層、網(wǎng)絡層、智能認知層、智能決策與執(zhí)行層。CPS集成計算、通信與控制于一體，其意義在于將物理設備連接到互聯(lián)網(wǎng)上，讓物理設備具有計算、通信、精確控制、遠程協(xié)調和自治等五大功能。研制面向特定應用領域的工業(yè)智能系統(tǒng)，使系統(tǒng)的適應性、自主性、效率、功能、可靠安全、感知認知準確性、決策與控制精準優(yōu)化遠超以往的系統(tǒng)。

       （2）傳感與檢測技術

       工業(yè)智能需要使用大量傳感器獲取信息數(shù)據(jù)，在人工智能和一些獨特的需求下，常規(guī)的傳感器的處理速度和能力達不到要求。而人工智能傳感器能夠學習使用環(huán)境、習慣、感知，能夠自我測試、驗證、適應和識別，可以智能分析處理、提供對應的運算，挖掘、保存和傳輸用戶需求的數(shù)據(jù)。

       目前應用最多、最有特色的是工業(yè)智能視覺傳感器，已經(jīng)逐漸形成規(guī)模化的產(chǎn)業(yè)，2D向3D的轉變、靜態(tài)圖像到動態(tài)影像的第四次視覺技術突破，主要包含3D視覺、嵌入式視覺和多元化硬件加速等三大類技術。3D視覺采用了雙目視覺、結構光、ToF技術、線激光掃描技術、光譜共聚焦等技術，主要用于尺寸檢測、定位引導、場景識別；嵌入式技術將用于實現(xiàn)圖像處理和深度學習算法的AI模塊集成至工業(yè)相機，實現(xiàn)邊緣智能控制；多元化硬件可以集成GPU、CPU、FPGA和SoC硬件一起，大大加快了深度學習算法和圖像處理的速度，減少了實現(xiàn)的難度。

       在各種形狀識別、產(chǎn)品與零部件的尺寸、外觀、顏色、光潔度和場景識別等高速檢測中，大大提高了檢測的精度和速度，特別在人臉圖像、復雜結構件等對象檢測中，顯示出巨大潛力。

       （3）設備維護預測

       使用預測平臺對設備的剩余壽命進行預測，該方法要求對設備狀態(tài)和運行過程進行持續(xù)監(jiān)控，分析歷史數(shù)據(jù)（例如機器學習技術）、完整性因素（例如視覺檢測顏色和形狀、磨損、成分、聲音等）、統(tǒng)計推斷方法和工程方法的推理，所以這種方法可以預測設備早期故障，并提供解決方案。機器學習具有強大的數(shù)據(jù)處理能力，可廣泛應用于故障診斷與壽命預測等領域。基于機器學習的剩余壽命預測方法是預測性維護方法的一個重要分支，能夠較為準確地對剩余壽命進行預測，成為維護策略評估的重要指標。

       西門子推出基于工業(yè)大數(shù)據(jù)分析的預測性維護軟件SiePA，在對工廠歷史運行數(shù)據(jù)進行深入分析的基礎上，以人工智能算法為工具，建立了預測性維護系統(tǒng)。ABBAbility船舶遠程診斷系統(tǒng)能實現(xiàn)對電氣系統(tǒng)的預防性連續(xù)監(jiān)測，提供包括故障排除、預防性和預測性服務3個級別的服務，能夠通過更大范圍的預測性監(jiān)測使服務工程師數(shù)量減少70%，維護工作量減少50%。

       （4）協(xié)作機器人

       又稱智能機器人，具有結構靈活性、安全性、感知能力、人機協(xié)作、編程方便等特點，充分發(fā)揮人類智能及機器人效率，掃除了人機協(xié)作障礙；可以大量應用于對靈活性要求較高的密集勞動等場景，協(xié)助承擔復雜的手動工序和負重勞動，擺脫護欄或圍籠的束縛。協(xié)作機器人國外廠商主要包括ABB、KUKA、FANUC、YASKAWA、優(yōu)傲（UR）等，國內有新松、遨博、節(jié)卡、艾利特、里工等公司。

       協(xié)作機器人具有視覺、聽覺、力覺和位置等多種傳感器，需要進行機器人動力學建模、外界交互環(huán)境建模，采用多種智能控制策略，如柔順控制、協(xié)同控制、阻抗控制、協(xié)作控制、動態(tài)行為控制、認知控制等，可以完成助力、叉車、移動和機床上下料等工作。如無人值守協(xié)作機器人，由移動小車和機械臂組成，帶有深度學習視覺模塊，結合XOS人機交互系統(tǒng)，可以替代多個操作工，自動完成加工中心、數(shù)控車床、沖壓機、鍛壓機等多臺機床的一系列上下料工作任務，簡單程序切換，能夠節(jié)約人工成本，提高生產(chǎn)效率。

       （5）智能化生產(chǎn)

       中國已經(jīng)具備較完整的制造業(yè)體系和基礎設施，在全球產(chǎn)業(yè)鏈中具有重要地位。在智能化生產(chǎn)方面也出現(xiàn)一批典型，從智能設計、智能產(chǎn)品、智能裝備、智能生產(chǎn)和個性化定制、智能管理、智能服務等方面推動企業(yè)轉型升級，初步涌現(xiàn)一批典型智能制造示范工程。

       山西智奇鐵路設備公司的高鐵輪對智能制造工廠，實現(xiàn)了“設備網(wǎng)絡化，數(shù)據(jù)可視化，生產(chǎn)過程透明化，生產(chǎn)環(huán)節(jié)智能化”的智能制造頂層戰(zhàn)略規(guī)劃，采用MES核心平臺實現(xiàn)產(chǎn)線智能化，應用RFID管理實現(xiàn)倉庫可視化、透明化，以集控CPS平臺實現(xiàn)生產(chǎn)現(xiàn)場數(shù)字化與可視化，并應用AI人工智能檢測與監(jiān)測、預測維護。

       奇瑞捷豹路虎基于5G的智能制造項目完成三大核心系統(tǒng)建設，建立起SAP企業(yè)管理軟件與解決方案、MES全功能生產(chǎn)過程執(zhí)行管理系統(tǒng)、LES物流執(zhí)行系統(tǒng)和管理模式等一流IT解決方案，建立了企業(yè)工業(yè)互聯(lián)網(wǎng)，產(chǎn)品設計生產(chǎn)生命周期數(shù)字一體化，供應鏈上下游協(xié)同優(yōu)化，具有全生產(chǎn)過程能源優(yōu)化管理，產(chǎn)品全生命周期可溯的質量管控能力，柔性制造的大規(guī)模個性化定制，遠程智能運維服務。

       中車長春軌道客車的高端軌道交通裝備精益化智能制造項目，以中車長客長春高速制造中心和轉向架制造中心為主，打造高端軌道交通裝備智能制造核心模式，實現(xiàn)制造全過程優(yōu)化控制、智能調度、狀態(tài)監(jiān)控、質量管控。該模式持續(xù)推廣至全球5個國家生產(chǎn)基地，覆蓋軌道交通全車型制造及運維業(yè)務，實現(xiàn)快速精準的智能制造管理范式，實現(xiàn)制造全業(yè)務鏈條數(shù)據(jù)貫通和大數(shù)據(jù)體系分析；創(chuàng)新信息技術手段，助力全球制造精益一體化管理；深化應用高級排程，打通供應鏈整體鏈條；實現(xiàn)生產(chǎn)效率、配送效率、能源利用率、一次合格率較大幅度提升，為企業(yè)全球標準化制造業(yè)務提供了基礎。

工業(yè)智能技術難點

       雖然目前工業(yè)智能還只在特殊的方面應用，但已經(jīng)體現(xiàn)良好效果，整體生產(chǎn)過程、關鍵環(huán)節(jié)的應用還存在很多難點，有很大改善潛力和發(fā)展空間，其主要難點在于:

       （1）多源異構數(shù)據(jù)的挖掘與應用

       工業(yè)生產(chǎn)涉及各行業(yè)、不同加工過程、不同環(huán)境和不同市場，表現(xiàn)不完全、無標注、無直接關聯(lián)樣本的動態(tài)特性和多源異構數(shù)據(jù)。如何利用人工智能深度學習進行完全標注大樣本靜態(tài)特性的學習，進而進行歸類、分析、發(fā)掘和多維應用；另外需要采用多源數(shù)據(jù)機器學習，研究現(xiàn)象、問題和效果的知識發(fā)現(xiàn)，這些是工業(yè)智能的基礎和迫切需求。

       （2）多目標整體決策與過程優(yōu)化

       其中包含多層次多尺度決策與控制過程集成優(yōu)化、復雜系統(tǒng)多沖突目標的實施動態(tài)求優(yōu)等。基于各種層次的信息感知，運行決策與控制面向不同時間尺度和空間尺度。制造過程中的智能決策面臨著開放環(huán)境、信息不完全、規(guī)則不確定等難題。制造過程當中難以建立決策仿真模型，同時最終決策需要權衡質量、效率、消耗和市場等多沖突目標，全局最優(yōu)解隨生產(chǎn)條件和運行工況變化，控制系統(tǒng)設定值會隨全局最優(yōu)解變化。

       （3）產(chǎn)品生產(chǎn)全產(chǎn)業(yè)鏈預測

       產(chǎn)品生產(chǎn)最終獲得的是效益，不只是與產(chǎn)品生產(chǎn)的質量和效率有關，往往物流、市場需求更加重要。比如產(chǎn)品原材料和人力資源成本、產(chǎn)品銷售方式和市場趨勢等，這些比起單一的設備維護預測、產(chǎn)品生產(chǎn)質量預測更加重要。比如新冠疫情對相關產(chǎn)業(yè)的巨大影響，某些國家對芯片的封鎖造成缺芯事件、對汽車產(chǎn)業(yè)的影響，經(jīng)濟通脹使原材料大幅漲價對產(chǎn)品的影響等，目前這些都難以建立有效的預測模型，實現(xiàn)較準確的預測控制。

       （4）智能制造裝備

       雖然我國在互聯(lián)網(wǎng)、物聯(lián)網(wǎng)、大數(shù)據(jù)、云計算等數(shù)字化技術以及5G的應用上有一定優(yōu)勢地位，但制造最后的執(zhí)行單元還得是機床設備，我國大部分設備還落后于歐美和日本企業(yè)，比如在工業(yè)機器人、3D打印、大余量高速切削機床、芯片光刻機、高精度測量測試設備等方面存在很大差距。而工業(yè)智能對當前世界的裝備則提出了更高要求，必將是一個極具創(chuàng)新的挑戰(zhàn)過程。

工業(yè)智能發(fā)展趨勢

       從總體上看，目前大部分制造企業(yè)仍處于自動化、數(shù)字化階段，部分龍頭企業(yè)和智能制造試點示范企業(yè)逐步開展智能化應用，人工智能與制造業(yè)融合還處于起步期。2021年后人工智能在制造業(yè)中的6個應用趨勢，現(xiàn)歸納整理如下:

       （1）基于深度學習的機器視覺缺陷檢測，可以通過單目和雙目的2D、3D視覺檢測，分析辨別物體屬性、表面特征、立體特征、運動趨勢等。

       （2）通過機器學習預測設備故障。采用預測剩余使用壽命模型、預定時間段內預測故障的分類模型、異常檢測模型可以標記設備等方式進行預測。

       （3）生產(chǎn)過程的數(shù)字孿生技術，生產(chǎn)過程的實時診斷和評估，產(chǎn)品性能的預測和可視化等。可以設計未來產(chǎn)品、模擬其性能。

       （4）智能制造的生成設計，其思想是基于機器學習的給定產(chǎn)品的所有可能設計選項，根據(jù)約束條件生成獨特設計思想的新產(chǎn)品。具有人工智能的設計生成器和鑒別器，其中生成器網(wǎng)絡為給定產(chǎn)品生成新設計，而鑒別器網(wǎng)絡對真實產(chǎn)品的設計和生成產(chǎn)品進行分類和區(qū)分。

       （5）基于人工智能的能耗預測與優(yōu)化。制造商可以估算能源賬單，了解能源的消耗方式，由數(shù)據(jù)驅動優(yōu)化生產(chǎn)過程能源消耗。

       （6）智能供應鏈。采用機器學習驅動的認知供應鏈管理系統(tǒng)，自動分析庫存、裝運、市場趨勢、消費者情緒和天氣等數(shù)據(jù)，具有需求預測、運輸優(yōu)化、物流路線優(yōu)化、倉庫控制、人力資源規(guī)劃、供應鏈安全、端到端的透明度等功能。

       結合制造業(yè)的發(fā)展現(xiàn)狀和工業(yè)智能的發(fā)展目標，指出工業(yè)智能今后研究方向有:

       （1）復雜工業(yè)環(huán)境下運行工況的多尺度多源信息的智能感知與識別。

       （2）復雜工業(yè)環(huán)境下基于5G的多源信息快速可靠的傳輸技術。

       （3）系統(tǒng)辨識與深度學習相結合的復雜工業(yè)系統(tǒng)智能建模、數(shù)字孿生與可視化技術。

       （4）關鍵工藝參數(shù)與生產(chǎn)指標的預測與追溯。

       （5）復雜工業(yè)系統(tǒng)的智能自主控制技術。

       （6）人機合作的智能優(yōu)化決策。

       （7）智能優(yōu)化決策與控制一體化技術。

       （8）“端－邊－云”協(xié)同實現(xiàn)工業(yè)智能算法實現(xiàn)技術。

結論

       傳統(tǒng)人工智能技術較多應用于大量的、感性的日常生活、社會交流、金融等行業(yè)，取得良好效果。工業(yè)智能用于解決特定工業(yè)問題，不僅需要采用AI算法和AI系統(tǒng)，還需要將人工智能、自動化、工業(yè)互聯(lián)網(wǎng)與各種制造領域知識緊密融合。

       當前人工智能技術正在飛速發(fā)展，也體現(xiàn)出強大的生命力，但是工業(yè)智能的整體技術、關鍵技術仍處于起步階段，工業(yè)和工程界的許多實際難題還沒有得到有效解決，根據(jù)社會發(fā)展需求、科技創(chuàng)新發(fā)展方向，未來研究方向是將工業(yè)智能方法體系服務實際工業(yè)生產(chǎn)并創(chuàng)造更多價值。雖然我國建立了工業(yè)智能相關的頂層設計與政策引導，在制度層面支撐保障體系也不斷完善，但是工業(yè)智能需要大批具有跨學科研究能力的創(chuàng)新型科技領軍人才，也需要大批工程技術應用人才。同時需要加快打造工業(yè)智能示范項目，建設工業(yè)智能公共服務平臺建設，加快發(fā)展工業(yè)智能單項技術，推動各類人工智能要素向企業(yè)數(shù)字化領域集聚，加快工業(yè)智能技術引領，這樣才能使我國在工業(yè)智能的研究與應用走在世界前列，取得巨大的社會和經(jīng)濟效益。

（本文轉自新工業(yè)網(wǎng)。原文刊載于《機床與液壓》2022年5月 作者：唐露新 張儒鋒 姜德志 林建文 周書興）