2025年北京公需课《人工智能赋能制造业高质量发展》试题及答案

2025年北京公需课《人工智能赋能制造业高质量发展》试题及答案一、单项选择题（共15题，每题2分，共30分）1.以下哪项不属于人工智能与制造业融合的核心技术？（）A.计算机视觉B.数字孪生C.工业机器人D.自然语言处理2.根据《“十四五”智能制造发展规划》，到2025年，规模以上制造业企业关键工序数控化率目标为（）。A.50%B.60%C.70%D.80%3.在制造业质量检测中，基于深度学习的视觉检测系统相比传统机器视觉的核心优势是（）。A.硬件成本更低B.可自主学习复杂缺陷特征C.检测速度更快D.无需光照环境控制4.工业互联网平台的“边缘层”主要承担的功能是（）。A.数据存储与分析B.设备连接与数据采集C.应用开发与服务D.用户交互与界面设计5.以下哪类企业最适合通过人工智能实现“预测性维护”？（）A.服装加工企业（设备故障影响小）B.半导体制造企业（设备停机损失高）C.食品包装企业（设备标准化程度高）D.家具制造企业（设备操作依赖人工）6.数字孪生技术在制造业中的典型应用场景是（）。A.实时监控生产线能耗B.模拟产品全生命周期运行状态C.优化原材料采购计划D.自动化生成工艺流程图7.2023年中国智能制造市场规模约为（）万亿元。A.2.1B.3.2C.4.5D.5.88.以下哪项是人工智能驱动制造业服务化转型的典型模式？（）A.基于传感器数据的设备远程运维B.自动化生产线的批量生产C.原材料采购的智能比价系统D.车间环境的智能温湿度控制9.在工业机器人领域，“强化学习”技术的主要应用是（）。A.提高机器人重复定位精度B.让机器人通过试错优化操作策略C.增强机器人抗干扰能力D.实现多机器人协同路径规划10.根据《智能制造能力成熟度模型》（GB/T391162020），企业从“单元级”向“系统级”进化的关键标志是（）。A.单一设备实现自动化B.跨部门数据互联互通C.全流程智能化决策D.引入AI算法优化生产11.以下哪项不属于制造业AI应用的伦理风险？（）A.数据隐私泄露B.算法歧视导致质量误判C.工人技能结构变化D.设备能耗增加12.海尔卡奥斯工业互联网平台的核心定位是（）。A.聚焦3C电子行业的垂直平台B.面向中小企业的轻量化SaaS服务C.跨行业跨领域的共性技术赋能平台D.专注海外市场的出口型平台13.在AI驱动的生产排程中，“约束满足问题（CSP）”主要解决的难点是（）。A.历史数据不足导致预测不准B.设备、订单、人员等多因素冲突C.排程结果可视化程度低D.与ERP系统的接口兼容性差14.以下哪种技术是实现“零缺陷制造”的关键？（）A.边缘计算B.生成式AI（AIGC）C.联邦学习D.实时质量闭环控制15.2024年北京市发布的《关于加快推进人工智能赋能制造业高质量发展的实施意见》中，明确提出优先突破的领域是（）。A.消费电子组装B.医药制造工艺优化C.汽车零部件精密加工D.航空航天装备智能检测二、多项选择题（共10题，每题3分，共30分。每题至少2个正确选项，错选、漏选均不得分）1.人工智能赋能制造业高质量发展的核心价值包括（）。A.降低单位产品能耗B.缩短产品研发周期C.提升小批量定制化生产效率D.减少一线操作工人数量2.制造业AI应用的数据需求特点包括（）。A.需多源异构数据（如设备、工艺、环境数据）B.标注成本高（需领域专家参与）C.实时性要求低（可离线处理）D.数据量小（单场景数据量通常低于互联网行业）3.以下属于“AI+制造业”典型应用场景的有（）。A.基于语音识别的设备故障报警B.利用知识图谱优化工艺参数C.通过强化学习优化物流路径D.基于生成对抗网络（GAN）生成虚拟测试数据4.制约中小企业AI应用的主要障碍包括（）。A.缺乏专业AI人才B.数据采集与治理能力薄弱C.现有设备智能化改造成本高D.行业通用解决方案不足5.数字孪生在制造业中的技术架构通常包括（）。A.物理实体层（设备、产线）B.模型构建层（几何、机理、数据模型）C.交互映射层（实时数据同步与反馈）D.应用服务层（仿真、预测、优化）6.工业大模型在制造业的应用方向包括（）。A.多模态工艺文档智能解析B.跨工序质量影响因素推理C.设备操作手册自动生成D.客户需求自然语言转生产指令7.以下哪些政策文件为AI赋能制造业提供了顶层设计？（）A.《新一代人工智能发展规划》（国发〔2017〕35号）B.《智能制造标准体系建设指南》（2023版）C.《“十四五”数字经济发展规划》D.《工业互联网创新发展行动计划（20212023年）》8.AI驱动的“智能工厂”特征包括（）。A.生产设备具备自感知、自决策能力B.供应链与生产计划动态协同C.质量检测由人工目检转为AI自动判定D.能源消耗通过AI算法实现动态优化9.制造业AI落地需遵循的关键原则有（）。A.以解决具体业务痛点为导向B.优先选择数据基础好、价值高的场景C.强调技术先进性而非实用性D.注重人与AI系统的协作而非替代10.以下企业中，属于AI赋能制造业典型案例的有（）。A.三一重工通过树根互联平台实现设备远程运维B.宝钢利用图像识别技术检测钢板表面缺陷C.小米通过自然语言处理优化客服工单分类D.宁德时代用机器学习预测电池循环寿命三、填空题（共5题，每题2分，共10分）1.制造业AI应用中，“小样本学习”技术主要解决__________的问题。2.工业机器人的“自主决策”能力通常依赖__________与环境感知技术的结合。3.根据工信部统计，2023年我国制造业数字化转型渗透率约为__________。4.实现“端边云”协同的关键技术是__________。5.制造业知识图谱的核心作用是__________。四、简答题（共3题，每题8分，共24分）1.简述人工智能与制造业融合的三个关键路径，并举例说明。2.分析预测性维护相比传统定期维护的优势，并说明其技术实现的核心步骤。3.结合《“十四五”智能制造发展规划》，说明AI在推动制造业“绿色化”中的具体应用场景。五、案例分析题（共1题，16分）案例背景：某汽车零部件制造企业（主要生产发动机缸体）面临以下问题：传统人工目检效率低（单件检测时间120秒），漏检率约5%；设备维护依赖“坏了再修”，年停机时间达400小时，损失约800万元；生产排程靠经验，紧急订单插单时经常导致交期延误。企业计划引入AI技术解决上述问题，已完成设备物联网改造（所有设备安装传感器，实时采集温度、振动、转速等数据），并建立了车间级数据中心。问题：（1）针对质量检测问题，建议采用哪种AI技术？说明技术路线及预期效果。（6分）（2）针对设备维护问题，设计基于AI的预测性维护方案，需包含数据来源、模型类型及应用流程。（6分）（3）针对生产排程问题，AI可提供哪些优化支持？列举至少2项关键功能。（4分）参考答案一、单项选择题1.C（工业机器人属于自动化设备，非AI核心技术）2.C（《“十四五”智能制造发展规划》明确目标为70%）3.B（深度学习可自动提取复杂特征，无需人工设计特征）4.B（边缘层负责设备连接与数据采集，是工业互联网的“神经末梢”）5.B（半导体设备停机损失高，预测性维护可显著降低成本）6.B（数字孪生通过虚拟模型模拟物理实体全生命周期状态）7.B（2023年中国智能制造市场规模约3.2万亿元，来源：中国电子技术标准化研究院）8.A（远程运维属于服务化转型，从卖产品转向卖服务）9.B（强化学习通过试错优化策略，适用于机器人操作优化）10.B（系统级要求跨部门、跨系统数据互联互通）11.D（设备能耗增加属于技术应用的副作用，非伦理风险）12.C（海尔卡奥斯定位为跨行业跨领域工业互联网平台）13.B（CSP解决多约束条件下的冲突问题，如设备、订单、人员限制）14.D（实时质量闭环控制通过AI实时检测并调整工艺，实现零缺陷）15.D（北京市2024年文件明确优先突破航空航天装备智能检测）二、多项选择题1.ABC（减少工人数量非核心价值，AI更强调效率与质量提升）2.AB（制造业数据需多源异构，标注需专家参与；实时性要求高，数据量可能大）3.ABCD（均为典型应用场景）4.ABCD（均为中小企业AI应用的实际障碍）5.ABCD（数字孪生技术架构包含物理层、模型层、映射层、应用层）6.ABCD（工业大模型可处理多模态数据、推理、生成文档及指令转换）7.ABCD（均为国家层面支持AI与制造业融合的政策）8.ABCD（均为智能工厂的典型特征）9.ABD（AI落地需以业务为导向，注重实用与协作）10.ABD（小米客服属于服务业，非制造业典型案例）三、填空题1.标注数据不足（或“小样本场景下的模型训练”）2.机器学习（或“AI算法”）3.21.2%（2023年工信部统计数据）4.边缘计算（或“边缘云协同计算”）5.实现制造业知识的结构化存储与推理（或“知识管理与智能决策支持”）四、简答题1.答案要点：（1）智能感知：通过传感器+AI算法实现设备状态、环境参数的实时感知，如三一重工通过振动传感器+机器学习识别设备故障前兆。（2）智能决策：利用大数据与AI模型优化生产计划、工艺参数，如宝钢通过深度学习模型优化炼钢温度，降低能耗15%。（3）智能执行：AI与工业机器人、AGV（自动导引车）结合实现自主操作，如海尔工厂的AI+机械臂实现高精度装配，良率提升至99.8%。2.答案要点：优势：减少非必要维护（避免“过度维护”）、降低停机损失（预测故障前维修）、延长设备寿命（基于实际状态维护）。核心步骤：①数据采集：通过传感器获取设备振动、温度、电流等实时数据；②特征工程：提取时域、频域特征（如均方根值、频谱能量）；③模型训练：使用随机森林、LSTM等模型预测故障概率；④决策输出：设定阈值，提前生成维护工单。3.答案要点：《规划》提出“绿色化”是智能制造重要方向，AI应用场景包括：（1）能耗优化：通过AI模型分析生产流程能耗数据，优化设备运行参数（如调整电机转速、加热时间），降低单位产品能耗；（2）废料减少：利用计算机视觉检测原材料缺陷，避免不合格材料流入产线，减少废料产生；（3）碳足迹追踪：基于AI的供应链数据平台，实时计算产品全生命周期碳排放量，辅助企业制定减碳策略；（4）可再生能源整合：通过AI预测光伏/风电发电量，动态调整生产计划，提高可再生能源利用率。五、案例分析题（1）质量检测建议：采用基于深度学习的计算机视觉技术。技术路线：①采集缸体表面缺陷图像（如裂纹、砂眼），标注缺陷类型与位置；②训练YOLO或FasterRCNN目标检测模型，识别缺陷；③部署边缘计算设备，实时处理图像并输出检测结果。预期效果：检测时间缩短至510秒/件，漏检率降至1%以下。（2）预测性维护方案：数据来源：设备传感器数据（温度、振动、转速）、历史故障记录、维护工单数据。模型类型：LSTM（长