2025年公需课《人工智能赋能制造业高质量发展》试题及答案

2025年公需课《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（每题1分，共20分）1.在“人工智能+制造”场景中，最能直接降低产品不良率的技术路径是A.基于数字孪生的工艺预演B.基于深度视觉的在线缺陷检测C.基于知识图谱的供应链协同D.基于强化学习的排产优化答案：B解析：深度视觉可在毫秒级完成表面缺陷识别，直接拦截不良品，效果立竿见影；其余选项虽能间接提升质量，但非“最直接”。2.工信部《智能制造典型场景参考指引（2025版）》中，首次新增的“小样本学习”场景主要针对A.高端装备个性化定制B.新能源电池一致性分选C.航天器大型薄壁件铣削D.药品批次间质量溯源答案：A解析：个性化定制数据稀缺，小样本学习可在<50张图片条件下完成模型收敛，解决“每单不同”带来的数据荒。3.下列哪项指标最能反映工业大模型在产线落地的“工程化成熟度”A.Top1准确率B.F1scoreC.MTBF（平均无故障时间）D.参数量级答案：C解析：MTBF衡量系统在现场连续稳定运行时长，是工程化“可用”与“好用”的分水岭；学术指标无法表征工业级可靠性。4.在“边缘云协同”架构中，实现“模型漂移实时告警”的关键协议是A.MQTTB.OPCUAPubSubC.gRPCoverHTTP/3D.DDSSecurity答案：B解析：OPCUAPubSub支持毫秒级语义传输，内嵌数据质量戳，可在边缘侧直接标记漂移，无需回云。5.2025年1月1日起施行的《工业数据资产入表管理办法（试行）》将下列哪类数据列为“核心一级资产”A.设备工况原始波形B.工艺参数历史曲线C.产品全生命周期主数据D.车间能耗分项计量答案：C解析：主数据是跨系统唯一基准，入表即可直接增加企业净资产，其余数据需二次加工方可资产化。6.某汽车焊装线利用强化学习动态调整夹具夹紧力，其奖励函数中权重最高的因子是A.节拍缩短率B.焊点飞溅次数C.车身尺寸合格率D.电机功耗答案：C解析：尺寸精度是焊装线KPI之首，一旦超差即导致返修或报废，故合格率权重>0.6。7.在“AI+绿色制造”评价体系中，碳排因子实时推理所需的最小数据粒度为A.产线级B.设备级C.工序级D.工单级答案：C解析：工序级数据可关联工艺参数与能源介质，实现“参数碳排”因果链，工单级过于滞后，设备级无法反映工艺差异。8.下列哪种算法最适合解决“刀具磨损阶段划分”这一时序分割问题A.TransformerCRFB.ResNet50C.YOLOv8D.LightGBM答案：A解析：Transformer捕捉长时依赖，CRF保证标签序列合法性，二者结合可精准识别“初期正常急剧”三阶段。9.2025年新版《智能工厂建设指南》要求，AI模型上线前必须通过A.三级等保测评B.可信数据空间认证C.工业场景A/B测试D.算法伦理双随机抽查答案：C解析：指南第5.2条明确“须完成产线级A/B测试并出具对比报告”，其余为安全或合规要求，非上线前强制。10.在“AI质检”项目中，导致“过杀率>3%”的最常见原因是A.训练集与测试集同分布B.标注员对“可接受划痕”尺度不一C.GPU算力不足D.推理批次过大答案：B解析：尺度不一造成标签噪声，模型被迫收紧阈值，过杀率飙升；同分布不会导致过杀，算力与批次影响延迟而非精度。11.下列关于“工业大模型微调”的描述，正确的是A.LoRA适配器秩越大越好B.冻结Embedding层可100%保留领域知识C.采用混合精度训练可降低50%显存D.必须在云侧完成微调后方可在边缘部署答案：C解析：FP16+FP32混合精度几乎不损精度却显存减半；LoRA秩过大易过拟合，Embedding冻结反而阻碍领域对齐。12.在“数字孪生+AI”闭环中，实现“虚实同步<10ms”的关键技术是A.5GuRLLCB.TSN+GPU硬实时C.WiFi6ED.DDSRTPS答案：B解析：TSN提供<1μs时钟同步，GPU硬实时将推理延迟压至5ms内，二者叠加方可达成10ms闭环。13.某化工园区采用联邦学习进行“工艺优化”，其加密梯度聚合采用A.RSA2048B.SM2C.Paillier同态D.AESGCM答案：C解析：Paillier支持加法同态，可直接在密文域做梯度求和，满足“数据不出域”合规要求。14.下列哪项不是“AI赋能供应链韧性”的典型做法A.基于GNN的多级库存优化B.基于LLM的舆情风险预警C.基于AR的远程验厂D.基于区块链的物流追踪答案：D解析：区块链追踪虽提升透明度，但属“可信”而非“智能”范畴，未直接利用AI算法。15.在“AI节能”项目中，空压站“压力带”动态收窄1bar，平均节能率约为A.3%B.7%C.12%D.18%答案：B解析：根据GB302542020空压系统能效计算，1bar≈7%压缩能耗，AI通过预测用气量可安全收窄压力带。16.工业视觉检测中，采用“合成数据”最大的风险是A.渲染速度慢B.域漂移C.存储占用高D.版权争议答案：B解析：合成图像与真实图像在纹理、光照分布上存在差异，导致模型上线后精度骤降。17.下列关于“AI+设备维护”的描述，错误的是A.振动信号采样率至少为最高分析频率的2.56倍B.采用自监督预训练可缓解标签稀缺C.故障预测准确率越高，维护成本一定越低D.可解释性有助于维修工接受模型建议答案：C解析：过高准确率可能以“过度维护”为代价，导致成本反升；需综合权衡虚警与漏警。18.在“大模型+PLC”融合方案中，实现“自然语言生成梯形图”的核心中间表示是A.XMLB.IEC611313STC.指令表ILD.顺序功能图SFC答案：B解析：ST（结构化文本）为高级语言，大模型易生成，再通过IDE自动转换为梯形图，损失最小。19.2025年“智能制造示范工厂”评选中，AI相关指标权重占比最高的是A.关键设备数控化率B.生产效率提升率C.数据驱动决策覆盖率D.绿色低碳指数答案：C解析：新版评分表将“数据驱动决策覆盖率”权重设为30%，高于其他指标，凸显AI核心价值。20.下列哪项属于“生成式AI”在制造业的合规红线A.自动生成工艺参数可直接下发PLCB.生成式AI可替代所有CAD工程师C.对外发布产品图前须通过“隐性水印”溯源D.生成代码无需人工复核答案：C解析：工信部2024第83号文要求“AI生成内容须具备可追溯标识”，防止泄密与版权纠纷；A、B、D均违反安全规定。二、多项选择题（每题2分，共20分）21.以下哪些技术组合可实现“零样本”工业异常检测A.CLIP视觉语言模型B.记忆银行（MemoryBank）C.对比预测编码CPCD.YOLOv8实例分割答案：A、B、C解析：CLIP+记忆银行可在无异常样本条件下完成检测；CPC提供良好表征；YOLO需大量标注，不满足零样本。22.在“AI+安全生产”视频分析中，需同时满足A.GB/T28181协议B.防爆等级ExdIICT6C.毫秒级边缘推理D.模型可解释性报告答案：A、C、D解析：防爆属硬件要求，与AI算法无直接关联；其余均为算法落地必要条件。23.工业大模型“数据准备”阶段包括A.数据血缘梳理B.时序对齐C.标签质量审计D.模型蒸馏答案：A、B、C解析：蒸馏属于模型压缩阶段，非数据准备。24.下列哪些做法可有效降低“AI质检”项目TCOA.采用线扫相机替代面阵相机B.引入主动学习减少标注量C.使用云端GPU竞价实例D.将模型部署在ARM边缘盒答案：B、C、D解析：线扫相机成本高，仅在大幅面场景划算；其余均可降本。25.关于“联邦学习+区块链”的融合优势，正确的是A.区块链替代聚合服务器，防止单点故障B.智能合约自动执行奖励分配C.链上存储完整模型参数D.零知识证明可验证梯度正确性答案：A、B、D解析：链上仅存储哈希与元数据，完整参数上链会暴露隐私且吞吐量不足。26.在“AI+能耗优化”项目中，建立“能耗基线”时必须剔除A.设备空转时段B.计划检修时段C.极端天气日D.节假日答案：B、C解析：检修与极端天气属异常工况，纳入基线会导致目标失真；空转与节假日为正常波动，应保留。27.以下哪些算法可用于“多变量工序预测”A.TemporalFusionTransformerB.ProphetC.NBEATSD.LSTMAttention答案：A、D解析：TFT与LSTMAttention支持多变量；Prophet、NBEATS主用于单变量。28.工业AI项目“敏捷交付”关键实践包括A.两周一次迭代评审B.采用MLOps流水线C.用Excel手动管理数据版本D.上线前完成FMEA分析答案：A、B、D解析：Excel无法追溯版本，违背敏捷原则。29.在“AI+维修”场景中，实现“备件共享”需解决A.需求预测不确定性B.区块链隐私计算C.备件质量等级差异D.物流最后一公里答案：A、B、C解析：物流属通用问题，非AI核心。30.下列关于“工业AI伦理”描述，正确的是A.须向工人披露算法监控范围B.不得因AI决策降低员工绩效奖金C.模型输出须可审计D.禁止使用人脸数据答案：A、C解析：绩效可依法调整，但须透明；人脸数据在知情同意前提下可用。三、判断题（每题1分，共10分）31.工业大模型参数越多，推理能耗一定越高。答案：错解析：采用MoE、稀疏激活后，千亿模型推理能耗可低于稠密十亿模型。32.在“AI节能”场景，强化学习奖励函数加入碳排成本后，收敛速度一定变慢。答案：错解析：若碳排成本与能耗高度相关，奖励塑形反而加速收敛。33.“数字孪生”必须依赖三维CAD模型才能运行。答案：错解析：二维数据驱动的降阶模型亦可构建实时孪生，如锅炉热力学一维模型。34.联邦学习参与方数据NonIID程度越高，全局模型精度一定越低。答案：错解析：采用FedProx、SCAFFOLD等算法可有效缓解NonIID带来的精度下降。35.工业视觉检测中，F1score越高，过杀率一定越低。答案：错解析：F1高可能仅召回高，若阈值设置极端，过杀率仍可能居高不下。36.根据《数据安全法》，重要数据出境需通过安全评估，但“重要数据”目录由企业自行认定。答案：错解析：目录由地区行业主管部门制定，企业仅可申报、不可自行认定。37.采用“时间序列异常检测”可100%避免设备突发故障。答案：错解析：突发故障若缺乏先兆信号，任何算法均无法预测。38.工业AI项目必须通过CMMI5认证方可申请政府补贴。答案：错解析：各地政策不同，多数仅要求通过软件著作权或第三方测试，无CMMI5强制。39.在边缘侧部署INT8量化模型，无需重新校准即可保持精度。答案：错解析：INT8需代表性校准集，否则精度损失可达3%以上。40.生成式AI可自动生成符合IEC61508SIL3等级的安全代码。答案：错解析：安全相关代码须经过V模型验证、第三方认证，纯AI生成无法满足功能安全要求。四、填空题（每空2分，共20分）41.在“AI+刀具寿命预测”中，通常采用______谱减去______谱以突出故障特征。答案：功率、电流解析：功率谱对负载变化敏感，电流谱易捕获高频放电，两者差分可抑制环境噪声。42.工业大模型微调时，学习率一般设置为预训练阶段的______倍。答案：0.1～0.2解析：过大破坏预训练权重，过小收敛缓慢，经验区间为0.10.2倍。43.2025年起，智能工厂“数据驱动决策覆盖率”指标计算公式为：______。答案：AI辅助决策业务数/全部可决策业务数×100%解析：依据《智能工厂建设指南》附录C，业务数按MES工单类型统计。44.在“AI+能耗”场景，空压系统“压降”每减少0.1bar，管网泄漏量约减少______%。答案：7解析：根据流体力学，泄漏量与√ΔP成正比，0.1bar≈7%。45.工业视觉检测中，若产线节拍为600pcs/h，则单件推理延迟需<______ms。答案：6000解析：3600s/600=6s，考虑20%余量，6s×0.8=4.8s，即4800ms，取整6000ms。46.联邦学习梯度聚合采用______同态加密，可在密文域直接求和。答案：Paillier解析：Paillier支持加法同态，满足FedAvg安全聚合需求。47.根据GB/T230112022，AI算法在工业场景“可解释性”分为______级。答案：五解析：L1L5，从黑盒到完全透明，L3以上需输出特征贡献度。48.在“AI+PLC”融合中，将Python模型转换为______语言即可在Codesys平台运行。答案：ST（结构化文本）解析：Codesys支持IEC611313ST，可直接调用库函数。49.工业大模型“知识注入”通常采用______技术，将结构化知识转为向量。答案：KGE（知识图谱嵌入）解析：KGE将三元组映射到向量空间，实现与文本向量对齐。50.采用“AI+AR”远程运维时，端到端延迟需<______ms才能避免眩晕。答案：20解析：ITUT建议AR延迟<20ms，否则人眼感知明显滞后。五、简答题（每题10分，共30分）51.简述“小样本工业视觉检测”三种主流技术路线，并对比其适用场景。答案：（1）迁移学习：使用ImageNet预训练模型，冻结前端层，仅微调后端。适用于缺陷与公开数据集视觉特征重叠度高的场景，如金属划痕。（2）元学习（MAML）：通过“任务适应”两阶段，让模型学会快速适应新缺陷。适用于每批次产品外观变化大、缺陷类型多的场景，如纺织花纹。（3）合成数据+域随机化：在仿真环境渲染缺陷，随机改变光照、纹理、姿态，训练后直接在真实图像推理。适用于缺陷样本极难获取、但三维模型易得的场景，如PCB焊点。对比：迁移学习实施成本最低，但精度天花板受限于预训练域；元学习精度高，但需构建大量支撑集；合成数据可生成无限样本，但存在域漂移风险，需配合域适应算法。52.说明“联邦学习+TSN”如何在多厂区实现“工艺参数同步优化”，并给出数据流转图。答案：流程：①各厂区边缘网关采集实时工艺参数（温度、压力、流量），通过TSN时钟同步<1μs，确保数据时序一致；②本地训练梯度经Paillier加密后，通过MQTTPubSub上传至区域聚合节点；③聚合节点完成加权平均，更新全局模型，回传加密梯度；④厂区边缘盒解密并更新本地模型，同时下发至PLC，实现闭环控制。数据流转图：厂区A传感器→TSN交换机→边缘盒（本地训练）→加密梯度→聚合节点→全局模型→回传→边缘盒→PLC→执行器。优势：数据不出域，满足《数据安全法》；TSN保证多厂区时序对齐，解决跨域时延不一致导致的梯度错位问题。53.阐述“工业大模型小模型协同”的三种部署范式，并给出各自的功耗对比（以6000pcs/h产线为例）。答案：（1）云端大模型：全部推理在云端GPU完成，结果回传边缘。功耗：云端A100300W+网络设备50W，总能耗350W，延迟>200ms，不适合高节拍。（2）边缘小模型：大模型蒸馏为TinyML，部署在ARMCortexA78，功耗仅5W，延迟<50ms，但精度下降2%。（3）协同范式：边缘小模型负责常规推理，遇到置信度<0.8时，上传关键特征至云端大模型做二次校验。平均功耗=5W+0.2×300W=65W，精度保持与原大模型一致，延迟90%样本<50ms，10%样本≈200ms。结论：协同范式在功耗与精度间取得最佳平衡，适合高端质检场景。六、案例分析题（20分）54.背景：某动力电池企业拥有5条模组线，每日产能2.4万件。企业计划上线“AI+质量追溯”系统，目标：将模组焊接虚焊率从120ppm降至20ppm，同时实现单件全生命周期数据追溯<3s。给定条件：1.每条线已有2K/4K混合工业相机共30台，帧率30fps；2.MES已打通，但焊接工位数据采样率仅10Hz；3.现有GPU算力：边缘盒RTX406