工业互联网导论 课件 第九章 工业人工智能

09工业人工智能案例背景与业务痛点9-1一、工业人工智能引领工业生产智能化工业人工智能，这一融合了工业领域的深厚底蕴与人工智能前沿技术的全新领域，正引领着全球工业体系迈向前所未有的智能化高度。它通过模拟人类的智慧与决策能力，工业人工智能正在重新定义生产流程、优化资源配置、提升产品质量，并开创性地解决了传统工业面临的诸多挑战。让我们将一同揭开工业人工智能的神秘面纱，一一介绍其核心概念、关键技术、可落地的典型应用场景以及新技术发展。同时还会带领大家一起思考工业人工智能带来的伦理问题，探讨如何在享受技术红利的同时，确保技术的健康发展与社会的和谐共生。二、学习目标02能够清楚表达与传统AI相比，工业人工智能所具备的特点。04能简述数据驱动、深度学习、知识融合与系统实现四大技术层的逻辑，以及其中的关键算法和方法。06能识别“责任真空”、“算法偏见”、“隐私侵权”等伦理挑战，并在案例中讨论潜在对策。01能够用自已的语言重述工业AI的定义、发展背景，阐述其对制造业转型和国家竞争力提升的重要作用。03能够列举出五个以上工业人工智能技术的典型应用场景。05能结合实际案例，解释工业AI在智能视觉、预测性维护、过程优化、智能物流、生产排程等场景的落地过程和效益提升。二、学习目标08会利用AI等工具检索、学习工业人工智能技术领域的相关知识。07能够用简明的语言描述工业AI常见的分析方法，并结合简单案例说出这些方法在实际工厂里的常见用途和作用。三、案例背景轴承是汽车的关键基础零部件，直接决定着汽车的性能、质量和可靠性，一直被誉为汽车的“心脏”部件。某企业是全球范围内提供滚动轴承和滑动轴承解决方案、直线和直接驱动技术的领导企业，也是汽车行业发动机、变速箱和底盘应用领域高精密产品与系统的知名供应商。01轴承是汽车的关键基础零部件在生产过程中，该企业的汽车轴承产品型号多，尺寸范围大，缺陷种类超过20种，包括压伤、划伤、异色、生锈、渗碳等。更棘手的是，90%的汽车零部件表面都涂有流动的防锈油，增加了缺陷检测的难度。轴承缺陷检测难度大02该企业一直采用人工的方式检测，有较高的产品质量风险和成本压力，检测标准依赖人工主观和经验，易漏检或过杀，检测水平不稳定，且客户的终端如出现不良，复检人力成本高，且人员流动性高，用人成本不断提升。人工质检水平不稳定、成本高四、业务痛点现有检测方式检测精度低行业对产品品质要求高，对检测精准度要求高，漏检安全隐患高，现有的检测方式已经无法满足企业对于产品质量越来越高的要求，如有不良漏检至成品段，将直接影响汽车安全。四、业务痛点四、业务痛点汽车行业的生产环境复杂且恶劣，面临检测干扰因素多、检测识别对象难度较大，汽车零部件产品型号多且更新周期快，如果使用传统视觉技术，功能性缺陷检测需要投入昂贵的设备和大量的标注人员、算法人员。缺陷检测难度大谢谢您的观看THANKYOUFORYOURGUIDANCE.09工业人工智能项目建设目标9-2一、总体建设目标

本项目引入深度学习和先进的计算机视觉技术实现对轴承缺陷的高精度检测，旨在降低人力成本、提高检测效率和产品质量。实现对轴承表面缺陷的高精度检测，检测精度达到最小缺陷面积0.5mm2，有效检测生锈、油污、划伤、保持架断裂等缺陷，提升缺陷检测准确率，检出率达到漏检<1%、过检<3%。应用工业AI视觉软件平台与智能硬件，实现专业的打光方案、可迁移学习模型，实现过程中检测与成品终检结合部署，减少对人工质检的依赖，降低人力成本，提高检测效率。0102建设目标二、具体建设目标提升缺陷检测准确率降低人工质检依赖和人工成本实现高速、高效的缺陷检测，扫描速度达到CT≤0.5秒/片，提高生产线的整体效率。确保系统在不同光照条件和表面状况下都能稳定运行，并可以处理检测对象表面不洁净、检测环境恶劣等多种问题，实现多检测对象类别检测，提升检测精准度和产品品质。0304建设目标二、具体建设目标实现高速、高效缺陷检测增强系统鲁棒性与适应性谢谢您的观看THANKYOUFORYOURGUIDANCE.主讲：周玉珍09工业人工智能基础知识9-3一、

工业人工智能概述工业人工智能亦称工业AI，是人工智能技术与工业融合发展形成的，贯穿于设计、生产、管理、服务等工业领域各环节，实现模仿或超越人类感知、分析、决策等能力的技术、方法、产品及应用系统。

一、

工业人工智能概述工业AI已经成为主要国家政策战略重点之一，推进人工智能创新成为共识。我国高度重视工业人工智能的发展，已将其纳入国家科技、产业和数字经济多层级战略布局。高价值高增速高普及高认可0102发展工业人智能的背景及重要性提升工业人工智能化水平成为全球发展必然趋势

工业AI巨大价值潜力推动市场持续走高一、

工业人工智能概述工业人工智能与传统人工智能的区别因果关系建模需求强必须具备强大的实时数据处理和快速决策能力工业场景强针对性高可靠性与安全性要求极为严苛010302软硬件深度集成0405二、

工业人工智能核心技术01020304系统实现层

打通“最后一公里”，将AI能力固化到生产现场知识融合层-突破AI“黑箱”，让模型变得可信、可靠深度学习层

赋予AI处理工业复杂数据的“核动力”数据驱动层

解决AI“从0到1”的基础学习能力工业人工智能核心技术架构二、

工业人工智能核心技术

第一层

数据驱动层，让机器从工业数据中初步学习机器学习

一种通过算法和模型使计算机从数据中自动学习并进行预测或决策的技术，属于人工智能的一个分支。其核心目标是让计算机在没有明确编程指令的情况下，通过对大量数据的分析（例如历史生产记录、设备运行参数等），识别模式和规律，从而构建适应新数据的模型。二、

工业人工智能核心技术

第一层

数据驱动层，让机器从工业数据中初步学习机器学习的“学习模式”只给机器提供“不带答案的练习题”，让它自己去探索数据中的内在结构。无监督学习

最常用的一种模式，相当于给机器提供“带标准答案的练习题”监督学习

强化学习

一种通过“奖惩机制”来训练机器的模式，特别适合学习如何做出最优的连续决策。二、

工业人工智能核心技术

第一层

数据驱动层，让机器从工业数据中初步学习最优决策：如何实现效率或效益最大化？数据稀缺：有价值数据非常稀少应对技术：迁移学习(TransferLearning)——站在巨人的肩膀上应对技术：强化学习的应用——训练不知疲倦的智能“操作工”面向工业挑战的专用机器学习技术挑战2挑战1二、

工业人工智能核心技术

第二层

学习深度学习层——工业AI的“核动力引擎”深度学习是机器学习的一个强大分支，其灵感来源于人脑的神经网络结构。数据从输入层进入，就像原材料进入一条复杂的加工流水线，每一层都会对信息进行一次提炼和加工，自动抽取出更高阶、更抽象的特征。二、

工业人工智能核心技术

第二层

学习深度学习层——工业AI的“核动力引擎”工业AI核心网络架构CNN，专为处理图像数据而设计，是实现机器视觉的核心。它通过模拟人类的视觉皮层，能高效地从图片中识别出空间特征，因此在工业质检、工件定位等场景中应用极为广泛。卷积神经网络

循环神经网络

长短期记忆网络

RNN/LSTM，专为处理时间序列数据而生。它们拥有“记忆”能力，能捕捉到数据随时间变化的动态规律。这使得它们成为设备预测性维护（如预测轴承何时失效）、工艺参数优化等任务的理想选择。二、

工业人工智能核心技术

第三层

知识融合层，工业机理与AI的深度融合“数据与知识双驱动”关键技术0102培养懂物理规律的“学霸”AI，不仅要求模型去拟合我们观测到的数据，同时还将描述该工业过程的物理学定律一同参与模型的训练和优化中。物理信息神经网络给AI装入行业知识库，将专家经验、设备操作手册、工艺流程图、故障维修记录等行业知识进行整合，为机器打造一部可以理解和推理的“行业百科全书”。知识图谱

二、

工业人工智能核心技术

第四层

系统实现层，将AI能力固化到生产现场边缘计算(EdgeComputing)实现对生产状况的瞬时分析和响应数字孪生(DigitalTwin)在虚拟中推演，在现实中执行关键技术三、典型工业人工智能落地应用场景

引导机械臂进行抓取、装配等高精度操作

定位与引导读取并验证产品上的字符（OCR）、条码、二维码识别与追溯场景一

智能工业视觉对零部件进行微米级的尺寸、距离、角度测量高精度测量产品表面的划痕、瑕疵、脏污、漏装、错装缺陷检测三、典型工业人工智能落地应用场景通过分析压力、温度、振动等多维数据，预警产线级的系统性风险。大型资产异常检测如电机、泵、风机、齿轮箱的轴承磨损、转子不平衡等故障预警。旋转机械健康监测如刀具、模具、电池等耗材的剩余使用寿命（RUL）预测。关键设备寿命预测020103场景二预测性维护三、典型工业人工智能落地应用场景

如化工、半导体领域，寻找最佳的温度、压力、配比组合在多个相互影响的控制变量之间，寻找全局最优解如高炉、锅炉等高耗能设备的燃烧效率优化

工艺参数寻优

能源优化多变量协调控制场景三

智能过程控制与优化三、典型工业人工智能落地应用场景自动拣选与码垛电商仓储、物流中心内，由机器人自动完成货物的分拣与堆叠。

AMR/AGV

在仓库、车间自主导航、避障，完成物料的自动搬运、上下料智能行车/吊装钢厂、港口等场景下，行车的路径自动规划与精准定位。场景四

自主移动与物料搬运三、典型工业人工智能落地应用场景智能生产排程（APS）010203

物流路径动态规划

更精准地预测市场需求，动态调整安全库存水位。

根据实时路况和订单变化，动态优化配送路线。在考虑设备约束、物料、交期等多重因素下，生成最优的生产工单序列。

需求预测与库存优化场景五

智能供应链与生产排程四、

工业人工智能的伦理与责任挑战困境定义：当决策主体变为一个复杂的AI模型时，安全与生产责任的归属链条会出现断裂，形成一个潜在的“责任真空”。典型案例：一套先进的AI预测性维护系统被部署在某化工厂的关键压缩机组上。该系统在经过数月学习后，自主负责预警潜在故障。某日，由于一个极其罕见的工况（未在训练数据中充分出现），模型未能及时预警一个轴承的异常磨损，最终导致压缩机严重损坏，产线被迫停工数周，造成了千万级的经济损失。困境一

责任的真空：当AI决策失误，谁来承担后果？四、

工业人工智能的伦理与责任挑战算法供应商？没有人需要负责数据提供方或标注团队？工厂自身？矛盾焦点这笔巨额损失应由谁来承担？四、

工业人工智能的伦理与责任挑战建立清晰的AI责任框架与分级认证机制发展“可解释性AI(XAI)”技术探索专门针对AI系统的新型工业保险潜在解决方案四、

工业人工智能的伦理与责任挑战困境定义：工业AI的核心目标通常是追求全局效率最优化。然而，算法的“理性”逻辑在面对复杂的、充满人性的生产环境时，其决策可能无意中对特定的员工群体、工序或设备造成系统性的不公平对待，即“算法偏见”或“算法歧视”。典型案例：某大型制造企业引入了一套AI智能排程系统（APS）来分配每日的生产任务。系统为了最大化整体产出，通过数据分析发现，技能全面的资深员工（如张师傅）处理复杂、高价值任务的效率最高。因此，系统持续性地将最难、最紧急的任务分配给张师傅等少数几位老员工，而新员工或技能单一的员工则长期被分配简单、重复性的低价值任务。困境二

算法的偏见：追求极致效率是否必然带来不公？四、

工业人工智能的伦理与责任挑战决策由一个看似客观中立的“黑箱”系统做出，员工的申诉对象变得模糊，权力关系变得更加不对等管理的隐形化固化了员工的技能分工，剥夺了新员工学习和成长的机会，导致技能断层和团队士气下降；构成了一种新型的、基于数据的“能者多劳”式剥削效率与公平的冲突矛盾焦点四、

工业人工智能的伦理与责任挑战在算法的目标函数中引入公平性与伦理约束建立人机协同的决策流程和算法申诉机制潜在解决方案四、

工业人工智能的伦理与责任挑战困境定义：工业物联网与AI技术使得管理者能够以前所未有的精细度，采集和分析关于生产要素（包括人）的海量数据。这种精细化管理在提升效率的同时，也带来了对员工隐私和尊严的潜在侵犯，即管理的颗粒度与人性化之间的边界问题。典型案例：为提升装配线的生产效率，工厂在每个工位上方安装了高清摄像头，并部署了一套AI视觉分析系统。该系统不仅能统计产量，还能实时分析每位员工的操作时长、动作规范性、非工作时间（如喝水、交谈）乃至疲劳状态（通过面部表情和姿态），并将分析报告直接发送给管理者作为绩效考核的依据。困境三

数据的边界：管理的颗粒度与人的尊严如何平衡？四、

工业人工智能的伦理与责任挑战数据的目的与使用为安全监控和质量追溯而采集的数据，是否能被直接用于带有惩罚性的绩效考核？数据的采集、使用和存储边界应由谁来划定？管理优化与隐私侵犯的界限员工感到自己处于一种“全景敞视式”的持续监视之下，导致精神压力剧增，感觉个人尊严和隐私受到了侵犯。焦点矛盾四、

工业人工智能的伦理与责任挑战确立清晰、透明的工业数据治理与伦理规范采用“隐私计算”实现“数据可用而不可见”企业文化从“监控与惩罚”转向“赋能与辅助”潜在解决方案谢谢您的观看THANKYOUFORYOURGUIDANCE.主讲：周玉珍09工业人工智能“思谋科技”企业解决方案9-4一、方案概述针对企业的痛点问题，根据轴承行业的生产特性，思谋科技深度集成定制化光学设计、工业AI算法、机械运动结构于一体，创新引入自研多模态工业大模型，提供基于AI的汽车轴承智能检测与数据分析解决方案。方案背景解决方案本方案通过依托ViMo智能工业平台及IndustryGPT&Mini-Gemini大模型，将OCR字符识别、检测、分割等定制化AI算法进行融合，形成一个专门适用于汽车轴承行业检测的算法库，可实现对生锈缺陷的精准识别，对脏污、压伤缺陷的精准区分。二、总体架构二、总体架构图像采集部分由工业相机、镜头、光源、机器人组成一套自动化设备，成像系统自动适配不同产品。根据该企业轴承的尺寸和检测精度要求，选择4K彩色线扫相机及1200万彩色2D相机，镜头与相机匹配，确保成像清晰、无畸变，光源采用多角度环形光源、背光源等组合方式，以突出轴承表面特征，增强缺陷对比度。轴承缺陷检测硬件实拍二、总体架构图像处理与分析部分将自动化设备采集的数据通过集成在工业电脑中的思谋人工智能算法进行轴承缺陷检测，SMoreViMo为轴承提供量测、质检、定位、OCR等技术的应用，同时将数据检测过程的数据直接上传至服务器，为生产、管理层提供数据可视化和数据追踪功能。结果输出与控制部分将检测结果实时显示在操作界面上，对于合格产品标记[OK]直接放行，对于不合格产品标记[NG]通过声光报警提示，并控制分拣装置将其从生产线上剔除。同时，系统将检测结果数据进行存储，生成检测报告，便于后续质量追溯与统计分析。轴承缺陷检测系统软件三、方案实施过程工业人工智能项目方案实施过程三、方案实施过程方案核心环节实施过程四、算法设计算法方案四、算法设计算法精度方案五、工业人工智能大模型赋能思谋以先发的深度学习科研优势，结合大模型研发的学术进展，在2023、2024年分别推出了专注工业领域的IndustryGPT以及轻量化综合应用大模型产品Mini-Gemini五、工业人工智能大模型赋能IndustryGPT可以实现AIGC缺陷生成，如左图所示，即通过少量真实图片训练生成缺陷图片，降低漏杀率，提高检测准确率。通过嵌入IndustryGPT大模型引擎，借助先进的AIGC技术，实现罕见缺陷数据的快速生成，辅助模型进行训练与迭代，进而准确判断缺陷的类型与位置，持续优化智能检测效果。同时，Industry-GPT具备多模态信息处理能力，能够针对复杂推理和常识问题进行理解，对图片内复杂内容进行推理，并有效利用外界知识，便于在抽象的语义环境下准确理解用户意图，给出恰当的回馈，真正接近人类的理解能力。AIGC缺陷生成五、工业人工智能大模型赋能产线设备在生产过程中通过ViMo应用程序，配合现场的相机、光源、PLC等对实时生产的产品进行质量检测，在数据采集和数据清洗后，检测的相关数据上传至SMoreVimo，进行数据标注、训练、模型测试和模型发布。同时，Vimo平台提供智能标注功能、自动训练功能以及数字化看板，支持全流程数据可视化管理。数字化管理架构谢谢您的观看THANKYOUFORYOURGUIDANCE.主讲：周玉珍09工业人工智能实施效果9-5一、总体效果该汽车轴承智能检测与数据分析方案应用到产线后，达到了超出客户预期的成效，系统在处理速度、检出率等方面展现出显著成效。实现了AI全检。二、具体收益一天可完成8万片轴承检测，处理速度小于0.2秒/片，检出率大于99%，过检率小于3%，处理速度小于0.2秒/片实现AI全检，为企业节省人力成本约80%，实现每条产线节省6人/天。0102检测速度快节省大量成本二、具体收益通过模块化自动复检系统，仅需简单参数调整和程序切换，即可快速完成换型。在该落地产线中，思谋方案实现了成品换型4-10小时的极速适配，轻松应对不同产品的换产需求，同时借助工业大模型核心引擎，让设备始终保持高水准运行，大大提高了生产效率和经济效益。03注入“柔性基因”三、交流与讨论01工业AI与传统AI——谁难谁易？针对“工业人工智能与传统人工智能区别”，小组对比分析两个领域的技术壁垒、场景复杂度和工程难点。责任的边界：在9.3.5节的案例中，我们探讨了因AI预测性维护系统漏报而导致工厂重大损失的“责任真空”问题。请设想你是一个由①算法供应商代表、②工厂设备总监、③保险公司理赔专家和④第三方技术认证机构代表组成的小组。请你们就该事故的责任划分进行一轮辩论，并尝试拟定一份能够初步界定各方责任的“工业AI系统应用责任框架”草案。效率与公平的抉择：“能者多劳”还是“合理轮岗”？算法公平怎么界定？讨论AI智能排程中的效率与公平冲突情景，思考AI决策如何促进团队发展与个体成就感。0203三、交流与讨论04隐私边界大讨论：你能接受“全景监控”吗？分角色（员工/管理者/开发者）对比AI+大数据管理给生产带来的收益与对个人尊严、隐私的可能侵害，提出理想的平衡措施。设想2035年的智能工厂画面，畅谈AI能否完全接班、哪些核心岗位一定还是需要人，以及人-机协同的最优边界。05谢谢您的观看THANKYOUFORYOURGUIDANCE.主讲：周玉珍09工业人工智能前沿技术9-6一、生成式AI驱动的工业设计与仿真生成式AI开启“创造”与“衍生”的新范式。核心价值:能够基于给定的约束条件（如性能、材料、成本），自主生成全新的、符合物理规律的工业产品设计（如零部件结构、材料配方），或模拟生成海量的、用于AI模型训练的“合成数据”。目前，航空航天、汽车制造等领域的先行者已开始探索利用生成式AI进行轻量化结构设计、复杂流场仿真优化，以及在缺少足量真实缺陷样