前言：想要寫出一篇引人入勝的文章？我們特意為您整理了工業自動化中人工智能的應用范文，希望能給你帶來靈感和參考，敬請閱讀。

摘要：人工智能是一個研發訓練計算機來執行以前只有人類才有能力的智能行為方法的研究領域。自動化的目的是代替人或輔助人去完成人類生產、生活和管理活動中的特定任務，提高工作效率、效益和效果。二者都是通過機器延伸增加人類認識世界和改造世界的能力。文章從人工智能的定義及發展、自動化的定義及發展、智能制造對人工智能的要求、工業人工智能的涵義、面臨的挑戰及應對策略等方面進行了闡述，分析了人工智能與工業自動化的關系。

關鍵詞：人工智能；自動化；工業人工智能

1人工智能與自動化

1.1人工智能的定義及發展簡史

1.1.1人工智能的定義美國國家科技委員會于2016年制定的《為人工智能的未來做好準備》指出，目前并沒有一個普遍接受的人工智能定義。一些人把人工智能定義為是計算機化的系統，能夠表現出通常被認為是需要智能的行為；其他人將人工智能定義為一個系統，該系統能夠無論遇到什么樣的復雜問題，都可以合理的解決，或者采取適當的行動實現它的目標。雖然對AI的界定并不明確且隨時間推移不斷變化，但AI的研究和應用始終秉持一個核心目標，即使人的智能行為實現自動化或復制。美國總統行政辦公室于2016年的《人工智能、自動化及經濟報告》中指出，AI不是單一技術，而是應用于特定任務的技術集合。2017年，《Science》定義的強人工智能是指具有與人一樣智慧和全面的智能。斯坦福大學人工智能百年研究《人工智能和2030生活》廣義定義了人工智能是一種致力于機器智能化的活動，而智能是指系統在其所處環境中具有預見功能。2018年7月德國人工智能戰略概述中指出，作為一門科學學科，人工智能指的是一個研發訓練計算機來執行以前只有人類才有能力的智能行為方法的研究領域[1]。

1.1.2人工智能的發展簡史“人工智能”一詞是1956年JohnMcCarth組織的達特茅斯暑期研究項目的討論會上提出，探究機器可以在哪些方面模擬人的智能。早在18世紀托馬斯•貝葉斯就指出推理事件的概率提供計算框架，這是最初具有人工智能特征的技術想法。19世紀，喬治布爾指出邏輯推理可以向求解方程組那樣被系統的執行。20世紀之初，第一臺電子計算機的問世標志著能夠感知和自主行動的第一代機器人問世。阿蘭圖靈于1950年發表“計算機和智能”中設想了建造計算機模擬人類智能的可能性，包括如何測試人工智能、機器怎樣自主學習等方面。隨后幾十年，人工智能幾經起伏，研究出現的難題遠超預期。20世紀90年代后期，人工智能研究關注特定領域和應用研究，進入加速階段。其中在圖像識別和醫療診斷方面尤為突出，1997年，IBM開發計算機“深藍”戰勝國際象棋世界冠軍卡斯帕羅夫；蘋果Siri，IBM回答計算機waston在回答游戲節目獲勝；2010年以后，來自政府、電子商務、商業、社交媒體、科學和政府提供了可用的大數據和強大的計算能力，科技產業增加在人工智能領域的投資，上述因素促使了人工智能發展浪潮。同時，深度學習技術發展快速，在圖像識別領域，人類錯誤率為5%，2011年人工智能最好結果錯誤率為11%，到2015年就降低到3.5%，博弈游戲技術AlphaGo打敗人類圍棋冠軍等等。

1.1.3人工智能技術發展方向可解釋的AI是人工智能技術的發展方向之一，斯坦福大學人工智能和2030生活》指出，人工智能領域正朝著建立智能系統的方向發展；2018年的《美國及其智能國家戰略報告》中指出，很難估計計算機控制系統在不久的將來可以實現哪些功能。機器智能系統在企業，政府，和全球居民的日常生活中占據越來越重要的角色。

1.2自動化的定義及發展簡史

1.2.1自動化的定義自動化涉及到人類活動的所有領域，是人類自古以來永無止境的夢想和追求目標。自動化的界定雖然不明確，且隨著時間推移不斷變化，但自動化的研究和應用多年來始終秉持一個核心目標：研制系統代替人或者輔助人去完成人類生產、生活和管理活動中的特定任務，減少和減輕人的體力和腦力勞動，提高工作效率、效益和效果。

1.2.2自動化的發展簡史自動化的發展史漫長而有力，18世紀，從風車離心調速器到蒸汽機離心調速器，從麥克斯韋《論調節器》，經傳帶控制，到勞斯、赫爾維茨穩定性判據。進入19世紀，船舶陀螺駕駛儀，布萊克負反饋放大器，奈奎斯特判據，ZieglerNicholsPID參數整定法，M9火炮指揮控制系統（Bode圖）中為后續的現代控制理論、PLC、分布式控制系統奠定了基礎，進入19世紀80年代，RTO和模型預測控制、工藝模型開環設定、數據驅動的運行反饋控制繼續推動著自動化的發展。

1.2.3自動化的發展方向控制系統向智能自主控制系統的方向發展，管理與決策系統向智能優化決策系統和智能優化決策和控制一體化系統方向發展。

1.3自動化與人工智能的相互關系

AI的核心目標是使人的智能行為實現自動化或復制，而自動化的核心目標是減少和減輕人的體力和腦力勞動，提高工作效率、效益和效果；二者都是通過算法和系統的手段，建立相互之間的共同點，即通過機器延伸和增加人類的感知、認知、決策、執行的功能，增加人類認識世界和改造世界的能力，完成人類無法完成的特定任務或比人類更有效的完成特定任務。但是，目前由于機理不清，難以建立數學模型；輸入與輸出相關信息處于開放環境，變化不確定；信息難以獲取及感知；決策目標沖突等原因，使得自動化和人工智能技術在某些對象難以應用。

2智能制造對人工智能的要求

2.1自動化技術在工業革命中的作用

在第一次工業革命中，反饋控制實現了蒸汽機調速的自動化。在第二次工業革命中，PID與邏輯控制實現了傳送帶自動化。而操作工作自動化、管理與決策工作信息化推動了三次工業革命，在第三次工業革命中，先進控制與運行優化實現了工業過程的運行優化，ERP與MES實現了生產管理與決策的信息化。

2.2知識工作者在制造過程管理與決策中的作用及問題

2.2.1制造過程管理與決策現狀人類通過視聽觸嗅味的感知系統感知工況數據和信息，通過大腦決策生產（產量，質量，能耗，物耗，成本）、運行指標（反應產品質量、效率和消耗相關的工藝參數）、運行工況（正常或異常）和控制系統指令（速度、電流等），控制系統則跟隨指令使生產指標在目標范圍內。

2.2.2人難以實現運行工況的準確識別和優化決策《science》指出，人的決策行為制約發展主要體現在三個方面，在感知層面，運行工況涉及多尺度多源信息，伴隨著原料、工況波動頻繁，而人難以感知動態變化的運行工況；在認知和知識處理層面，由于對反應機理不清楚，多源異構信息不明確，難以及時處理異構信息；在決策和執行層面，決策過程中伴隨著多目標沖突和多尺度現象，操作和決策也存在主觀性和不一致性，難以實現全局優化。除了上述因素，我國在質量、能耗、物耗等方面也與國際先進水平存在差距。

2.3智能制造對人工智能需求

2.3.1兩種主要類型的工業的特點和發展目標離散工業和過程工業作為典型代表，有著各自顯著的特點，對于離散工業，其過程結構主要由總體設計、零件加工、組裝和機械制備四部分組成，在此過程中，機械裝備的零件加工與組裝是可拆分的物理過程，產品與加工過程可以數字化，機械裝備的性能取決于總體設計的優化。對于過程工業，同樣由四部分組成，分別對應工藝設計、物質轉化過程、成品材料和下一生產工序。過程工業中，有多個工業過程組成的不可拆分物理化學過程，原材料、成品材料和物質轉化過程難以數字化，工藝設計優化與制造流程的整體優化等特點。

2.3.2對人工智能的需求《為人工智能的未來做好準備》中指出，人工智能在短期內的核心經濟成效是將以無法實現自動化的任務實現自動化，美國白宮2018年舉行的“面向美國工業的人工智能峰會”上提出，重點發展具有高影響、面向特定應用領域的AI、應用于美國工業來增強美國勞動力素質，提高工作效率，更好的服務于客戶。美國基金委在2018年關于“面向美國工業的人工智能”發表聲明，人工智能可以使美國工業的各個環節產生變革，為先進制造創造新的希望。美國科學技術委員會于2018年制定的《美國先進制造領先戰略》的主旨是爭取智能制造系統的未來領先地位。報告指出，通過與數字設計相結合，將制造過程所需的信息無縫的結合到從原材料到產品的轉換過程中，從而形成一個高度互聯的工業實體，它可以通過一整套供應鏈系統橫跨多個公司。智能制造能夠通過對缺陷和故障的檢測和糾正來確保產品質量的一致性，和質量的可追溯。這些進步取決于強大的工業物聯網創新，和面向各種制造流程的機器學習算法，以及可在以信息為中心的一體化系統中的即插即用的機床和控制系統。德國聯邦政府于2018年11月制定的人工智能戰略中列出了德國工業界對AI的需求，明確了促進AI的開發與應用面向經濟，經濟是下一步AI研究的推動力。中國《新一代人工智能引領下的智能制造研究》中也明確了新一代智能制造作為我國智能制造的第二階段（2025-2035）戰略目標，新一代智能制造的目標是使我們智能制造技術和應用水平走在世界前列。

3工業人工智能的涵義、面臨的挑戰及應對策略

3.1工業人工智能的涵義

雖然對工業人工智能的界定并不明確且隨著時間的推移不斷變化，目前工業人工智能的核心目標是：針對產品與工藝設計、經營管理與決策、制造流程運行管理與控制等工業生產活動中目前仍然依靠人的感知、認知、分析與決策能力和經驗與知識來完成的知識工作，實現知識工作的自動化與智能化來顯著提高經濟社會效益[2]。

3.2挑戰的科學問題

3.2.1挑戰難題人工智能發展到深度學習沒有考慮如何應用于制造工程（Nature，2017），多尺度、多源信息獲取、預報模型和資源計劃決策與控制過程集成是智能制造中的挑戰難題（Nature，2017）。

3.2.2科學問題（1）多尺度、多源信息的動態感知挑戰難題1：復雜動態環境下的對象的檢測、分流、識別和感知（《國家人工智能研究與發展戰略計劃》，2016）。例如，電熔鎂砂是國家重要戰略物資，主要應用于航天、工業等領域，需要重大耗能設備。在電熔鎂砂生產過程中的加料工況、熔化工況和排氣工況中，感知火焰、聲音和電流過程存在不及時、不準確、質量波動、能耗高等問題，需要對整個生產過程進行動態感知，包括動態變化溫度、火焰視頻、聲音、振動信號、電流、功率等多尺度數據的實時感知。挑戰難題2：需要研究多源數據機器學習來進行知識發現（《國家人工智能研究與發展戰略計劃》）。電熔鎂砂生產過程中，人工識別欠燒工況的依據是爐壁顏色變紅，電流上升，這種方法會導致爐壁燒漏、影響產品質量甚至停產等問題。因此，需要對欠燒工況提前發現的規則進行挖掘，包括挖掘電流、電流變化率與欠燒工況的因果關系；通過爐壁視頻信號挖掘欠燒工況特征；基于運行數據與視頻信號的機器學習。在此過程中，我們需要明確，深度學習是完全標注大樣本的靜態特征學習，而目前的挑戰難題是不完全無標注樣本的動態特征學習[3]。（2）決策與控制過程集成優化挑戰難題1：復雜系統多沖突目標的實施動態求優。例如能耗指標的優化決策是非凸動態優化。挑戰難題2：多層次多尺度決策與控制過程集成優化。運行決策與控制面向不同時間尺度和空間尺度；全局最優解隨生產條件和運行工況變化；最后控制系統設定值隨全局最優解變化等。（3）制造過程決策對博弈游戲技術的挑戰以AlphaGo和制造過程決策作為對比，在信息感知方面，前者完全，并已確定規則，后者處于開放環境，不完全，不確定規則；在過程特征方面，前者可以建立精確到可試錯的決策仿真模型，后者則難以建立決策仿真模型；在決策目標方面，前者可轉化為輸贏的單一目標，后者則是多沖突目標（質量，效率，能耗等）；在決策方法方面，前者是基于深度學習的策略與價值網絡，后者則面臨更大的挑戰。

3.3應對策略

面對上述諸多挑戰，我們應從研究方向和研究思路上加以應對。在研究方向上，開展復雜工業環境下多數據多源信息的獲取；復雜運行工況運算和診斷的多源數據的機器學習方法；模型與工業大數據雙驅動的機器學習，包括機理不清的復雜系統的建模，生產指標與工藝參數（質量，能耗）的預報與回溯，決策規則等；智能自主控制與人機協作等方面的研究。在研究思路上，抓住基于機理分析的模型與工業大數據緊密融合與協同；模型驅動的自動化與數據驅動的人工智能技術緊密融合與協同；移動互聯網、云計算等先進信息技術和計算機控制系統的緊密融合與協同；研制工業人工智能技術的基礎設備；研制面向特性應用領域的工業智能系統，使系統的適應性、自主性、效率、功能、可靠性、安全性和感知與認證的準確性、決策的精準優化遠超今天的系統、跨學科合作研究，以理論與方法研究和實驗與應用驗證研究相結合的思路進行系統研究。

4結束語

隨著日前教育部《關于公布2019年度普通高等學校本科專業備案和審批結果的通知》（教高函〔2020〕2號）的，工業智能專業作為人工智能與工業自動化深度融合的新興本科專業，首度被列入教育部本科專業目錄，東北大學成為國內首家（批）本科設立工業智能專業的高校，這標志著我國的本科專業建設開始打破“常規”，實現傳統特色發展、個別突破發展、轉型升級發展，全面邁入了多學科交叉融合發展的新時期，切實以高校專業建設帶動引領工業人工智能領域人才培養質量提升。

參考文獻：

[1]閆志明，唐夏夏，秦旋，等.教育人工智能（EAI）的內涵、關鍵技術與應用趨勢———美國《為人工智能的未來做好準備》和《國家人工智能研發戰略規劃》報告解析[J].遠程教育雜志，2017（1）：26-35.

[2]柴天佑.工業互聯網與工業人工智能[N].中國信息化周報，2019-10-28（7）.

[3]康世斌.電氣自動化控制中人工智能技術應用分析[J].科技創新與應用，2019（34）：150-151.

作者：苑振宇 孟凡利 李晉 高宏亮 張華 單位：東北大學