智能制造是制造业与新一代信息技术深度融合的产物,涉及生产过程的各个环节,贯穿产品的全生命周期。近年来,人工智能(Artificial Intelligence,AI)技术的飞速发展为智能制造的变革提供了新的动力。特别是生成式人工智能(Generative AI)的出现,为智能制造领域带来了新的研究方向和应用前景。
人工智能作为一种跨学科跨领域的方法,其核心在于理解和模拟智能行为以及认知过程,这些过程融合了计算、数学、逻辑、机械,甚至生物原理。作为 AI 的一个分支,生成式AI专注于模拟人类的创造力,在图像生成、自然语言处理等领域展现出巨大潜力。以 ChatGPT为例,这款由 OpenAI 开发的生成式 AI 聊天机器人,一经推出,短短 5 天用户数突破百万,两个月内用户数超过 1 亿。区别于传统的基于规则或样本匹配的方法,生成式 AI 能够自主地创造新的数据,而非仅依赖现有数据进行推理或分类。AI 作为一个宏观概念,涵盖了机器模拟人类智能的各类技术和方法。生成式 AI 作为 AI 的一个特定领域,专注于模拟人类生成新内容的创造力,并因此在人工智能的各个领域,如图像生成等领域展现出巨大的应用前景和可能性。目前,生成式 AI 已在生物医疗、安全监测等多个行业展现出巨大的应用潜力,众多生成式 AI 产品也如雨后春笋般出现。
生成式 AI 的发展历程可以追溯到 20 世纪50年代的人工智能研究早期阶段。1956 年,达特茅斯的人工智能夏季研究项目被认为是人工智能诞生的标志,一百多名来自计算机科学、语言学和哲学等不同学科的研究人员,共同探讨创造能够思考的机器的可能性。60 至 70 年代,Weizenbaum 在麻省理工学院人工智能实验室开发了第一个聊天机器人 ELIZA,这是首个能与人进行自然语言对话的程序。80 至 90 年代,神经网络识别技术应运而生,神经网络模型取得重要进展。Hopfield 提出了一种可学习和记忆模式的循环神经网络(Recurrent Neural Networks,RNN),为理解人类记忆机制提供了新思路。Hochreiter 和 Schmidhuber 提 出 了长 短 时 记 忆 网 络(Long Short-Term Memory,LSTM),解决了以往循环网络面临的长期依赖问题。21 世纪以来,随着大数据的兴起和深度学习的提出,生成式 AI 的研究和应用取得了突破性进展。2011 年,苹果公司发布了首款带有 Siri 的 iPhone,AI 助手进入大众视野。2014 年,Goodfellow 开发了第一个生成对抗网络(Generative Adversarial Networks,GAN),开启了生成式建模的新时代。2022 年,ChatGPT 发布了 GPT-3.5模型,引发了全球范围的 AI 热潮。2024 年 2 月16 日, OpenAI 推出文生视频大模型 Sora,该模型可以根据用户提示创建最长 60s 的视频,其画面效果逼真且细腻,并能够深度模拟真实物理世界。人工智能被视为引发新的工业革命的关键驱动力,其潜力之大或许可以重新定义和改造各个行业的运作方式。从自动化生产到个性化服务,AI 技术正在逐步渗透并重塑着整个产业界,为企业带来了前所未有的机遇和挑战。种种迹象表明,AI 技术正成为引发新工业革命的关键驱动力。
智能制造是一个涉及众多学科的新领域,也是十分复杂的系统工程,涉及产品设计、生产制造、质量控制、设备维护等诸多环节,制造类企业也逐渐深刻认识到智能制造是提升核心竞争力的关键。随着科技革命和产业变革的持续深化,以及全球工业体系数字化、智能化转型的不断深入,智能制造领域面临的挑战日益增多。目前,存在的问题包括但不限于产品设计和创新程度不足、工艺优化和自动化还需要持续提高、设备的故障和维护还需要预测性分析、产品质量控制和缺陷检测还需要提高速度和精度、生产过程中的安全性问题还未能很好地解决等。生成式 AI 以其在创意生成、优化决策等方面的独特优势,为破解上述难题提供了新的思路。
为了解决上述智能制造领域存在的问题,本文提出了一种基于生成式 AI 的智能制造专业型应用框架(SMPF-GAI),用于指导生成式AI在智能制造全生命周期各阶段的应用方向和内容。本文以智能制造生命周期阶段为横向维度,以生成式 AI 运行过程为纵向维度,构建了一个二维矩阵式的应用框架。横向生命周期涵盖产品设计开发、生产规划、制造管理、供应链管理、产品销售与售后等环节;纵向过程包括专业型生成式 AI 模型训练、模型输入输出等步骤。该框架阐明了生成式 AI 在智能制造领域的应用路径和实现方式。
一、生成式 AI 国内外研究现状 本文的相关文献涉及智能制造、生成式AI、生成式 AI 在智能制造领域的研究和应用,下面从这三个方面综述相关文献。 近年来,智能制造一直是各国政府和专家的研究重点, 在我国, 众多行业也开始了智能制造转型。智能制造源于 20 世纪 80 年代,最早由 Schaffer 和 Wright 提出,被称为Smart Manufacturing(SM) 或者 Intelligent Manufacturing(IM)。如今,SM 和 IM 两者的含义已经逐渐有了比较明显的区别:IM 关注的重点是如何通过技术手段使整个制造过程更加智能化和高效化;SM 的目标是建立一个智能、灵活、可持续的制造体系,以满足市场的需求和变化。有观点认为,随着人工智能的发展,IM 将会逐渐发展到 SM,这意味着智能制造将会更加注重智能化、灵活性和可持续性。许多国家和地区针对智能制造建立了多个不同的智能制造系统架构。中国智能制造系统架构从生命周期、系统层级和智能特征三个维度对智能制造所涉及的要素、装备、活动等内容进行描述,主要用于明确智能制造的标准化对象和范围。德国工业 4.0 标准中多次提及的智能制造架构体系强调自主性、互操作性和可持续性,从核心功能、生命周期与价值流、功能层三个维度展开。美国智能制造系统主要关注产品、生产系统、业务三个维度及其生命周期。三个国家的智能制造框架各有侧重,但都强调了智能制造的系统性、全局性特点。 生成式 AI 是当前人工智能领域的研究热点,许多专家在这方面进行了大量探索。生成式 AI 技术大爆发的背后,学界普遍认为是得益于生成算法、预训练模型和多模态技术三个领域的技术进步。在生成算法方面,许多前沿的支持生成式 AI 的深度学习模型算法被相继提出。2014 年,Goodfellow 等提出了一种新框架对抗网络模型 GANs,通过对抗过程估计生成模型,证明了其巨大的潜力。同年,针对棘手的后验分布连续潜在变量和大规模数据集的问题,提出一种自编码模型,使机器学习与机器推理更加有效。2015 年,为了摆脱变分自编码模型对数据的诸多限制,Rezende 和Mohamed提出了流模型,通过可逆变换将简单先验分布映射到数据的分布,从而提高了模型的稳定性,这无疑为生成式模型的发展提供了新的思路和方法;2017 年,Vaswani 等提出了基于自注意力机制的深度学习模型 Transformer,在机器翻译、文本生成和语言理解等任务上取得了显著成果。虽然生成式人工智能取得了显著的成就与应用,但同时也面临着一些技术挑战,包括模型崩溃和训练不稳定性等问题,这些问题的产生与训练模型泛化性差的缺陷密切相关。在预训练模型方面,大规模基础模型(Large Scale Foundation Models,LSFMs)的出现将深度学习模型从单任务、单模态、有限数据模式转变为包含多种任务、多模态和大规模数据集预训练的范式,大幅提高了模型的泛化能力,保证了模型的性能和稳定性。同时,多模态技术的发展使人工智能可以处理多种类型的数据,大幅提高了生成式 AI 的通用性。尽管生成式AI在文本生成、图像生成等领域取得了一些成就,但并未对先前人工智能在制造业领域的应用范式产生根本性的变革,在制造业领域的应用还不成熟。 生成式 AI 如何在智能制造领域发挥重要作用也已引起了一些专家学者的关注。尽管生成式 AI 技术在智能制造领域有着巨大的应用潜力,但还面临一些挑战。其中之一就是 LSFMs 的训练和部署,LSFMs 作为一种基于深度学习的大规模基础模型,具有高效处理大规模数据的能力,是支持智能制造系统的核心技术之一。但LSFMs 在智能制造中的应用仍处于起步阶段,缺乏对该主题的系统概述,特别是关于深度学习的哪些挑战可以通过 LSFMs 解决以及如何系统地解决这些挑战。尽管这方面的研究相对较少,但可以预见的是生成式 AI 在智能制造领域存在广阔的应用前景。大数据分析技术为生成式 AI 提供训练所需的大量数据,而随着物联网技术的发展,制造业系统的数据量也快速增长,大数据分析也已成为支持智能制造系统的核心技术。这就使生成式 AI 和智能制造之间出现了技术上的共同需求。当前,亟须在此领域开展深入研究,为生成式 AI 在智能制造的应用提供理论支撑和方法指导。 二、基于生成式 AI 的智能制造专业型应用框架 基于智能制造发展现状和需求,结合生成式 AI 的原理, 经过归纳总结, 本文构建了 SMPF-GAI 应用框架, 其中 SMPF 代表智能制造专业型应用框架(Smart Manufacturing Professional Framework),GAI 是生成式人工智能的简称(Generative Artificial Intelligence)。如图 1 所示,框架从智能制造生命周期维度的6个关键阶段出发,详细阐述生成式 AI 在智能制造领域应用的具体内容和关键环节,包括阶段特征、语料训练及模型生成、模型输入和输出的主要内容等。本框架为生成式 AI 在智能制造领域的实践应用提供了理论基础和方法指导。 《国家智能制造标准体系建设指南(2021版)》从智能制造的生命周期维度将智能制造框架划分为设计、生产、物流、销售、服务5个阶段,涵盖从产品原型研发到产品回收再制造的一系列相互联系的价值创造活动。德国“工业 4.0”体系标准将制造生命周期划分为概念设计、详细设计、生产、运营、服务与维护、退役 6 个阶段,美国智能制造系统将生命周期划分为设计、工艺计划,生产工程、制造、使用与服务、项目终止与回收 6 个阶段。综合考虑,本文以上述智能制造阶段的划分为基础,将智能制造生命周期维度划分为 6 个关键阶段,包括产品设计与开发、生产规划与调度、生产与制造管理、物流与供应链管理、产品销售与售后、产品退役与回收。下面详细描述各阶段的业务特征和生成式 AI 研究应用的主要环节和运行机理。 (1)产品设计与工艺阶段:该阶段是智能制造生命周期的起始阶段,主要任务是根据市场需求和技术发展进行产品设计和工艺规划。这个阶段需要发挥创新能力,优化产品性能和成本。产品设计与工艺阶段面临需求多变、创新不足、设计复杂、工艺选择多样,迫切需要平衡性能、成本、可制造性等多方面要求。生成式 AI 可以辅助设计人员自动生成各种创新性的产品设计方案,加速设计迭代优化过程。同时,还可以结合产品性能和工艺要求,优化产品结构和工艺路线,大幅提升设计效率。 (2)生产规划与调度阶段:该阶段根据产品订单和生产能力,制定生产计划和调度方案,合理安排生产任务和资源分配。该阶段主要面临需求和资源动态变化,约束条件多,优化目标多元化,需要平衡效率、成本、交期等多个方面要求。生成式 AI 可以根据订单需求、产能限制、工艺约束等快速生成最优的生产计划和调度方案,提高生产效率和资源利用率。对于复杂的生产环境,还可以实时优化调整调度策略,提升生产灵活性。 (3)生产与制造管理阶段:这是产品制造的执行阶段,对设备、材料、人员、工艺等生产要素进行管理和控制,确保生产过程高效、有序,主要面临涉及环节多、实时性要求高、异常情况多等问题,需要对人机料法环各方面进行精细化管理等要求。生成式 AI 可监测分析设备运行数据,预测设备故障并给出维护建议,实现预测性维护,提高设备稼动率。对于关键工艺参数,可挖掘工艺知识、优化参数设置,在保障产品质量的同时提升生产效率。 (4)物流与供应链管理阶段:该阶段负责原材料、在制品、产成品的运输、仓储、配送等,对整个供应链进行计划、组织、领导、控制和反馈。该阶段主要面临供应链网络结构复杂、不确定因素众多、时效性精准要求高等问题,需要满足内外部资源协同、整体运行绩效优化等要求。生成式 AI 可以优化物流网络结构、仓储运输方案,实现物流降本增效。通过需求预测和供应链资源匹配,提前规划采购和库存,实现供应链的敏捷高效。同时,可实现供应链全流程的智能化调度和风险预警。 (5)产品销售与售后阶段:产品完工后在这一阶段实现价值,包括产品推广、销售、客户服务等,为客户提供优质的产品和服务。该阶段主要面临客户需求个性化、产品差异化、售后响应及时性要求高等问题,需要提供精准营销和优质服务等要求。利用生成式 AI 可以构建智能推荐系统,根据用户喜好精准推荐产品,提升销售转化率。售后环节可生成个性化使用指导和问题解答方案,优化客户体验。通过分析产品使用数据预判潜在问题,实现主动服务。 (6)产品退役与回收阶段:产品使用到一定阶段后进入退役环节,这个阶段对废旧产品进行回收、拆解、再利用,最大限度节约资源、保护环境。该阶段主要面临产品种类多、状况不一、回收渠道分散等问题,需要建立逆向物流体系和回收再利用网络等。生成式 AI 可规划产品回收利用最佳路径,对回收产品进行自动分类和质量评估,制定最经济的再利用方案。同时,挖掘产品退役数据,为产品优化升级和新品研发提供价值洞见。 在智能制造全生命周期各阶段内,生成式人工智能的应用大致可以概括为以下几个步骤:首先根据通用语料训练一个初始模型,然后邀请领域内的专家对初始模型产出的结果进行评价与标注。在此基础上,结合专家数据与各阶段的专用语料对模型进行修正训练,使模型结果更加准确。同时,还需结合企业的资源情况、工艺能力、生产水平等约束条件对模型进行微调,使模型更加符合企业在实际应用中的需求。模型微调之后便可以生成针对生命周期维度的各阶段且符合企业实际的各个专业型生成式 AI模型。在输入相关需求后,生成式 AI 模型将会输出满足需求与企业能力的备选方案,极大地提高生命周期维度各阶段的效率。 三、案例分析 目前,人工智能技术在智能制造实践过程中已经有了不少的应用,在降本增效提质方面也已取得一些成效。福特汽车公司作为全球汽车行业的领军企业之一,在智能制造领域的探索和实践具有重要的示范作用。长安福特公司在智能制造领域进行了积极的探索和实践,致力于建设智能工厂和数字化车间,通过在生产、管理、运营等方面应用智能制造技术,长安福特取得了显著的成果。下面以长安福特智能工厂为例,结合本文提出 SMPF-GAI 框架,分析人工智能技术在智能制造中的应用,并提出改进建议。 在生产规划与调度阶段,长安福特发动机工厂采用数据互联互通技术,有效解决了车间排产复杂问题,可以做到按需任意排产,零部件由配送中心根据生产计划统一配送,减少了库存浪费。长安福特热成型车间根据当前物料库存、车间消耗计划以及排班规则,结合生产拉动点和零件安全库存信息进行自动化计划排产。系统可实时监控设备状态,自动切换生产计划,保证下线绑定零件和生产信息的准确性。这实现了按需智能排产,提高了生产效率。在生产与制造管理阶段,长安福特热成型车间通过实施高度数字化和自动化的生产制造系统,通过 Profinet 网络将全生产线设备连接起来实现实时通信和控制。采用高清摄像监控系统对关键生产过程进行监控,实现了精确生产和可视化管控,确保了生产效率和产品质量的稳定性。压机上下料过程采用视觉系统监控板料温度和位置,发现异常即停止生产,以保证产品质量。通过 MES 制造执行系统、设备管理系统、质量管理系统等多系统集成,实现了生产全过程的智能化管理,建立了从计划排产到产品交付的数字化闭环管理,一些关键指标如小时产能、设备利用率、人均产出等显著提升,不良品率、运营成本、单位能耗等明显降低,展现了人工智能技术在生产环节应用的显著效果。长安福特发动机工厂通过 FIS 系统可以分析瓶颈工位、Top 故障问题,提高了运行效率并节约了人工成本,同时通过任务管理系统和防错传感器、视觉系统等有效降低了错漏装风险。在物流与供应链管理阶段,长安福特热成型车间通过RFID 系统实现下线数据的收集,实现冲压零件的下线装箱信息的自动写入,如车型、零件名称、装箱数量、生产日期、生产班次、货架上线下线时间等。通过 RFID 绑定,管理出入库数据及时间数据,自动读取和计算运输车辆及货架进出库房数据,并在系统中记录和查询。RFID系统利用排产计划、库存管理及物料管理的协同功能,实现对板材和零件的物料拉动。通过将人工智能技术合理应用到智能制造过程中,长安福特的智能工厂在数字孪生应用、智能化生产、过程跟踪、生产数据收集与分析、智慧化管理、协同化制造等多方面提升了智能化水平,不仅有效降低了各项成本支出,也提高了经济效益和社会效益。 为进一步发挥人工智能的潜力,建议长安福特在智能制造全生命周期的各个核心阶段引入生成式 AI 来进一步提升智能制造水平。在产品设计与工艺阶段,可利用生成式 AI 技术,结合历史设计数据和市场需求,生成创新性的汽车产品设计方案,加速新车型的迭代优化。同时,生成式 AI 还可用于优化产品结构和工艺路线,在满足产品性能要求的同时,兼顾成本和可制造性,进一步提升设计效率。在生产与制造管理阶段,长安福特可以在现有数字化智能车间的基础上,进一步利用生成式 AI 分析设备运行数据,预测设备故障并给出维护建议,实现预测性维护,提高设备综合效率。在物流与供应链管理阶段,汽车供应链具有零部件种类多、供应商分散等特点,长安福特可使用生成式 AI开展智能需求预测和供应链资源匹配,动态优化采购和库存策略,提升供应链的敏捷性和韧性。在产品销售和售后服务环节,生成式 AI 可助力生成个性化使用指导和智能客服,优化客户体验,并可分析车辆使用数据,预判潜在问题,实现前瞻性主动服务。在产品退役与回收阶段,面对报废车辆回收的复杂性,长安福特可应用生成式 AI 规划回收利用最佳路径,对回收零部件进行自动分类和质量评估,制定最优的再制造和梯次利用方案,提高资源利用效率。同时,还可利用生成式 AI 挖掘产品全生命周期数据,为产品优化升级和创新提供数据支撑。 长安福特将数字孪生、图像识别、优化算法等人工智能技术集成在智能制造过程中,并取得了一定的实践成果,提高了智能制造的效率。其智能工厂的实践经验对其他企业实施智能制造具有启示和借鉴意义。但是,目前有关生成式 AI 在智能制造中的研究还较少。如何利用生成式 AI 的思想和技术特点,从管理和技术等多个方面推动智能制造实现创新涌现,大幅提升智能制造的运行效率和质量水平,是当前亟须解决的科学研究与实践应用问题。本文提出的 SMPF-GAI 框架将为生成式 AI 在智能制造中的应用提供技术路线参考与理论支撑。 四、结论 本文研究了生成式 AI 如何在智能制造中应用的问题,并提出了一个基于生成式 AI 的智能制造专业型应用框架 SMPF-GAI,该框架可以用于指导智能制造建设。本文还使用该框架以长安福特的智能制造为实践案例进行了应用评价。未来的研究方向是完成基于 SMPF-GAI 框架的专业型生成式 AI 平台,进一步推动生成式AI在智能制造过程中的应用,并为智能制造的高质量建设和发展提供支持。
文章内容来自网络,如有侵权,联系删除、联系电话:023-85238885
参与评论
请回复有价值的信息,无意义的评论将很快被删除,账号将被禁止发言。
评论区