中国是制造业大国，“中国制造2025”战略着眼于让中国变成制造强国。将人工智能应用到制造业的装配、生产等诸多环节，是当前研究的热点。一方面，随着超算能力、5G等使能技术的发展，人工智能得以快速成熟，不断落地商业场景，甚至于创造了新的业务形态与商业模式；另一方面，人工智能在制造业的应用更广，让“制造”变成了“智造”，让机器能够感知环境的变化，具备实现功能性变化的能力，大力推动人机协同的智能经济形态。接下来从三个制造关键场景具体介绍人工智能技术的应用：故障诊断、生产排产和系统装配。

　　「 1. 基于人工智能技术的故障诊断 」

　　随着科技的高速发展，现代大型工业设备逐步向高度集成的复杂系统转变，复杂程度越来越高。各个设备内的零件、设备之间都有着紧密关联。一方面，某一个故障可能通过一系列故障传播路径导致系统级别的事故；另一方面，设备可靠性降低带来的是维修的高风险长周期，这带来的一系列修正反馈流程对企业来说是巨大的经济损失。因此，企业对故障诊断环节的反馈及时性、归因准确度等指标要求越来越高。传统分析过程中，针对功能结构复杂、尤其涉及深路径的系统故障诊断时，对分析专家的要求非常高，并且效果不好。因此，基于人工智能的故障诊断方法应用广泛，并且越来越成熟。智能故障诊断根据所用知识的处理途径分为基于符号推理、基于数值计算两类：一是基于符号推理的智能诊断；二是基于数值计算的智能诊断。

　　以上两类方法是从不同方面对人工智能的模拟。基于符号推理的办法，运用了专家系统，宏观意义上模拟人的推理、决策，缺陷是需要花费很长的时间去建立、迭代、更新知识库以及设计推理机。基于数值计算的智能诊断，通过人工神经网络在微观结构上模拟人的认知能力。Sherald认为：专家系统与人工神经网络的协同作用就像是人的左脑、右脑的工作合作机制。具体来说，人工神经网络的工作机制相当于人类的右脑，其优势在于推理决策、问题诊断；而专家系统相当于人类的左脑，其优势在于清晰表达规则，保证符合规则的正确输出。因此，两者结合是智能故障诊断技术发展的必然趋向。

　　接下来介绍基于人工神经网络的故障诊断专家系统，如图1所示。首先依据专家理论与经验，使用人工神经网络来获取知识，并将其存储在知识库中，知识库是可以通过新样本的学习来不断更新修正的。来自知识库的信息与当前问题的初始状态数据、优化目标、求解状态等信息一起按照一定格式以文件的形式存储在动态数据库中，通过推理机输出最终结果，并经过解释器转换为不同论域可理解的概念。

　　图1 基于人工神经网络的故障诊断专家系统结构图

　　那么设备的故障诊断维修，具体通过什么方法呢？一般情况下，会在重要的功能组件部分安装传感器来实时监测设备的运动状态，位置、温度、压强等物理信息。并且会有控制器将其转化为I/O信号后输出。一旦发生故障，依据内部不同类型信号以及信号间的逻辑关系，可以梳理得到故障传播路径，从而找到发生问题的组件。除此之外，最后还会给出归因解释以及相关的处理结果。智能故障诊断除了发生故障后的归因、维修场景以外，还包括预防性维护。某研究机构通过研究常见的故障模式，发现几乎80%的故障类型随机出现，剩下20%可以通过传统的维护办法来预测。而使用人工智能技术，可能对随机生成的故障进行预防。清华大学和金风科技共同建设了风电装备大数据平台，其中一个场景是预测风机的叶片是否会结冰。叶片结冰，自然会降低发电效率，也会造成风机的整体事故。对于这一情况的排查，如果单单依靠人工巡查很难解决问题，金风科技应用人工智能的算法，在传感器、大数据等辅助技术支持后，建立了风机设备全生命周期评估模型，最终比传统方法平均提前2个小时预警，并且降低50%的运维成本。另一个场景是借助数字孪生的手段辅助AI技术。在建设风场之前，通过“数字风场”的虚拟环境来配置风机，通过分析汽轮机反馈给它虚拟孪生体的数据，提升了20%的效率。

　　从今后的发展来看，故障诊断技术更多是从制造产品的全生命周期去考虑，不仅仅提高产品的可靠性，同时考虑降低产品使用阶段的运维成本。从故障诊断的处理方法来看，传统方式很难检测到高复杂设备、深故障路径的系统故障。基于人工智能技术的故障诊断技术着眼于开发ANN与ES相结合的神经网络专家系统，提高检测的效率水平。

　　「 2. 基于人工智能技术的生产排产 」

　　在实现制造领域的智能化过程中，柔性生产是必不可少的目标之一。传统是集中控制型，也就是刚性生产，这种方式很难满足当前产品小、批量多种类的生产需求。因此采用人工智能技术来进行生产排产，是提高生产效率的重要手段之一。相比传统调度排产问题，基于人工智能技术的生产排产需要考虑更多、更精细的车间要素。比如要考虑人员等因素，在考虑设备因素的同时，需要细分设备类型，具体如表1所示。

　　表1 传统生产排产与智能排产调度考虑车间要素对比

　　其次，基于人工智能的不同技术在智能排产系统中的应用，包括专家系统、人工神经网络和遗传算法。

　　上述理论研究基本针对于独立的生产制造系统，用于解决特定领域问题。然而，理论研究模型是否能在实际应用中取得良好效果是具有挑战的。Metaxiotis等着眼于人工智能技术在生产排产问题中的通用性与实际应用可行性，一方面开发适用于中小制造企业优化排产的通用专家系统，每次可以为不同作业环境的制造车间提供合适的优化排产方案；另一方面在企业系统上提供可靠的生产排班方案，有重要应用价值。2016年，汽车制造业巨头：上汽通用，将本来手动调度排班的冲压车间改成AI智能排产，从效率来看，人员组织效率提高，设备生产效率提高；从成本看，物流成本、资源能耗消耗成本降低；从需求来看，迭代速度变快，最终能更快更好地响应市场需求。

　　「 3. 基于人工智能技术的系统装配 」

　　随着产品结构趋于越来越复杂、越来越精密的方向发展，生产制造过程中对于装配的精密度、准确度的要求越来越高。智能化装配得到广泛应用，下面从各个装配单元、各个流程环节的系统优化展开介绍。

　　从装配单元来看，基于机器人的生产线装配主要分为了三大部分，第一部分是共同作业机器人本身的生产线联动，第二部分是机器人与其他生产信息系统（包括物料、物流等系统）的联动，这一部分包含装配机器人和物料供料系统之间的定位联动。目前已有的形式是通过摄像机等设备接收图像信号，再对图像信息进行识别、分析后导出空间坐标信息，这些信息经过总控模块的判断，将物料供料系统的坐标系和自己的坐标系关联起来，从而达到联动目的。第三部分是车间内为了实现驱控一体化，在多生产线机器人系统间的联动。该环节通过开展机器人对作业级装配规划的自动决策，实现对物料的选取、移动及配送等操作的全面控制和管理。

　　从流程环节来看，针对决策系统，智能化系统功能包括运动控制、工艺规划；对于控制系统，智能化方向包括对于电机、运动指令的控制；对于纯机械执行系统来说，虽然本身不涉及智能，但是也需要应用人工智能算法，对机构进行公差分析、误差标定补偿、尺寸优化设计。

　　基于人工智能的装配是现代工业领域针对复杂精密产品柔性生产的重要发展方向，是为了满足工业设备快速迭代、多品种小批量生产计划的必然选择。