AII-工业智能白皮书2020-2020.4-48页_28mb

工业智能白皮书总结

核心内容

《工业智能白皮书》系统地分析了工业智能的发展背景、技术演进、主要类型、典型应用场景、关键技术支撑以及产业发展趋势。工业智能作为工业互联网的重要组成部分，正通过数据驱动、算法优化和智能化决策，推动工业领域的数字化、网络化与智能化发展。白皮书指出，当前工业智能仍处于发展初期，面临实时性、可靠性、可解释性和适应性等关键问题。

主要观点

• 工业智能的定义与内涵：工业智能是人工智能技术与工业场景深度融合的结果，旨在实现对工业系统设计、生产、管理和服务等环节的智能化，提升企业洞察力和生产效率。
• 技术发展阶段：工业智能经历了基于规则的专家系统、基于统计的传统机器学习、基于复杂计算的深度学习三个阶段，未来将更注重知识图谱与深度学习的融合。
• 典型应用场景：包括专家系统、传统机器学习、深度学习和知识图谱四大技术方向，分别适用于低不确定性低计算复杂度、高不确定性低计算复杂度、高计算复杂度低不确定性、高不确定性高计算复杂度等问题。
• 面临的挑战：工业智能在应用中面临实时性、可靠性、可解释性和适应性等四大问题，限制了其在工业场景中的深入应用。
• 技术支撑与产业发展：工业智能形成了“两横一纵”的支撑产业格局，其中横向包括芯片、编译器、框架和算法等基础技术，以及融合应用；纵向包括研究机构、产业联盟和咨询服务机构等周边服务。

关键信息

一、工业智能的定义及内涵

• 工业智能是人工智能技术与工业场景深度融合的结果，贯穿于设计、生产、管理和服务等环节。
• 工业智能需要具备自感知、自学习、自执行、自决策、自适应等能力，以适应复杂的工业环境。
• 工业智能主要通过算法、数据和工业机理的结合，实现从数据到信息、知识、智慧的转化。

二、工业智能的主要类型

1. 专家系统：适用于机理清晰、计算简单的工业问题，如车间调度、故障诊断、生产控制等。
2. 传统机器学习：适用于不确定性高、计算复杂度低的场景，如产品质量检测、设备预测性维护、工艺优化等。
3. 深度学习：适用于计算复杂度高、不确定性高的问题，如缺陷检测、不规则物体分拣、复杂控制等。
4. 知识图谱：适用于需要大规模推理和关联分析的场景，如供应链管理、融资风险管控、设备维护等。

三、典型应用分析

• 专家系统：如美国ISIS专家系统用于车间调度，瑞典钢铁公司用于高炉参数调整。
• 传统机器学习：如德国KONUX预测设备故障，帕绍大学预测机床磨损。
• 深度学习：如康耐视的图像分析软件用于缺陷检测，富士康使用深度学习优化制造工艺。
• 知识图谱：如华为构建供应链知识图谱，西门子利用知识图谱进行融资风险管控。

四、工业智能的关键技术

1. 芯片：FPGA因具备高算力、低功耗和灵活性，成为工业智能的首选芯片。
2. 编译器：兼容性编译器成为工业应用的重要趋势，以支持不同框架间的模型转换。
3. 框架：TensorFlow、Caffe等训练框架已广泛应用；端侧推理框架如华为MindSpore等正逐步向工业领域渗透。
4. 算法：通用技术与定制化算法并重，针对工业场景的可靠性、可解释性和适应性问题，需结合领域知识进行算法优化。

五、工业智能的产业支撑格局

• 工业智能产业形成“两横一纵”的格局，横向包括基础技术和融合应用，纵向包括研究机构、产业联盟和咨询服务机构。
• 基础技术：ICT企业、研究机构和行业协会提供通用技术支撑，如芯片、框架、编译器和算法。
• 融合应用：装备/自动化、软件企业、制造企业和初创企业等应用主体推动工业智能在实际业务中的落地。

六、工业智能的发展路径

• 分析深化：从数据采集、建模、预测到洞察，提升工业系统的智能化水平。
• 服务延伸：从生产环节拓展至服务环节，如预测性维护、汽车金融、智能巡检等。
• 技术创新：深度学习、知识图谱等技术的融合与突破，推动工业智能向更高层次发展。

总结

《工业智能白皮书》全面分析了工业智能的发展现状与未来趋势，指出其在提升工业智能化水平、优化生产流程、增强决策能力等方面的重要作用。同时，白皮书也强调了当前工业智能面临的技术挑战，如实时性、可靠性、可解释性和适应性问题，并提出了解决这些问题的关键技术与发展方向。工业智能的持续发展将依赖于算法、数据和工业机理的深度融合，以及ICT企业、研究机构和行业协会的协同推进。