随着物联网、大数据、云计算等技术日趋成熟，人工智能迎来爆发式增长。放眼智能制造领域，人工智能应用已经贯穿设计、生产、管理和服务等制造业的各个环节，应用于智能分拣、设备健康管理、机器视觉检测等典型应用场景。
目前制造企业中应用的人工智能技术，主要围绕智能语音交互产品、人脸识别、图像识别、图像搜索、声纹识别、文字识别、机器翻译、机器学习、大数据计算、数据可视化等方面。
场景一：智能分拣
制造业有许多需要分拣的作业，如果采用人工作业，速度慢且成本高，而且还需要提供适宜的工作温度环境。如果采用工业机器人进行智能分拣，可以大幅降低成本、提高速度。以分拣零件为例，经过几个小时的“学习”，机器人的分拣成功率可以达到90%，和熟练工人的水平相当。
场景二：基于视觉的表面缺陷检测
基于机器视觉的表面缺陷检测应用在制造业已经较为常见。利用机器视觉可以在环境频繁变化的条件下，以毫秒为单位快速识别出产品表面更微小、更复杂的产品缺陷，并进行分类，如检测产品表面是否有污染物、损伤、裂缝等。目前已有工业智能企业将深度学习与3D显微镜结合，将缺陷检测精度提高到纳米级。对于检测出的有缺陷的产品，系统可以自动做可修复判定，并规划修复路径及方法，再由设备执行修复动作。
场景三：设备健康管理
基于对设备运行数据的实时监测，利用特征分析和机器学习技术，一方面可以在事故发生前进行设备的故障预测，减少非计划性停机。另一方面，面对设备的突发故障，能够迅速进行故障诊断，定位故障原因并提供相应的解决方案。这种人工智能场景在制造行业应用较为常见，特别是化工、重型设备、五金加工、3C制造、风电等行业。
场景四：智能决策
制造企业在产品质量、运营管理、能耗管理和刀具管理等方面，可以应用机器学习等人工智能技术，结合大数据分析，优化调度方式，提升企业决策能力。例如，一汽解放无锡柴油机厂的智能生产管理系统，具有异常和生产调度数据采集、基于决策树的异常原因诊断、基于回归分析的设备停机时间预测、基于机器学习的调度决策优化等功能。通过将历史调度决策过程数据和调度执行后的实际生产性能指标作为训练数据集，采用神经网络算法，对调度决策评价算法的参数进行调优，保证调度决策符合生产实际需求。
场景五：数字孪生
数字孪生是客观事物在虚拟世界的镜像。创建数字孪生的过程，集成了人工智能、机器学习和传感器数据，以建立一个可以实时更新、现场感极强的“真实”模型，用来支撑物理产品生命周期各项活动的决策。在完成对数字孪生对象的降阶建模方面，可以把复杂性和非线性模型放到神经网络中，借助深度学习建立一个有限的目标，基于这个有限的目标，进行降阶建模。例如，在传统模式下，一个冷热水管的出水口流体及热仿真，用16核的服务器每次运算需要57个小时，进行降阶建模之后运算时间缩短至几分钟。
场景六：需求预测，供应链优化
以人工智能技术为基础，建立精准的需求预测模型，实现企业的销量预测、维修备料预测，做出以需求为导向的决策。同时，通过对外部数据的分析，基于需求预测，制定库存补货策略以及进行供应商评估、零部件选型等。例如，为了务实控制生产管理成本，美国本田公司希望能够掌握客户未来的需求会在何时发生，因此将1200个经销商的客户销售与维修资料建立预测模型，推算未来几年车辆回到经销商维修的数量，这些资讯进一步转化为各项零件预先准备的指标。该转变让美国本田做到了预测准确度高达99%，并大幅减少了客诉时间。
由于不同的制造行业之间存在差异，对于人工智能解决方案的复杂性和定制化要求较高，因此还需产业界共同探索人工智能与制造业深度融合，才能更好地助力智能制造发展。
