4月26日，在2024中關(guān)村論壇期間召開的“智能制造創(chuàng)新發(fā)展論壇”上，中國工程院院士李培根表示，智能工廠建設(shè)是AI賦能新型工業(yè)化的重要抓手，其核心在于智能機器人、數(shù)字孿生、大模型等關(guān)鍵技術(shù)在工業(yè)場景中的深層次滲透與應(yīng)用。
第一個核心：智能機器人
發(fā)展至今日，智能工廠建設(shè)已經(jīng)離不開機器人。李培根指出，現(xiàn)在企業(yè)里裝配線上大量的機器人都是在封閉環(huán)境下工作，實際上并不是真正的智能機器人。未來制造業(yè)里的機器人可以走出倉儲和制造環(huán)節(jié)，進入到開放環(huán)境，這是今后一個重要方向，該場景的實現(xiàn)主要依靠自主移動技術(shù)(AMR)。
目前，車間里的自主導(dǎo)引小車大多是按照固定路徑移動的，實際上真正的自主移動技術(shù)沒有這些限制，它基于地圖定位技術(shù)，通過掃描作業(yè)環(huán)境并自主更新地圖，無需輔助固定信標(biāo)，對工作場地幾乎沒有改造需求，非常適合部署在復(fù)雜、動態(tài)的生產(chǎn)場景中。日本牧野Makino的車間中，采用了運用AMR技術(shù)的機器人，可以同時照看多臺機床，上料、下料、裝刀具、卸道具等操作都不在話下。
機器人的應(yīng)用范圍不應(yīng)局限于企業(yè)內(nèi)部，而是應(yīng)該能夠應(yīng)對各種操作條件、人口稠密的空間甚至其他自動化設(shè)備。“走出以往的受控倉儲和制造環(huán)節(jié)，機器人將為各行各業(yè)帶來發(fā)展機遇。”李培根說道。
比如，人形機器人具備高度自動化，且適用于各種復(fù)雜環(huán)境，是智能工廠建設(shè)的一個重要探索方向。特斯拉計劃率先在汽車裝配過程中引入人形機器人。奔馳正在和機器人開發(fā)商Apptranik合作，希望把人形機器人用到工廠，用于裝配零件。
“通過以類似人類的能力不需要改造環(huán)境就能應(yīng)對復(fù)雜的人類環(huán)境，使用場景更廣，能作為簡單、重復(fù)、危險的勞動力替代，也能在適應(yīng)非標(biāo)服務(wù)場景的同時滿足情感需求和交互。”李培根表示。此外，機器人還具備學(xué)習(xí)功能，越用越聰明，工廠還可以通過機器人實現(xiàn)新老員工的技能傳承。
第二個核心：數(shù)字孿生
李培根強調(diào)，智能工廠應(yīng)該是充分應(yīng)用數(shù)字孿生技術(shù)的工廠。數(shù)字孿生不僅僅是產(chǎn)品、設(shè)備的數(shù)字孿生，還包括車間、工廠，以及供應(yīng)鏈的數(shù)字孿生。
舉個例子，華中數(shù)控把數(shù)字孿生技術(shù)用在數(shù)控機床上，實時控制機器裝備。通過對從機床上采集的孿生數(shù)據(jù)進行分析仿真，可以讓使用者更清楚的認(rèn)識機床的行為，從而進行更精準(zhǔn)的控制與操作。
“數(shù)字孿生工廠不應(yīng)該僅僅是對物理工廠一些簡單的數(shù)字記錄、數(shù)字呈現(xiàn)，而是要能通過數(shù)字孿生系統(tǒng)采集的實時數(shù)據(jù)，反過來指導(dǎo)車間或者工廠的運行，乃至供應(yīng)鏈競爭，使工廠運行在最佳狀態(tài)。”李培根說道。
實際上，車間、工廠需要的是一個數(shù)字孿生的工廠平臺。數(shù)字系統(tǒng)實時記錄真實系統(tǒng)的運行情況，分析哪些參數(shù)需要調(diào)整，并且實時調(diào)整來保證質(zhì)量，保證效果。而供應(yīng)鏈數(shù)字孿生體現(xiàn)在企業(yè)中，企業(yè)不僅要有好的供應(yīng)鏈系統(tǒng)，還要有數(shù)字化供應(yīng)鏈。而且不同于早就應(yīng)用于供應(yīng)鏈的傳統(tǒng)的、離線獨立的仿真，基于數(shù)字孿生的仿真是實時的、動態(tài)的，能夠與物理系統(tǒng)交互連接。
第三個核心：AI大模型
李培根認(rèn)為，未來智能工廠需要洞察一些復(fù)雜和高階的關(guān)聯(lián)。AI大模型對世界高階相關(guān)性的認(rèn)識已經(jīng)遠(yuǎn)遠(yuǎn)超越人類，要重視其在智能工廠建設(shè)過程中的應(yīng)用。
大模型是指具有大量參數(shù)和復(fù)雜結(jié)構(gòu)的機器學(xué)習(xí)模型。其Transformer架構(gòu)有兩個重要功能，一個是單詞的向量化，像ChatGPT一次可以提取300至500種屬性來描述“蘋果”這一個單詞，不同類型、不同地區(qū)的蘋果它都很清楚，這是人類難以做到的;另一個是自注意力，強調(diào)關(guān)系的尋找，ChatGPT5讀一本將近2000頁的書，讀完之后便可以把握其中從頭到尾所有詞與詞之間的關(guān)系，而人類的認(rèn)知難以與之齊肩。
回到工業(yè)制造場景，數(shù)控系統(tǒng)內(nèi)部電控大數(shù)據(jù)是主要數(shù)據(jù)來源。數(shù)控系統(tǒng)內(nèi)部的大數(shù)據(jù)包括運動軸狀態(tài)、主軸狀態(tài)、機床運行狀態(tài)、機場操作狀態(tài)、程序狀態(tài)等等，如果把這些數(shù)據(jù)收集起來進行分析就會發(fā)現(xiàn)它與零件加工質(zhì)量、精度和加工效率之間存在復(fù)雜的關(guān)聯(lián)關(guān)系，采取相應(yīng)措施可以顯著提高生產(chǎn)質(zhì)量。
“如果對機床精度、裝配誤差問題、熱和動力學(xué)誤差、機床全生命周期誤差控制等問題追根溯源，里面可能會有無數(shù)需要我們考慮的復(fù)雜的關(guān)系，比如機床部件、零件、精度、運動參數(shù)、轉(zhuǎn)速等，這些關(guān)系在制造過程中很難考慮周全。”李培根坦言。不過，大模型的出現(xiàn)或許可以幫助智能工廠洞察更為復(fù)雜的高階關(guān)聯(lián)。
（來源：中國電子報）
