人工智能助力制造业智能化建设——2021广州市人工智能与机器人应用高峰论坛论文精选八

一、人工智能技术与制造业融合应用

       1、制造业企业现存业务痛点

       产品规格、外观等品质检测、设备点检运维、品质异常处理等存在于生产过程中的各个环节，在这些生产环节中，大部分企业目前仍然依靠人力作业的方式或者缺乏有效的措施帮助制造业实现这些生产环节的改善，提升生产效率、降低生产成本以及提升产品质量。例如，

       1）品质外观检测，辅助以视觉和人力复判决策的方式进行，耗时耗力

       大多数企业的品质外观检测，是通过机器视觉发现缺陷，辅助以人工判定缺陷类型，并决策后续处理方式。但是作业条件、主观判断、决策机制等因素对检测结果的准确性、实时性和一致性影响极大。而且常常人工需要经过较长的上岗培训时间、人员流动大等造成企业人力成本高。

       2）品质异常问题处理周期长，生产延误造成经济损失

       凭借现场工程师的工程经验，找出产品异常，需要排查的因子量级庞大，耗时耗力，无法快速精确得到结果，最终因产能损失，使得经济效益受到影响。产品品质特征值无法实时预测，当量测机台检测出异常时，才作出处理决断，易产生批量异常，不合格品后流的风险，将造成更大的损失。

       3）机台参数的频繁调整依赖人工经验，导致产品品质波动大

       生产过程中，面临出现异常情况，常常需要操作员及时调整机台参数，以稳定生产。这种依靠人工经验积累的调整方式，造成了人力无法发挥更高的价值，而且经验式的调整往往存在很多无效的情况，导致产品品质发生极大波动。

       4）设备维修滞后，停机产能损失大

       设备管理主要依靠人员的日常点检、定期安排设备停机检查。主要还是依靠人员经验积累而成的保养或点检表单例行检查，配合望闻问切的基础方式偏经验式的做预判。这样的设备管理方式对人员行业经验要求高，预测准确性低，效果不明显且造成生产时间的极大浪费。

       2、人工智能对于制造业的价值

       人工智能技术与制造业的融合应用，能够切实帮助制造业企业从品质、设备、生产、工艺等多维度进行提升，通过机器学习、机器视觉、大数据等相关人工智能技术加持，实现预测性维护、品质分析优化、品质缺陷自动高效精准检测等应用，为制造业带来巨大价值。以下三方面为例：

       （1）预测性维护

       针对设备、设施的故障和失效，实现由原来被动故障维护到事先预测和综合规划管理。其经济意义是降低设备的故障率及停机时间、提高设备利用率，保证设备持续使用，避免意外停工，提高企业生产效率；同时减少维修费用及设备整个生命周期成本，消除在不必要的维护上所花费的时间和资源，对设备进行适时小修，减少大修、突发故障所带来的巨大维修费用。其安全意义是降低由设备的故障或突发故障所带来的难以估算的安全隐患。

       （2）品质分析优化

       基于机器学习技术，通过品质、生产等过程数据价值挖掘，能够实现生产过程品质异常提前预警、异常根因分析、异常解决处理到结果验证等闭环解决品质问题，并通过品质分析优化模型，沉淀经验，切实解决企业异常定位处理难点，并实现异常精准预警，减少损失。

       （3）自动精准的品质外观缺陷检测

       基于深度学习技术和AOI设备结合，对各类缺陷图片进行训练，开发出具备自主学习能力的缺陷检测模型，实现无间断、高精准的缺陷检测，能够大大减少复判人力、提升检测效率。

二、制造业数据应用现状与挑战

       1、制造业智能化建设现状

       企业智能化发展的阶段可以分成六大步骤，记录（产生数据）、连接（互联互通）、可视（发生什么）、分析（为什么发生）、预测（未来还会发生？）、自适应（在发生前纠正），企业智能化的发展阶段是逐步迭代的，只是尺度和范围有所区别。

       据某研究报告调研结果显示，在所有受访制造业企业中，仅有9%企业已跨入分析阶段、2%企业跨入预测阶段以及2%企业已实现自适应。对于这些已跨入智能化阶段的企业，一般接受较多前沿技术以及自身自动化、信息化水平颇高，良率及效率已在原先基础水平上达到极致，一般中大型连续型企业居多。然而对于大部分中小型离散型企业，受制于利润相对较低、依赖人工作业等行业特点，缺乏智能化意识、智能化发展起步较晚，也缺乏对应资金投入。

       总结来说，大部分企业仍处于可视阶段及之前，企业的数据价值并未得到充分的挖掘应用。然而，在国家政策鼓励下、智能制造推广及人工智能技术发展越发成熟的趋势下，不论是面对良率瓶颈亦或是面对低效高价的人力困境，都为制造业带来了直击“要害”的价值。越来越多的企业会逐步意识到智能化的实用性，而非噱头。因此，制造业企业开始寻求人工智能技术加持，突破自身的发展瓶颈，提升企业智能化水平。
         2、制造业数据价值变现应用面临挑战

       对于制造业企业来说，人工智能技术与制造业的融合应用是IT和OT的深水区，制造业企业缺乏“确定性”和“易用性”工业思维。以人工智能实际应用路径为例，从场景确定、数据处理到模型应用与更新，企业都面临着不同的困惑。
         总结来说，企业进行智能化建设初步探索进程中，普遍面临“三难两缺一薄弱”的严峻局面。

       “三难”是指场景聚焦难、落地难、推广复制难。

       制造业企业缺乏数据应用敏感度，虽然对于企业现存业务痛点有较清晰的认识，但是难以将人工智能与业务痛点结合。简而言之，制造业企业对于数据理解、人工智能理解较浅，缺乏人工智能应用价值体系，难以进行价值业务场景挖掘或聚焦，导致前期工作难以开展。

       当确定业务场景后，场景落地也遭遇了颇多挑战：1）现场数据多维、海量，夹杂着异常和失真，数据处理经验不足，模型难以达到效果。2）框架搭建工作重复繁琐、模型代码管理难度大、算法选择、编程与参数优化工作量大，精力未能集中于数据分析，分析结果准确性不高。模型构建后缺乏模型评价体系，难以确认最优模型，且模型与应用脱节，缺乏应用于实际业务思维，模型无法自动更新，导致模型适用性低等问题，严重制约了数据智能应用的落地。3）制造业企业业务特点差异大，同一业务场景下，在产品、机台型号等多种维度差异下，模型适用度低，同时因为缺乏专业建模分析平台的支撑、缺乏模型库建设支撑，难以快速调整模型以适用不同情况，需要重新建模分析、耗时耗力，因此，智能应用推广复制难。

       “两缺”是指缺平台、缺融合人才。

       目前，人工智能与制造业的融合应用建设，业务工程师与数据科学家两者缺一不可。因为人工智能技术的应用，需要业务工程师丰富的制程经验输入，包括特征挖掘、机理等，然而业务工程师缺乏人工智能技术背景知识、数据科学家缺乏业务背景知识，因此，常常需要两者经验结合，进行人工智能应用开发。但是知识背景和语言差异，导致应用开发效率低。因此，人工智能最佳应用方式，即为业务工程师提供零代码、可视化的人工智能应用平台，可实现快速、高效、精准的分析应用。市场上虽然有很多相似的软件，但是应用成本高、上手难度大，真正贴合工程师思维的平台仍然缺乏。

       “一弱”是指数据基础薄弱。

       数据作为人工智能应用的基础，然而工业现场数据基础薄弱、数据质量低确实工业智能应用推广一大挑战。当工业要素以及众多业务展开智能交互的时候，无论是原有业务系统，还是新互联的工业物理安排平台，其数据质量直接影响了智能应用效果。对于我国大多数企业而言，数据基础非常薄弱、数据孤岛、数据质量低成为困扰系统集成、业务互动的关键瓶颈。再先进的人工智能技术，也无法从低质量的数据中产生高质量的信息和知识。

三、人工智能在制造业的应用路径探索

       1、泛半导体行业成功案例分享

       1）整体规划与数据基础搭建

       通过梳理公司的定位和现状之后，对国家智能制造发展的解读并结合自身优劣势，XX企业明确了自有特色的三化四步骤的转型发展总体规划。其中，三化表示自动化、数据化、智能化。从2016年开始实施智能制造布局到2020年，该企业打算用5年的时间细分4步骤，在2020年提前5年达到中国制造2025的标准。其中，第一步，自2016年始，花了2年时间，在2017年末基本完成了自动化和数据化升级；第二步，2017年始，利用3年的时间，全面布局IoT，基本全面实现设备间监控及自动控制；第三步，在2019年前完成大数据平台及应用端的全面落地，实现数据自动分析决策；第四步，到2020年，全面导入人工智能AI在制造现场的应用，真正实现自感知，自学习，自决策，自执行，自适应，形成智能生态系统。
         2）聚焦核心应用

       智能应用一：基于深度学习技术的缺陷自动分类应用

       ①    业务现状

       各制程段AOI设备锁定缺陷产品并拍照，后期由大量人工根据规则和经验进行分类判定，明确“返工、重制或报废”三大路径。人工判别主要存在“三高”问题：

       一是时间成本高。量产工厂的判定站点超过20个，每个站点每天判定的图片量约2万张，人工判定的耗时较长。

       二是人力成本高。车间需要大量人员开展产品质量判别工作，形成7*24小时的轮班制，工作内容单调重复，员工易流失。

       三是误判率较高。每个工人在经验、状态和抽检方法方面的差异直接影响产品判定的精准度。

       ②    解决方案

       格创东智围绕客户痛点，按照“明方向、抓痛点、嵌系统、优模型、强评估”的实施思路，着眼推进制造业生产方式和企业形态根本性变革，剑指“三高”问题，在该企业导入了一套基于AI应用平台的自动缺陷分类系统（简称ADC），将人工智能算法与AOI设备结合，对各制程多种类的缺陷图片进行学习训练及建模，开发出具备自主学习能力的“检测模型”，实现无间断、高精准的缺陷自主检查判定功能。

       ③    效益评估

        在效果评估方面，预期帮助XX企业降低该制程60%的生产周期、代替70%的判别人力投入，AI识别速度提升5-10倍，准确率从人眼的85%提升到90%以上。
         基于AI应用平台的“人工智能技术缺陷自动分类系统”，深耕“算法”与“模型”，实现“数据自动采集与分析、流程全面优化与联动、制造成本的集约与创新”，加快推进新一代信息技术和制造业融合发展的创新实践，是流程型制造业数字化、网络化、智能化的典型应用和率先示范。

       智能应用二：基于数据驱动的品质分析与优化

       ①    业务痛点

       在液晶面板的生产制程经常受到各种来源的干扰造成品质偏移甚至是品质异常，为保证产品品质，常需要对在制品的关键参数进行检测，以保证工艺制程达标。因此，在该制程中，为保证产品品质，常需要进行产品品质检测以及对异常数据分析统计等工作，但在这些工作中存在三大痛点，不利于工作的进行：

       痛点一：以手工方式进行数据异常处理、整合，效率低

       在液晶面板的生产制程中，上千个制程因子会对产品品质造成影响。面对众多的影响因子，当产品异常时，常常需要人工利用excel等方式对其进行处理、整合，由于数据量大、数据格式不一等原因，这样的手工处理、整合方式费时费力，效率极低，难以满足后续分析的时效需求。

       痛点二：关键指标与相关因子的关系难建立，特征因子难挖掘

       由于制程因子的数据由手工方式整合分布在不同的excel表中，数据存储方式不统一等原因，难以利用数据进行深度挖掘，面对不同影响参数与关键指标之间的关联建立，由于参数的复杂度等原因，难以准确确认关系，不利于分析出各制程因子对关键指标的影响程度，难以找到品质异常的原因。        痛点三：抽检检测难以在保证产品品质与不干扰生产节奏中做到平衡

       为保证产品品质，常常需要对产品进行品质检测，部分的检测没有办法在生产线上实时完成，所以只能采用抽检的方式来完成离线测量。导致无法及时发现不良品，容易造成批量式的返修或者报废，产生高额的资源和成本浪费。

       ②    解决方案

       因此，通过对面板上千个制程因子数据进行预处理并去除噪声因子，接着利用内置的多种算法如BP网络，随机森林，梯度提升树等构建复杂模型，快速精准的建立关键制程指标膜厚与品质量测特征值之间的关系，并能实时反应关键因子的影响程度，实现虚拟量测全检，同时将相关算法内化，提高内部数据分析能力。当模型预测量测值发生异常时，向产线工程师及时发出警报。同时系统会给出造成该异常的关键因子，让产线工程师及时分析异常原因并调整制程参数；虚拟量测系统（格创）还对接控制系统，系统分析出glass的特性值，输入R2R系统进行前后制程参数自动调整，防止大量异常产品的出现。

       ③    应用效果

        通过持续的优化，使得单点膜厚，平均膜厚等参数预测的MAPE（平均绝对百分比误差）控制在了1.5%以内，在产线成功的投入了使用，缩短品质异常排查时间，发现和预防部分产品品质问题，达到提高工厂良率的目的。
         智能应用三：基于信号处理的设备预测维护

       ①    业务痛点

       pump的点检方式主要由人员手动点检1次/天，一个工厂每天耗费4人力点检。虽然能减少一定异常的发生，但在2017年尚有42次泵异常，导致设备宕机停机PM与保养Parts损失为931万。这样的设备管理方式对人员行业经验要求高，预测准确性低，效果不明显，且造成生产时间的极大浪费。以本次CVD制程环节中的PUMP设备为例，，连续化的生产任务不允许该设备发生计划外故障停机事故，但在其现场生产过程中会伴随大量的固态粉尘，从而诱发PUMP的异物堵塞故障。常规点巡检的检测手段目前无法有效检测出这类因长期服役而引发的积累性故障，因此该设备极易出现非计划的停机事故，会牵连多条产线的正常工作，每年造成企业近千万元的经济损失。

       格创东智EHM的预测性维护模块由感知硬件和系统软件两部分组成，可以有效感知并诊断出这类积累性故障问题。其中，格创东智EHM感知硬件负责24小时不间断监测设备的运行状态；软件部分通过分析设备运行数据，评估设备的劣化过程并给出设备异常状态预警及报警。

       ②    解决方案
 

• 硬件部署方案

       由于设备现场空间密闭、侵入式的数据采集会对原装设备、工艺造成不可预算的风险。衡量过后客户决定采用格创东智GVS系列无线振动温度一体传感器，通过磁吸固定在PUMP上进行高频振动数据的采集，并通过网关将采集到的振动和温度数据实时传输到东智EHM专有云，结合PUMP本体工况数据综合分析评估设备的运行状态。
 

•  设备健康评估报告

       以PUMP1为例--DP非驱动端垂直向低频测点振动波动明显，异物引入导致转子轻微损伤所致，其劣化大体可以分为三个阶段：

       阶段一：3月28日（上线）-5月4日，设备运行稳定，未见存在明显的劣化，但3月31日（P1）和4月28日（P2）因设备报尾排压力异常存在短暂的停机，停机检查未见明显异常，后启机运行；

       阶段二：5月4日09:30-5月4日16:16，异物引入（体积较大的颗粒进入），导致PUMP排气不畅，振动急剧上升，同时伴随着温度急剧上升；

       阶段三：异物排除，PUMP运行状态改善，振动急剧下降，同时伴随着温度下降，但转子存在轻微损伤，振动和温度相较前期有轻微的上升，且开始缓慢劣化。
 
       ③    应用效果

       健康状态评估结论：

• 5月4日因异物引入，导致DP转子损伤，目前处于缓慢劣化阶段；
• DP短期内不运行，暂无需进行检修，加强关注；
• MB状态的波动因DP的振动能量传递所致，未见MB存在明显的异常。

       本案例中通过信号处理实现真空泵的智能故障诊断与健康预估，帮助工厂实现依赖人力点检、靠经验评估的方式到健康状态与寿命实时在线监控、预警的转变，有效降低设备运维成本。以某个厂为例，一年实现接近4000万效益：1）节省定期保养费用2000+万2）节省宕机停机PM及保养制程机台Parts费用42次，共900+万3）节省协议解析成本：300+万4）降低80%点检人力：40万。除了以上有形效益外，还有提升设备使用寿命、提高设备与人员管理效率等隐形效益。

       2、成功经验总结

       1）聚焦核心业务场景

       人工智能与制造业融合的首要任务点是识别企业核心价值场景。因此，制造业企业可从关键“KPI”出发，具体归纳为QCDI四个关键词（Q：品质、C：成本、D：交期、I：创新），挖掘自身的痛点问题，“因材施教”，针对性的通过人工智能技术解决痛点。痛点挖掘是逐层剖析“看症”的过程，从顶层KPI出发，分解到各个模块：品质影响因素、产能影响因素等。梳理出有价值的业务场景。但是业务场景的梳理仅是起点，还需要通过上层应用的梳理反推下层系统建设需求，不断补足基础信息系统建设以及数据基础，最终形成整体建设规划。

       2）专业平台支撑

       针对困扰制造业人工智能落地应用的“三难两缺一薄弱”核心挑战，需要通过坚实数据基础、核心智能基础服务支撑以及经验算法沉淀三部曲进行，因此，我们需要搭建整体、开放、零代码或低代码通过拖拉拽可视化使用方式的工业应用智能平台，包括1个数据中台+3个核心基础服务+N个应用，并通过机理、算法、模型的沉淀支撑基础服务，支撑上层应用落地推广。
         品质智能优化模块-多因子分析MFA

       多因子分析工具（MFA，Multi-Factors Analysis），是工业应用智能基础服务中承担一线技术人员数据探索重要职责的一个服务模块。多因子分析工具能够帮助制造业企业充分利用企业的生产制造数据，简化分析流程，构建数据模型对企业进行管控。通过生产机器产生的数据模型进行虚拟调试及量测，可以更好的模拟企业的生产制造系统，提前发现生产异常及缺陷，防止大批量不良产品的发生，降低生产异常损耗成本。是实现数据探索的基础工具和服务。
         多因子分析工具是基于工业互联网的工业应用智能系统的一个关键功能模块和基础服务模块。多因子分析工具在业内首先创新性实现了模型自动更新技术的突破，由于建模时数据量有限，采样样本可能达不到建模标准，构建模型时拟合效果出现偏差，样本分布发生偏移等问题。通过模型自动更新技术，收集新采集的样本，在原有模型的基础上进行模型更新，实现模型自我完善的过程。该技术能大大降低建模人员的建模工作量，也让模型更加智能。

       与市场上其他做分析建模的工具相比，多因子分析工具具有明显的工业基因，是采用工业思维开发的工业工具。市场上其他分析建模工具有一个共同的特点，大体思路都是将所有分析组件模块化，以流程图的形式让用户进行自由绘制，这样做的好处自由度更高，但用户尤其是工业用户，在实际使用的过程中极大提升了操作门槛。而多因子分析平台正是为了解决这种现象，通过建模流程“标准化”，挖掘过程“可视化”及因子可追溯等创新方案，真正赋能OT产线工程师，变身工业极客。

       自动缺陷识别分类系统ADC

       格创自动缺陷识别分类系统ADC，基于深度学习算法，搭载于传统AOI设备之上，帮助传统AOI设备进行产品缺陷的自动分类，能实现检测方法的自主优化，彻底取代传统机器视觉的人员复判作业，给工业装上永不疲劳的眼睛和大脑。
 
       格创东智设计了“一脉相承、鼎力三足”的工作逻辑、应用场景与技术方案。

       “一脉相承”，就是要牢固树立新发展理念，按照高质量发展要求，促进工业数据汇聚共享、深化数据融合创新、提升数据治理能力、加强数据安全管理。

       “鼎力三足”，就是建立“消息对接、分类计算和模型管理”三大模块，激发工业数据资源要素潜力，促进工业数字化转型，提供面向半导体、PCB、3C等行业的品质检测环节的自动、精准、全面缺陷识别（ADC系统）。其中：

       （1）以“全”为特点的“消息对接模块”

       与生产执行系统对接，实时获取检测消息与图片，分析检测内容，生成检测任务，并将任务发送给后端的分类计算模块。最终，将结果保存在本地数据库中，并同时反馈给生产执行系统，形成“全流程”的消息对接。

       （2）以“快”为优势的“分类计算模块”

       根据消息对接系统产生的检测任务，调用底层的缺陷检测模型，完成缺陷检测，并且将检测结果实时的返回给消息对接模块，打造“快速度”的分类计算。

       （3）以“准”为目标的“模型管理模块”

       为模型管理员、系统管理员和模型开发人员搭建了一个开发调试环境，方便后期针对“新产品、新工艺、新缺陷类型”进行模型扩展以及自训。同时，可利用该模块实时监控系统、预警等功能降低分类错误的发生率，优化“精准”的模型管理。

       因此，格创ADC系统具备以下优势：

       （1）节省资源成本自研高性能AI计算引擎，实现硬件资源减少50%以上；与知名品牌开发边缘计算芯片，降低硬件成本30%以上。

       （2）应用场景多多任务、复合型模型工具包，覆盖工业检测各种应用场景；微服务架构，实现算法无代码，松耦合，提升产品适用性；支持云边端多场景部署。

       （3）项目交付快零代码平台，客户自主建模，快速响应业务需求；自动标注，减少75%人工作业；迁移学习，减少50%-70%数据需求量。

       （4）产品效果好复杂场景下，多分类准确率优于人员平均水准10%；迁移学习，小样本学习和异常检测技术，解决尾部异常样本难收集问题。

       设备健康管理EHM

       格创东智EHM的系统架构如图4所示，由感知层、平台层、应用层构成。在应用层中由于EHM的强大集成性能可以和生产系统、能源管理等设备关联子系统互联互通，并能从工程师、车间管理者和财务管理者等视角，给出不同层次的设备管理决策和策略优化建议。在感知层能以设备为中心实现在线、离线等各种异构数据的整合建模。
         （1）设备多源异构数据的采集功能

       多源异构数据是设备在复杂工况下，故障报警、分析和诊断，保障高可靠的基础。EHM系统通过统一的边缘网关，结合平台协议库，实现采集过程的标准化，同时以插件化形式提供不同通讯协议或者总线协议，得以满足不同设备、不同信号数据的采集需求。

       此外借助EHM系统网关的边缘计算能力，可对采集数据进行必要的清洗过滤，例如传感器故障导致的死点、坏点等，或设备启动或变工况时造成的冲击、突变的异常数据处理，高频数据的有效值转化等等，从而有效地减轻后台数据分析与处理的压力。

       （2）设备档案的数字化和全生命周期可视化管理功能

        EHM系统可以构建设备360度数字化档案，包括了按设备类型定义的设备型号、结构树和测点定义等静态属性和历史报修、工单、维护记录、状态趋势等相关动态属性数据。从数字化档案中，也可以归集出设备从安装、运行、变动、维修、保养、润滑、报废等全程管理数据记录，形成静态、动态数据完整的设备履历档案。

       （3）维护维修过程管理功能

       EHM支持周期修（Time-Based Maintenance,TBM)，状态修（Condition-Based Maintenance,CBD），点检修(Inspection Repair,IR)，事后修(Breakdown Maintenance,BM)，委外修（Outsourcing Repair,OR)等，并在过程中提供移动化APP作业端、故障知识树等快速辅助诊断工具。由于不同企业的流程定义不同，系统提供流程引擎，支持企业对工单流程的自定义，并且和企业的办公自动化系统（Office Automation,OA）等对接，保障审批流和待办的企业级统一入口。

       （4）备品备件及仪器仪表，辅助工具管理功能

       跟一般ERP或者仓库管理系统（Warehouse Management System,WMS）中仅仅侧重于进销存管理不同，EHM对备件管理可以按工单和设备进行更精细的备件耗用管理，对重点备件可以记录使用周期或者消耗情况，从而实现备件的全生命周期管理。如果企业管理流程执行情况良好，EHM系统也可以根据未来的维保计划，推测备件耗用计划，和安全库存比对，自动生成采购申请，可以跟ERP中的采购申请（Purchase Requisitions,PR）等流程对接等。此外，本功能模块也延申出工装、模具、仪器仪表等辅助工具管理功能。

       （5）状态监测功能

       随着IoT技术的成熟和设备接口开放度的提高，越来越多的重要设备的过程工艺量、外置传感器、仪器仪表，通过采集网关，可以在线接入。对于辅助设备、低价值设备可以采用手持终端点检的方式读取状态检测数据并上传到平台。如东智GP100，可以将点巡检中常用的定位、扫码、报修、测温、测振、热成像、对讲、内窥等集成到一个APP当中完成。EHM中所有设备参数都在设备结构树里定义为测点，和不同的数据源做绑定。EHM系统既可以对单一参数进行多样化的信号处理方法（如时频分析、相关性分析、阶次分析、模态分析等），也可以通过EHM系统内置的多因子分析工具（东智MFA），根据故障样本数据，通过不同分类和回归的机器学习算法，对多维数据进行去冗余和降维处理，从而计算出设备健康置信度（CV）的有效值（OA），对OA指标可进行的时间趋势、非平稳性、陡峭度、突变量等不同特征模式下的告警。
         （6）专家系统功能

       状态检测是做到设备异常状态的报警，可以实现根据既定的故障报警码或者故障知识树、或者是根据参数推理出的故障原因，做简单的故障报警。对于更为复杂的机组设备，EHM的状态监测功能会将结果导入专家系统，通过部署在专家系统内的深度学习算法模型，EHM将根据传入结果匹配系统内置的设备机理库、模型库，根据采集到的数据，推理出故障发生的部位、故障原因的概率。系统也可以定期自动生成设备健康诊断报告，作为设备维护策略的依据。
         （7）可视化功能

       通过EHM的可视化功能，集团高层、工厂车间中层、工程师等不同角色所关心的核心信息、待办任务、重要提醒等，将实现差异化的展示和监控。设备管理的各类关键绩效指标，比如设备综合效能、平均无故障运行时间、平均维修时间、预防性维护工作完成率、设备维保成本、设备维保工时、故障原因等。在EHM的可视化功能中也可按时间、组织、设备、人员等多维度实现综合比对和top分析。对于重要的设备机组，EHM的可视化功能模块也支持实现组态概貌图的实时监控。

       EHM能够将符合中国国情的设备管理体系，融合IT、OT、DT的知识和经验，利用工业IOT、工业大数据、工业AI等新技术，集成了设备自动点检、检维修、在线状态监测、报警模型构建、故障智能诊断等功能，可以对设备本体、数据、模型进行全维度和全周期的动态管理，从而满足企业设备管理一体化的需求和场景。

       3）赋能一线生产工程师

       工厂智能化建设归根结底是为了赋能一线生产工程师，让工程师即使不具备丰富的IT经验知识，也能读懂数据、读懂设备，在生产过程或设备出现故障的第一时间，甚至出现故障之前，能够快速响应或者提前预判，解决问题，这是智能工厂建设能够产生业务价值的地方。
因此，工业系统工业用，就必须用工业的思维方式和理念去开发。让工业聚焦业务，其他交给平台。通过平台赋能一线生产工程师解决实际问题的技术和手段，解决企业“三难两缺一薄弱”的核心困扰。

       结束语

       制造业企业在品质检测、品质异常闭环管控以及设备运维等方面，仍然依赖人工经验决策，未充分发挥数据价值。在国家政策鼓励下、智能制造推广及人工智能技术发展越发成熟的趋势下，不论是面对良率瓶颈亦或是面对低效高价的人力困境，都为制造业带来了直击“要害”的价值。越来越多的企业会逐步意识到智能化的实用性，而非噱头。因此，制造业企业开始寻求人工智能技术加持，突破自身的发展瓶颈，提升企业智能化水平。

       然而，目前人工智能技术在制造业的应用过程中，普遍面临着“三难两缺一薄弱”，制造业普遍处于可视化阶段。为实现人工智能在制造业的高价值应用，总结了格创东智过往的成功实施经验，得到以下三大核心点：1）聚焦核心业务场景2）专业平台支撑3）赋能一线生产工程师。业务场景是核心，必须充分挖掘企业痛点问题，形成整体规划，通过坚实数据基础、智能基础服务以及应用场景落地三部曲逐步建设落实，最终提升企业的智能化水平。

参考文献:
【1】《2020人工智能与制造业融合发展白皮书》发布[J].模具工业.2021(01)
【2】张颖聪.人工智能与先进制造业的创新融合【J】.科技创业月刊，2018.