（八）机器学习在工业生产中的主要应用场景

机器学习作为人工智能的最有效的实现方法，已经在工业制造等众多场景中得到了广泛应用，以下是机器学习在工业生产中的五个应用场景。

1．代替肉眼检查作业，实现制造检查智能化和无人化

例如工程岩体的分类，目前主要是通过有经验的工程师通过仔细鉴别来判断，效率比较低，并且因人而异会产生不同的判断偏差。通过采用人工智能，把工程师的经验转化为深度学习算法，判断的准确率和人工判断相当，得到对应的权值后开发出APP，这样工程人员在使用平板拍照后，就可以通过APP自动得到工程岩体分类的结果，高效而且准确率高。

2．大幅改善工业机器人的作业性能，提升制造流程的自动化和无人化

工业上有许多需要分捡的作业，如果采用人工的作业，速度缓慢且成本高，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的话，可以大幅减低成本，提高速度。例如图25所示的Bin Picking机器人。

图25 Bin Picking（零件分检）机器人

但是，一般需要分捡的零件并没有被整齐摆放，机器人虽然有摄像机看到零件，但却不知道如何把零件成功的捡起来。在这种情况下，利用机器学习，先让工业机器人随机的进行一次分捡动作，然后告诉它这次动作是成功分捡到零件还是抓空了，经过多次训练之后，机器人就会知道按照怎样的顺序来分捡才有更高的成功率，如图26所示。

图26 利用机器学习进行散堆拾取

如图27所示，经过机器学习后，机器人知道了分捡时夹圆柱的哪个位置会有更高的捡起成功率。

图27 学习次数越多准确性越高

如图28表明通过机器学习后，机器人知道按照怎样的顺序分捡，成功率会更高，图中数字是分捡的先后次序。

图28 机器人确定分拣顺序

如图29所示，经过8个小时的学习后，机器人的分捡成功率可以达到90％，和熟练工人的水平相当。

图29 分捡成功率得到大幅提升

3．工业机器人异常的提前检知，从而有效避免机器故障带来的损失和影响

在制造流水线上，有大量的工业机器人。如果其中一个机器人出现了故障，当人感知到这个故障时，可能已经造成大量的不合格品，从而带来不小的损失。如果能在故障发生以前就检知的话，就可以有效得做出预防，减少损失。如图30中的工业机器人减速机，如果给它们配上传感器，并提前提取它们正常／不正常工作时的波形，电流等信息，用于训练机器学习系统，那么训练出来的模型就可以用来提前预警，实际数据表明，机器人会比人更早地预知到故障，从而降低损失。

图30   工业机器人故障预测

如图9所示，经过机器学习后，模型通过观测到的波形，可以检知到人很难感知到的细微变化，并在机器人彻底故障之前的数星期，就提出有效的预警。图31是利用机器学习来提前预警主轴的故障，一般情况下都是主轴出现问题后才被发现。

图31 主轴故障预测

4．PCB电路板的辅助设计

任何一块印制板，都存在与其他结构件配合装配的问题，所以印制板的外形和尺寸必须以产品整机结构为依据，另外还需要考虑到生产工艺，层数方面也需要根据电路性能要求、板型尺寸和线路的密集程度而定。如果不是经验丰富的技术人员，很难设计出合适的多层板。利用机器学习，系统可以将技术人员的经验转化为模型，从而提升PCB设计的效率与成功率，如图32所示。

图32 PCB板辅助设计

5．快速高效地找出符合3D模型的现实零件

例如工业上的3D模型设计完成后，需要根据3D模型中参数，寻找可对应的现实中的零件，用于制造实际的产品。利用机器学习来完成这个任务的话，可以快速，高匹配率地找出符合3D模型参数的那些现实零件。

图33是根据3D模型设计的参数，机器学习模型计算各个现实零件与这些参数的类似度，从而筛选出匹配的现实零件。没有使用机器学习时，筛选的匹配率大概是68％，也就是说，找出的现实零件中有1／3不能满足3D模型设计的参数，而使用机器学习后，匹配率高达96％。

图33 检索匹配的零件