战略地图|破局智能制造的 9 个场景

在智能制造的时代，AI知识图谱作为人工智能的一个分支领域，具有“知识抽取”和“知识关联”的能力，值得被作为一个单独的解决方案提供给更多的制造业企业，在业内被称为专家知识系统。
阿里云知识图谱系统，汇集各种应用场景下的数据，向知识图谱的开发人员以及运营管理人员，提供了可视化的工具平台，将留存在企业系统中的结构化、标注、规范、案例记录和人的经验等知识数据源转化为计算机可以识别的知识图谱数据，简化了传统知识累积的方法，有效提升了知识图谱的构建效率，降低了经验获取和传承的成本。
电网等工业企业经常会在极端天气情况下紧急处理设备故障，利用知识图谱，把设备检修规程导则、以往故障报告和设备维修专家的知识数据，形成电力行业的专业知识图谱，开发基于知识图谱的故障研判算法引擎。
故障发生时，拍照或语音问询，利用图像识别和自然语言处理能力，为故障抢修人员提供相关案例，提供引导式的修复方案，辅助执行，迅速提升故障处置能力，降低故障处理难度，缩短了故障处理时间。
近年来，城市配电网规模爆发式增长。
以杭州城区为例，10KV的线路从1200条增加至2000多条，对效率、安全作业提出了更高要求。国家电网下属杭州供电公司是杭州的配网指挥中枢，负责电网监测、电网检修、故障处置等工作。每个杭电调度员每天需拨打100多个电话，实时监控500多条电力信息。碰上早晚高峰，40多通电话一齐涌入，调度员需同时协调4--6个执行单位，故障现场也要长时间等待。
针对这些问题，“虚拟配网调度员”应运而生，阿里云为电力行业引入前沿的阿里云知识图谱技术。
如今，“虚拟调度员”对数千条城市电网电路如数家珍，可提前安排作业、现场核对作业、事后自动归档。一旦突发停电、断电，“虚拟调度员”通过钉钉可在1分钟内安排好相关人员，启动检修。
“虚拟调度员”还学习消化了30多万份的检修历史记录，总结出可供实时决策的数据，形成了电力配网知识图谱。在钉钉上，一线电工可以和虚拟调度员直接对话，实时获得协助。设备历史信息随问随答，是个“问不倒的机器人”。

文章插图
知识图谱生产是一整套系统，涉及结构化、半结构化和非结构化数据，需要大数据技术。半结构化和非结构化的知识经验、信息处理，则需要自然语言处理技术，处理为算法框架可以分析的数据。另外，知识图谱本体构建管理、知识图谱抽取前端交互、知识图谱查询和计算服务、知识图谱存储，后台的系统管理和调度运维服务组件，甚至包括部署环境等技术能力也是知识图谱构建的一部分。最终作为PaaS级产品，知识图谱会基于通用底座，结合商业系统定制开发适合不同企业的知识图谱平台，提供应用能力。
场景六：智能质检制造业的质量检测，可以应用于产品的最终质检、物料制造的表检，利用AI视觉识别技术来模拟人的视觉功能，从客观图像中提取信息，加以理解并进行处理，最终用于实际检测、测量和控制。AI视觉系统被应用于各行业的生产中，如触摸屏、激光加工、太阳能电池板、半导体、食品饮料、制药、消费电子产品加工、汽车制造等提升产品成品率和良品率，是一种应用较为广泛和成熟的解决方案。
因为依靠人的视觉进行的质量检测，会受到疲劳程度、精神集中程度的较大影响，所以只能采用抽检的方法，才能节省相应人力，即便如此，准确的稳定性也会因为人的原因出现波动。阿里云机器视觉智能技术采用深度学习和图像处理算法，比传统机器视觉检测更精准、漏检率更低。在数据中台的基础上，进行数据的采集、标注、训练和算法模型调优，自动识别图像中的瑕疵或故障。
随着钢铁行业受到环保、双碳等政策压力越来越大，钢铁企业的竞争越来越激烈，开始从原有的拼产能，向拼质量、拼效率发展的趋势越来越明显。钢铁产品的金相组织评级是反映产品质量高低的重要方法手段之一。该方法采用定量金相学原理，由二维金相试样磨面或薄膜的金相显微组织的测量，来确定合金组织的三维空间形貌，从而建立合金成分、组织和性能间的定量关系。金相分析技术在钢铁行业应用最为常见，产品越高端对金相检测要求越严格，尤其是特钢和工业线材。
以攀钢西昌钢钒和韶关钢铁为例，他们的产品分别为汽车板材和建筑用钢，钢铁厂每生产一批次相同牌号的钢铁产品，需要在钢卷产品中选取2--3卷进行取样分析，钢卷中不同部位的钢铁试样，送往检验中心完成专业的组织性能检验。每天检验的试样数约为90个，一个检验中心配备3位检验工程师，平均每人需要完成30个金相试样的检测。除了金相检测任务以外，他们还需要完成样品制作、性能试验、质检分析等各类工作，金相检测工作人员的工作任务非常繁重。钢铁企业的产品质量评估，承担着重大风险，金相组织性能偏差带来的产品质量异议，建筑企业等产品用户带来生命财产的安全隐患，钢铁企业也会有巨大的经济赔偿。与此同时，金相检测的专业要求，也是钢铁企业招聘和培养专业人才的一大挑战。

战略地图|破局智能制造的 9 个场景 | 参数( 四 )