一方面，完整的工业生产是一个复杂的系统工程，涉及产品类（包括设计、生产、工艺、装配、 仓储物流、销售等）、设备类（包括传感器、制造设备、产线、车间、工厂等）、相关活动（包括运维、售后、市场、排放、能耗、环境等）等方面的生产、决策和服务。另一方面，人工智能基于数据，利用机器学习、深度学习等算法，借助于计算机和智能芯片等算力，研究计算机视觉、自然语言处理以及规划决策等问题。工业人工智能针对工业生产智能化的需求，综合工业大数据和工业运行中的机理知识经验，利用人工智能技术，通过自感知、自比较、自预测、自优化和自适应，实现工业生产过程的优质、高效、安全、可靠和低耗的多目标优化运行。围绕上述的目标，如图1所示，工业人工智能需要大力发展以下六个关键技术，可以实现工业生产过程智能化，如四个典型应用场景。

图1  工业人工智能的整体研究框架

同时，综述以预测性维护作为工业人工智能的典型应用场景，展示人工智能在工业上的研究现状。工业设备的预测性维护包括设备的剩余使用寿命预测和维修决策，具有三个典型特点：（1）对设备的剩余使用寿命预测以退化模型或数据驱动方法为主，融合方法研究较少：（2）维修决策常直接研究各种维修方案对企业的成本造成的影响，基于优化算法，获得最优的维修策略，或者在设备的退化模型已知的基础上，结合目标函数获得最优的维护策略，忽略了实时预测结果对决策的影响：（3）设备的退化过程、健康信息、库存备件、维护调度以及多设备系统维修中的依赖关系等都对维修决策产生影响，综合考虑多因素影响的最优维护决策研究较少。基于以上的三个研究现状，综述以融合的思路对设备的寿命预测和维修决策展开总结，总体框架如图2所示。

图2  设备预测性维护的闭环框架图

鉴于工业人工智能的研究和应用都处于起步阶段，探究影响工业智能化效果的关键技术及其研究现状，明确目前存在的问题，对促进工业人工智能的快速发展和部署具有重要意义。同时，以预测性维护为例，系统的总结了智能预测性维护（主要包括寿命预测和维修决策）的研究现状，并探讨了工业人工智能所面临的共性问题以及可能的发展方向进行了探讨。

引用格式

袁烨, 张永, 丁汉. 工业人工智能的关键技术及其在预测性维护中的应用现状. 自动化学报, 2020, 46(10): 2013−2030

文章链接

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.c200333