（一）系统应用框架

工业智能是人工智能、工业互联网等新一代信息技术的集合体，促进工业生产运行更加智能化、高效、节能与环保，其应用前景十分广阔。工业智能涵盖供应链、生产和销售等环节，涉及内容包括：员工素质与配置、设备情况、车间厂房环境、匹配的物料以及能源消耗等生产基本要素；制造工艺、专业化生产管理、物流调度系统、能效和环保的要求等生产过程要素；在生产过程要素中采集的工业大数据，通过工业智能技术对工业各环节进行智能管理，其中的关键技术包括工业智能的深度学习基础技术、知识图谱技术和相应的应用技术变革等，最后应用到制造业具体场景中，实现智能制造。

目前工业智能未能形成市场和产品链的整体应用，只是在个别环节和技术上有些相关的成功探索，主要包括智能在线检测、设备故障诊断与运行检测、智能决策、智能仓储、人机协作、需求预测与供应链优化等。

（二）关键技术框架

工业智能技术包含深度学习和知识图谱两大方向，具体包含工业智能两大技术本身的适配性以及与工业机理和工业场景节后产生的应用技术变革。

1.深度学习基础性技术

深度学习基础性技术由底层至上主要包含芯片、编译器、计算机框架和算法四方面。

一是工业定制化的AI芯片才能满足工业需求。由于工业领域的复杂计算导致对数据处理能力和对工业终端计算实时性有极高要求，对专业高端芯片需求更为急迫。

 二是FGPA半定制化芯片与工业机器人的结合是未来主要趋势。FGPA半定制化芯片主要是为了解决了深度学习在工业领域的算力和实时性需求，相比CPU、GPU、ASIC，FGPA都具有相对优势。目前，FGPA已逐步融入机器人操作系统中，为机器人的应用和普及奠定了基础。

三是兼容性编译器能满足复杂的工业需求。目前，通用编译器虽发展已久，但仍未形成统一的中间表示层标准，模型底层表示，存储及计算优化等方面同样更是如此。兼容性编译器能够不断拓展框架支持种类，解决工业领域中存在的可移植性和适配性问题。

四是工业智能框架是上承差异化工业应用、下接多样化工业硬件的关键。目前，TensorFlow、PyTorch成为国内工业领域应用范围较广的工业智能框架。通过不断完善工业端硬件适配，实行定向适配，根据不同的硬件类型进行属性优化，保证端侧模型部署与推理速度。TFRT通过提供统一、可扩展的基础架构层，支持 ML模型在不同硬件上构建和部署，提升生产环境中模型训练与维护性能。

五是场景定制化深度学习算法能解决工业可靠性和可解释性需求。目前深度学习、知识图谱、生成对抗网络等技术创新应用大多处于理论层面，且主要运用于低危、辅助等工业化场景中，面对新技术的实际落地推广和工业机理知识解释还需工业场景定制的深度学习算法。

2.相应的应用技术变革

 一是质量检测技术。质量检测复杂程度和要求不断加大，深度学习发挥着重要作用，在各类的检测场景中，已探索出成熟的技术方案，深度学习在解决问题的复杂度中发挥着重要作用，与其他技术融合成为未来处理复合型难题的的主要手段。

 二是故障建模技术。技术演进分为机理模型发挥主导作用、数理统计模型发挥主导作用和深度网络模型发挥主导模型三个阶段，随着不同阶段的推进，深度学习技术重要度与设备故障预测效果也在不断推进。

三是人机协作技术。深度学习赋能机器人拥有复杂的功能，能够进行语音图像识别和环境识别，不断增强机器人的学习能力，提升、控制人机交互水平和解决关键问题的能力。

3.知识图谱技术体系

知识图谱以规范化和算法为核心，构建工业领域的知识体系解决问题。一是知识图谱体系在工业领域具有通用性。依托于知识建模、抽取、融合、存储和推理五大环节，知识图谱体系发展较为成熟，为其在工业领域的通用奠定了基础。二是统一的行业标准体系。在用途方面，工业知识图谱主要有行业知识图谱和业务知识图谱两大板块。行业知识图以行业内的查询检索为主，要求具备行业通用性，行业技术体系的规范化标准化是知识图谱的构建基础。业务知识图谱主要围绕某类具体的工业问题，应用成本是关键问题，不具备通用性，高效建模是解决成本问题的关键方法。

制造业企业的应用场景和路径

工业智能是提升制造业整体竞争力的核心支撑，智能制造成为制造业转型升级的重要转型方向。目前，工业智能在制造业企业的主要应用场景如下：

（一）智能检测

基于对人类行为、语音和图像的复杂分析，进行机器人动力学建模、外界交互环境建模，机器人动力学建模、外界交互环境建模，提升控制人机交互水平。重庆华峰氨纶车间现场工人及系统控制人员负责人和智能生产设备之间的匹配和个别异常数据查看调整，通过人机交互界面，了解智能设备工作情况，实现工人和装备的衔接。在后台系统中，通过前端数据采集，能实时反馈各生产物料的存量、需求、在制品等数据。

（三）设备监测与故障维护

通过构建以设备运行/故障记录为核心，涵盖视觉图像、生产过程等各类数据的综合图谱，辅助处理质量管理、设备状态维护等一线问题。提取、组织和关联生产制造环境中的结构化和非结构化数据，基于知识图谱技术，构建领域知识模型，将碎片化知识变为支撑决策的依据，提升制造过程质量管理与设备状态维护效率。

（四）需求预测和供应链优化

基于知识图谱和深度学习，通过语义关联提升知识获取效率，建立精准的需求预测模型，实现企业的订单、维护、原料需求预测，做出以需求导向的决策。同时，通过深度挖掘企业外部信息，制定库存策略，进行上游供应商评估，优化供应链。

（五）智能决策

智能决策是人工智能和决策支持相结合，利用专家系统技术，使决策系统能够充分吸纳人类的知识。如重庆蓝黛动力传动机械股份有限公司使用机器学习算法，开发出针对设备运行效率、工业改进等应用的大数据决策支持模型和算法，开发出了设备监控与大数据分析系统软件，为车间、工厂智能化运行、管理提供决策支持。

（六）智能仓储

通过AI、射频识别、智能传感与仓储设备，仓储管控系统的融合，实现仓储的智能化管理，并在仓储过程中实现可视化管路和自适应优化。华邦制药全流程数字化工厂，在车间布局、生产全过程控制、仓储管理、设备互联等场景实现数字技术的在线应用。

（七）设备或制造工艺优化

设备或制造工艺优化主要是运用 GAs、CNN 等机器学习算法，优化和解释工艺参数与产品质量的关系，从众多工艺参数及组合中寻找最优的工艺参数集。从而能够提升生产效率，减少生产消耗和提高产品质量。

（八）风险管控

基于知识谱图的构建，通过企业语义关联提升知识获取效率，提供定制化知识服务，对供应链风险进行有效管控。在融资风险中，依靠知识图谱将各个对象进行关联和分析，打破信息孤立状态，识别融资过程中不可预见的风险，从而提高融资风险预测的准确率和便于进行有效管控。

（九）生产/制造管理

在缺陷监测/质量控制方面，运用ML算法处理传感器探测/捕获到的各类信号，进行异常信号识别、缺陷分类及缺陷追踪定位。在制造规划方面，利用ML技术预测产品的可制造性，辅助增材制造规划，提高成品率。

工业智能应用过程中存在的问题

（一）硬件的适配不足，应用开发周期慢

目前，工业领域的芯片终端等硬件种类多，现有计算机框架往往很难跟上工业芯片的发展，从而导致底层芯片和软件框架的不适配。目前仍然以人工调参、模型训练的模式为主，在应用开发/维护阶段仍离不开算法工程师的深度参与，从而增加了应用的开发周期。

（二）模型无法满足实时性需求

在特定的工业场景中，由于计算量大，计算复杂，模型无法满足现场计算更新实时性的需求。特别是在部分高节拍的生产流程过程中，对工业智能模型的推理及参数更新效率有相对较高的要求，但由于边缘设备算力有限，未经优化的原始模型往往无法满足其要求。

（三）深度学习的解释性不强

以深度学习为代表的“联结主义”算法是一个端到端的黑箱系统，模型对推理结果的解释效果较差，不能提供明确的原理解释。导致追本溯源、异常排查等变得十分困难，限制了核心环节和直接决策的应用。特别是在某些行业中，若希望通过数据技术解决面临的复杂问题时，那就需要对推理结果和背后机理做出明确的解释。

（四）模型与方案复制推广难，应用成本高

由于不同行业、不同产品、相关工艺等维度的差异性较大，算法模型与应用方法的复制推广存在一定的难度，导致工业智能面对的差异化的场景及其需求时，任务多样性明显增强，在不同行业、产品以及工艺中需要重新建模、训练和部署。同时由于工业智能技术投入的人力、物力较大，导致企业难以负担其应用成本。

（五）产业生态与保障机制亟需完善

工业智能在场景应用中存在这数据共建共享，模型应用共建等需求，但由于企业之间竞争较大，企业顾虑多，且面临着共享技术还不成熟，法规尚未健全等问题。除此之外，还存在产业化问题突出，未能实现产品指标的标准化和统一化。

推动工业智能发展建议

人工智能正逐步深入到经济社会生活的各个领域，重庆需抓住人工智能与制造业融合发展变革的关键时点与历史性机遇，政府、企业和高校形成合力，积极推动人工智能与工业制造的融合创新，提升关键技术和产品的创新和应用，创新应用模式，推动产业链整体创新突破、价值链向高端水平跃升。

（一）夯实重庆工业智能产业发展保障

一是加大政策扶持力度。积极实行新建智能化项目享受智能化技改项目优惠政策。对新建项目，从源头上引导企业在工艺流程、装备购置上实施智能化高端建设，实行优先要素供给政策。对原有老企业，以智能化改革为抓手，通过正向激励、反向倒逼，引导企业开展智能化改造数字化转型。二是积极布局和完善重庆新型网络基础设施。积极践行国家相关政策，推动大数据、区块链、物联网、云计算等新型网络基础设施建设，在强化重庆主城新型网络基础设施的同时，统筹兼顾，布局重庆主城以外的新型网络基建，完善整个重庆的新型网络基础设施。三是搭建好服务平台。聚焦工业智能服务领域，培育和引进一批适应本地需求的工业智能服务平台，为工业企业智能制造提供智力支持。同时建立重庆市工业智能专项基金，积极引进社会资金注入其中，支撑技术攻关，为工业智能实现技术研发创新提供资金支持。

（二）加快数字化智能化融合培育新标杆

一是树立标杆应用。积极引导行业头部企业与互联网企业合力打造解决方案，打造一批行业工业人工智能标杆应用。同时培育新增一批重庆市级、区县级示范智能工厂、智能车间，引领、带动和整体促进全市产业智能化生产水平。二是建立智能化改造企业“培育库”。组织专家团队开展智能化诊断服务，“一企一策”制定智能化改造实施方案。充分运用物联网、大数据、5G网络赋能企业智能化改造，降低企业云上门槛。

（三）推动工业智能关键技术突破

一是推进工业智能关键技术研发突破。围绕工业智能的算法、硬件与系统，推动汽车、电子、装备、医疗、材料、消费品等行业龙头企业与科研院所加快关键技术突破。二是鼓励创新技术的成果转化。围绕工业智能技术的创新性要求，加强适配性芯片、框架、算法及产品的协调研发与实验测试，拓宽工业智能在制造业各环节的深入应用，推动重庆智能制造的发展。三是组建联合研发中心和孵化器、加速器等各类创新平台。积极组建工业智能联合研发中心，鼓励和支持企业与高校、院所对接合作，实现关键技术创新发展，有效提升企业核心竞争力。

（四）加强工业智能相关领域人才培养

一是智能化人才培养。坚持产业需求为指引，鼓励制造业企业与智能领域相关高等院校、科研院所共建实验室、研究院或实训基地，培养高素质应用型、复合型、创新型智能化领域技术技能人才，优化工业智能人才体系。二是加强专业领域人才引进。依托“重庆英才计划”、“鸿雁计划”等平台，加大政策协调和支持力度，围绕工业智能核心技术创新，集聚一批高层次人才，全面增强重庆工业智能发展源动力。三是积极开展人才培训活动。面向全市工业领域，组织行业专家学者、龙头企业信息部门负责人等，通过线上分享、现场调研等方式打造工业智能专题系列培训活动。