AI大闹车间，汽车智造玩出新花样

出品｜虎嗅智库

头图丨虎嗅智库工业AI大会

当下，汽车和新能源产业在人工智能的加持下正发生显著变革。变革不止在于其能源“新”，生产制造方式也面临范式的转变。

 

在智能制造的支撑下，新能源汽车从研发到生产全流程正被极限改造，在“工业AI大脑”的指挥下，汽车零部件实现迅速组装和制造，甚至可以自主运动，所有工序在精密的机器眼监控下“一丝不苟”、“分毫不差”。

 

人工智能在汽车制造业中的应用正迈向一个全新的阶段，在其中有哪些创新落地实践与应用前景思考？

基于此，虎嗅于9月7号、8号两天在苏州举办工业AI 大会，7号上午我们重点探讨了工业AI大模型产业落地的挑战及工业不同的AI大模型在不同应用场景落地案例。

紧接着，7号下午举行《汽车与新能源案例探讨》主题论坛，我们邀请了蜂巢能源科技股份有限公司副总经理周晓毅、广汽集团大圣科技数字制造总监焦建云、施耐德电气中国软件研发中心创新负责人张毅、蘑菇物联联合创始人&UBU总经理谢波、南京汇川工业视觉技术开发有限公司总经理李勃等企业一线专家，深入探讨汽车生产制造过程中，从技术创新到场景落地，汽车和新能源产业数智化具体应用与落地案例。

 

以下为嘉宾的部分观点摘要：

 

新能源动力电池如何应用工业互联网，实现智能制造

 

人工智能（AI）正在加速向工业制造领域渗透。工业AI是从0到1的一个过程，它从具体场景里面长出来，从场景出发，以工业Know-how为建模基础，辅以AI和大数据的技术，与企业整体架构融入共同增强质量拦截，实现降本增效。

电池是机电热化的复杂体，生产工艺极其复杂，工业AI通过融入制造流程的各个点状环节，结合缺陷类的负样本数据，为整个生产系统做配套。企业应当注重与负样本的“不期而遇”、工业AI的平台化建设以及更加开放合作的跨行业共创。

（蜂巢能源科技股份有限公司副总经理周晓毅）

 

研产供存销服，如何打造全链路数字化

当下，年轻人对于汽车的需求越来越趋于个性化，如何满足年轻消费者的个性化配置，要做到以下3点：

第一点，用户需求洞察，做好需求预测。我们用大数据模型，结合扰动预测算法，进行需求预测。工厂端就可以把握销售端的趋势。

第二点，各种汽车零部件物料准备好之后，进行生产排单。针对个性化定制，运用一些AI 算法，结合产线的一些约束条件进行建模。同时结合经营目标，对产能、对效率、对交期、对成本进行优化。

第三点，是具备定制化的生产能力。要把所有的供产销链路全部拉到数字化系统里面来。通过数字化系统能够计算出汽车的透明交期。用户在APP 下单后，可以随时把握他什么时候可以拿到车。交期的透明既是对外，也是对内。对外即用户选好了个性化的一些配置，一些车型，它就可以得到自己的交期时间的承诺。对内，用户下完订单，汽车工厂生产部门马上进行分解，层层把关，最优、最快地交付给消费者。

（广汽集团大圣科技数字制造总监焦建云）

如何打造“灯塔工厂”

 

按照智能制造成熟度，灯塔工厂可以分为单个生产场所的“灯塔工厂”、端到端“灯塔工厂”、可持续“灯塔工厂”三个等级，其中，可持续”灯塔工厂”是成熟度最高的。

智能制造和万物互联是灯塔工厂的两个关键使能器。其中，智能制造需要配备敏捷的数字化开发团队和研发中心。万物互联的实现，需要三个步骤，第一步，打造一个集团级别的物联网平台，对采集数据做感知，采集所有数据；第二步，建立各种模型，比如工厂模型、设备模型、报警模型等；第三步是能动，即通过模型对生产工艺做优化控制，最终实现生产经营的智能化,提高经济和社会效益。

（施耐德电气中国软件研发中心创新负责人张毅）

工业企业能源损耗的痛点：节能降耗是一个系统性问题

新能源的锂电池和汽车以及光伏等新兴的制造业的整个方向呈现出一个显著的特点是随着机器换人成为新趋势，更多的设备在工厂运用，像空压机水泵、风机、冷塔干燥设备、余热回收等等跟能源相关的这些设备，设备能耗也越来越高。

 

在工厂内部来看，从能源进来到能源转换出去，再通过管网，再到生产使用侧。它其实也是一个小小的闭环。每个闭环每个板块从能源的采购买进，来到转换到输送到使用，各有各的需求和痛点。如在公辅车间，通用设备是构成公辅车间的最大能耗。

 

公辅设备的能源流，包含前端的效率和卸载损耗、中端热能转换的损耗、后端的后处理的损耗，以及管网泄露消耗和生产侧的局部高低压不均衡造成的浪费，所以说公辅设备节能降耗是一个系统性问题。借助AIOT技术，在设备端对压力、流量、温湿度等数据采集与决策执行，在边缘端基于AI模型对设备控制进行指令优化，最后借助云端海量数据，进行统计分析和模型训练与优化迭代，对能耗精准预测，实现公辅车间系统性的智能调度。

（蘑菇物联联合创始人&UBU总经理谢波）

如何通过无监督模型，满足工业生产场景需求

工业AI应用场景具有产线换型频繁、缺陷特征一致性不高、全缺陷收集时间久等特性。而实际工业生产过程中，通常要求缺陷品剔除准确率要达到99.9%以上、检测耗时不超过100ms以内。

无监督模型具备更新迭代周期短、样本需求量少、特征提取器强，算法易部署等优点，通过深度学习+机器学习方案，融合图像级别特征，通过建模方案算法异构部署，打造特征建模方案。最终实现模型迭代周期小于10min，200w图像推理耗时在小于30ms，500w图像推理耗时在小于50ms 。

（汇川工业视觉技术开发有限公司 总经理李勃）

通过各位嘉宾的交流和分享，我们可以更好地了解汽车和新能源产业数智化的具体应用与落地案例，也有信心未来将会呈现更多工业AI的创新和成功案例，为未来的发展提供思路和启示。期待在工业AI的推动下，汽车和新能源产业能够实现更大的突破和进步，为行业带来更多的创新和价值。

关于虎嗅智库：

虎嗅智库致力于推动产业数字化以及以“双碳”转型为代表的可持续发展，为参与这个进程的中国企业高管、政府相关决策服务。我们主要的服务手段主要为：研究型内容（报告、分析文章、调研评选）、数据库、线上线下活动与社群、定制型项目等。

 

我们提供的核心价值：

及时与优质的洞察，了解技术、了解行业、了解同行与对手；

为决策者技术与产品战略决策、产业规划、解决方案选型提供重要参考；

帮助市场全面了解前沿科技及所影响产业的发展状况，还有未来趋势。