21世纪以来,维护生态安全,促进循环经济建设,实施绿色发展战略已成为我国关注的焦点。我国作为制造大国,资源能源需求及机电产品保有量巨大,所面临的能源耗费、环境破坏、报废设备处理问题尤为严重。习主席强调:“建设美丽中国,改善生态环境就是发展生产力。”因此如何降低能耗、减轻污染、有效处理失效机电产品,是我国实现环境友好型和资源节约型强国所面临的严峻挑战。
2015年5月,《中国制造2025》从国家层面确定了我国建设制造强国的总体战略,提出全面推行绿色制造,大力发展再制造产业,实施高端再制造、智能再制造、在役再制造,推进产品认定,促进再制造产业持续健康发展[1]。再制造是实现绿色制造的有效途径和重要环节,可实现大量报废产品的再利用,降低我国废品处理的强度和需求。作为我国新兴战略性产业,再制造产业是绿色制造的重要组成部分,是实现节能减排和促进循环经济发展的有效途径。
十九大后,为明确再制造产业发展方向,提高再制造相关技术水平和市场再制造信息管理水平,推动绿色发展模式建设,工信部印发了《高端智能再制造行动计划》。其中提出:到2020年,我国将突破一批制约高端智能再制造发展的关键共性技术,发布50项高端智能再制造管理、技术、装备及评价标准,建立中国特色的再制造产品应用市场化机制;推动建立100家高端智能再制造示范企业、技术研发中心、服务企业、信息服务平台、产业集聚区等,以带动我国再制造产业规模达到2000亿元[2]。
目前我国经济正从高速增长阶段逐步转型升级,迈向高质量发展阶段[3]。在十多年的机电产品再制造试点、技术推广应用、标准体系建设和产品认定等工作基础上,我国亟待进一步开展以高技术含量、高可靠性要求、高附加值为核心特性的高端智能再制造,推动高度自动化的无损拆解、柔性智能成形加工、多信息源融合的智能无损检测评估等高端智能再制造共性技术和专用智能装备研发应用与产业化推广。
与此同时,国外再制造由于起步较早,再制造产业发展水平较高,形成了成熟的市场环境和运作模式。其中美国的再制造产品以航空航天、重型装备和车辆、汽车零部件为主,德国则广泛涉及汽车零部件、工程机械、机床、铁路机车、电子电器、医疗器械等领域。发达国家相关技术的自动化水平明显高于我国,但由于其市场体量等因素,再制造发展的企业意愿尚待优化。近年来,美国白宫发布了《为人工智能的未来做好准备》[4]和《美国国家人工智能研究与发展策略研究》[5],突显了世界的智能化前景;德国发布《德国2020高技术战略》[6],提出了工业4.0概念;英国发布《人工智能:未来决策制定的机遇和影响》[7],描述了英国的相关对策;法国制定了《国家人工智能战略》[8],把人工智能提高到国家战略高度。这些智能化战略的相继实施,也在不断推动相关再制造产业的智能化发展,如美国NASA已开始研究在太空进行智能化再制造的可能性[9],丹麦开始创建《丹麦数字枢纽中心》[10],欧盟计划到2020年底建立《欧洲人工智能联盟》[11]。
对比国外再制造发展情况,尽管我国确立了明确的智能再制造发展方向,目前也有很多公司和科研机构已关注到智能化对再制造产业的促进作用并做出了初步探索,例如在激光熔覆参数优化、多信息源无损检测等技术方向都进行了智能化实践[12-13]。但真正的理论体系和技术路线还不清晰,也没有形成真正的智能再制造产业化的成果及应用。同时再制造不仅仅是一类技术,而且包含承载这些技术的企业和市场,是一个涉及全产业链的大规模产业体系,需要从多角度考虑全链条的智能化升级路径。针对以上问题,文中从宏观产业体系及行业核心技术体系结合的角度,梳理了智能再制造的发展体系和技术路线,提出了展望。
1 智能再制造的内涵与意义 1.1 智能的内涵与意义我国古代将“智”与“能”看作两个相对独立的概念,智能即是智力与能力的总和。智能包括了感觉、记录、回忆、思维、语言、行为等整个过程[14]。近代以来,为了研究和开发用于模拟、延伸和扩展智能的理论、方法、技术及应用系统,人工智能学科应运而生。
将人工智能运用于特定的行业或某一方面的应用,汇集包括现代通信与信息技术、计算机网络技术、行业技术和智能控制技术等先进技术,称为智能化[15]。智能化使行业系统具有以下能力:感知能力,即系统可以获取工作场景和环境信息;记忆和思维能力,即系统能够将信息储存并产生逻辑思维,以此将信息进行处理和分析并进行判断和决策;学习能力和自适应能力,即系统与外部世界进行相互作用,自主学习并不断优化完善以适应工作情景。
目前,人工智能已成为国际经济创新的新焦点、经济发展的新引擎、社会信息化建设的新机遇。我国已确立新一代人工智能基础理论体系,涵盖了众多人工智能领域的共性技术,对于推动我国制造业供给侧结构性改革,培育经济发展新动能,构建新型制造体系,促进制造业全面向中高端迈进有重要意义。再制造产业中由于采用的毛坯具有各异性,其生产过程定制化程度高,对新一代人工智能的需求十分迫切。
1.2 智能再制造的涵义再制造工程是指以产品全寿命周期理论为指导,以实现废旧产品性能提升为目标,以优质、高效、节能、节材及环保为准则,以先进技术和产业化生产为手段,进行修复、改造废旧产品的一系列技术措施或工程活动的总称[16-17]。我国的再制造工程是从维修工程、表面工程发展而来,主要采用尺寸恢复和性能提升法,可再制造率高、资源能源消耗显著降低,具有突出的节能减排效益。同时再制造融合了寿命评估与无损检测技术,保障再制造产品的使用寿命和性能不低于新品。
在世界范围内,再制造企业普遍规模较小,其主要原因之一是再制造毛坯存在差异性,无法完全实现自动化加工过程,导致无法形成规模化的成本优势。智能化将成为完善再制造自动化生产线,将再制造产业做大做强的有力方式。随着信息科技、智能科技的快速发展,再制造的智能化将是历史的必然选择。
智能再制造作为再制造技术与智能技术的有机结合,是面向产品全寿命周期,实现泛在感知条件下的信息化与个性化再制造;是建立在再制造加工技术、传感技术、网络技术、自动化技术和深度学习技术等先进技术基础上,通过智能化的感知、交互、决策和执行,将智能决策贯穿于产品全寿命周期内,实现再制造工艺过程及流程的智能化。为保持我国在再制造方面的先进性,推进高端再制造发展,必须提高再制造全流程技术体系的智能化水平,大力发展包括智能拆解、装配、清洗,智能在线监测,智能无损检测,智能再制造成形加工等再制造全流程相关的智能化技术,图1为智能再制造全寿命周期体系图解。
目前,国家正在倡导信息化与制造业深度融合,推进制造业加速向数字化、网络化、智能化(以下称“三化”)发展。而再制造对象具有小批量、多样化、对柔性要求更高的特点,使得再制造的“三化”成为制造业“三化”的难点和重点。目前再制造产业的“三化”水平较低,国家采取并行推进、融合发展的战略,可充分利用后发优势,并联式全面发展。
2 我国再制造智能化发展现状和机遇1985年,广州有色金属研究院周克崧院士成功研制中国第一套由机器人持枪操作的低压等离子大型喷涂设备[18],首次把再制造的典型加工工艺与机器人相结合。进入21世纪后,再制造加工技术发展到了新阶段,自动化再制造加工技术的发展,进一步提升了表面涂层的关键性能和再制造产品质量,由装备再制造技术国防科技重点实验室先后实现了以下几种自动化技术,包括:
自动化纳米颗粒复合电刷镀技术[19-21]:适用于损伤超差较小、对配合度要求较高的零件的再制造。实验室通过自主创新,针对发动机连杆、缸体等典型零件的再制造产业化问题,在国内外首次成功研制自动化纳米颗粒复合电刷镀专机,实现重载斯太尔发动机连杆和缸体的自动化再制造。
自动化高速电弧喷涂技术[22]:如图2(a)所示,适用于形状较为规则、结构相对简单,腐蚀和磨损超差较大,以及对修复效率要求较高的零部件的再制造。实验室采用自动化设备配合夹具携持喷枪,通过智能规划软件和红外温度场监测对喷枪进行路径规划,以反馈方式实时调节工艺参数,实现喷涂过程的智能控制。
自动化微束等离子熔覆技术[23]:如图2(b)所示,适用于结构形状较复杂,需要冶金结合的重载零件的再制造。实验室基于此技术进行斯太尔发动机废旧排气门密封锥面的再制造修复,减小了气门形变量,恢复了表面硬度,力学性能满足使役要求,使用性能和寿命达到新品水平。
自动化激光熔覆技术[24]:适用于结构相对复杂或形状不规则、需要冶金结合、有良好抗疲劳性能的关键零件再制造。实验室利用此技术对磨损严重的齿轮与凸轮轴进行再制造修复,避免了加工过程中熔覆层开裂及基体局部过热问题,提升了熔覆尺寸精度和熔覆件性能。
这些技术使基于表面工程技术的再制造过程实现了自动运行,大大提高了再制造效率。但由于再制造毛坯的差异性,使用这些自动化技术时需要人工对再制造毛坯进行预处理以及一系列的经验判断。这些人为环节,仍然是限制再制造产业产品质量、产量的瓶颈,亟待解决。
再制造的优异效果需要关键技术予以支撑,主要包括再制造加工技术、无损检测技术、在线监测技术、信息管理与融合技术和清洗与装配技术等[25]。再制造是产业化的生产加工,因此批量化是其内在需要,为了更好地适应智能再制造的产业化要求,再制造过程须实现从手工→自动化→智能化的转变。
随着我国再制造产业规模不断扩大,已初步形成以“尺寸恢复和性能提升”为主要技术、行业特征的中国特色再制造产业发展模式[26]。再制造产业不断向高端、智能方向发展,3D打印和激光清洗等高端技术得到广泛使用。在航空航天领域,航空发动机叶片等核心零部件已实现规模化再制造;在医疗健康领域,高端医疗仪器及影像获取设备的关键零部件再制造取得积极进展;在大型工程设备领域,首台再制造盾构机完成掘进任务后已顺利出洞[27]。
近年来,随着深度学习的成功应用及各种机器学习算法的快速发展,智能概念不断受到政府及民众的重视。现阶段,机器学习方法的发展最为迅速,各种算法的改进及优化方法层出不穷,不断刷新学习效果;在软硬件构架和计算机基础方面,目前各大企业都利用自身科技力量推出了各种开源框架(包括Caffe、MXNet、TensorFlow、PaddlePaddle等),大大提高了人工智能工程项目的开发速度,同时利用FPGA、ASIC进行智能芯片设计的企业也不断涌现,甚至出现了突破“冯诺依曼结构”的专门运行神经网络的芯片,例如IBM发布了TrueNorth芯片[28];在数学基础领域的发展相对较慢,同时也需要长期的理论验证过程,目前的关注相对较少,但这是人工智能未来真正取得突破的理论核心。
为把握人工智能发展的抢先机遇,明确人工智能发展蓝图,持续提高我国科技创新水平,进一步推进经济、社会的转型升级,国务院于2017年7月8日印发《新一代人工智能发展规划》(简称《规划》),旨在加快人工智能与经济、社会、国防深度融合,提升新一代人工智能科技创新能力,构建开放协同的人工智能科技创新体系,把握人工智能技术属性和社会属性高度融合的特征,坚持人工智能研发攻关、产品应用和产业培育“三位一体”推进,全面支撑科技、经济、社会发展和国家安全[29]。
《规划》中确立新一代人工智能基础理论体系,包括:大数据智能理论、跨媒体感知计算理论、混合增强智能理论、自主协同控制与优化决策理论、高级机器学习理论、类脑智能计算理论等。同时给出了众多相关关键技术作为突破方向,包括:知识计算引擎与知识服务技术、跨媒体分析推理技术、混合增强智能新架构和新技术、自主无人系统的智能技术、智能计算芯片与系统、自然语言处理技术等。将新一代人工智能相关技术融合到再制造产业中,对于推进我国高端再制造、智能再制造,促进循环经济发展实现节能减排,构建新型制造业体系具有重要意义。
3 智能再制造技术体系智能再制造技术体系涵盖再制造全流程相关智能技术,主要包括再制造智能信息管理及识别技术、智能再制造成形加工技术、再制造智能拆解清洗技术、再制造智能在线监测技术、再制造智能无损检测技术这5部分,是学科交叉融合、产业相互协作的综合体系。
其中智能信息管理与识别是智能化技术的核心,是再制造全量信息提取的源头和处理中枢;而智能再制造成形加工技术、再制造智能拆解清洗技术、再制造智能在线监测技术、再制造智能无损检测技术是把再制造全流程技术与信息的全面融合并使用先进控制技术进行自动化实施,其信息交互及生产流程关系如图3所示。
3.1 再制造智能信息数据管理及识别再制造智能信息数据管理及识别技术是智能再制造系统的信息中心,也是再制造产业链与再制造技术的核心汇聚点。其主要包含两大部分:全产业链信息管理体系及再制造智能识别技术。
全产业链信息管理体系:由于再制造行业所包含的信息种类众多,因此在整个再制造产业中,产业链全流程信息是再制造产业生存的核心数据信息。如图4所示,在企业层面,包括产品再制造需求信息、再制造产品库存信息、再制造产品价格信息、再制造产品采购信息和再制造产品物流信息等;在技术层面,包括零部件损伤信息、再制造零件性能需求信息、再制造技术工艺信息和再制造产品性能参数信息等。随着大数据时代的不断演进,再制造信息也以大数据形式流通,其特点是规模庞大、数据个体性针对性强,难以获取、存储、管理和分析。
随着人工智能的不断发展,智能算法不断进步,可有效地将相同类别的数据信息归纳、识别成为专业数据库,把相关性总结为行业知识图谱,并将有用的信息提取加以使用,解决大数据“管不住”、“用不好”的问题。
建立企业内与企业间的商业化信息数据库、无损检测过程与再制造加工过程中所涉及的零部件损伤信息数据库、再制造工艺参数信息数据库和再制造产品性能参数信息数据库等,可作为专家数据库或标定数据库,用于零部件损伤形式识别、零部件再制造加工工艺识别与选择、故障诊断和性能参数评价等,并可通过智能化信息交互及管理,实现再制造产品数据快速、可靠、稳定共享与交换,从而使再制造产品可靠使役,大大提高再制造企业效率。
再制造智能识别技术:在再制造工程领域,怎样进一步代替人工完成各异性加工是智能再制造过程研究的核心之一,而智能化就是使机器获得原本属于人类的特有能力,主要包含理解能力和技术运用能力等。理解能力指机器能获取海量工艺的核心本质,并运用于新的、未来的工艺过程;同时对实现再制造过程的机器来讲,技术运用能力包含可自主判断所应使用的工艺手段,以达到最好的再制造效果。
理解能力的核心在于识别,即通过深层次的识别获得所识别物体或物质的本质属性;技术运用能力的核心也是识别,具体指通过大量训练,获得可靠的最优化实施方法,并根据之前大量经验数据自主设计最优工艺方法。因此,通过深度学习获得所需处理对象的本质属性,并赋予其相应的最优工艺方法,就可以通过现有的自动化控制技术,完成智能再制造过程。
智能识别技术服务于所有智能再制造技术,是“智能化”再制造的主要体现之处,其将再制造过程大数据与智能识别,融入到再制造的全寿命周期框图中,如图5所示。图5中与再制造过程相关的大数据模块有产品故障信息、再制造产品损伤检测信息、再制造产品性能需求信息、再制造技术专家知识库、再制造工艺参数信息库、再制造产品性能检测信息。在再制造过程中,现场信息不断地吸纳进入大数据模块中,大数据模块信息也作为先验知识不断地帮助现场进行智能识别,极大提高再制造过程的自主性,减少人为参与因素,提高效率、质量和稳定性。
3.2 智能再制造成形加工再制造成形加工技术是在再制造毛坯损伤部位沉积成形特定材料,以恢复其尺寸、提升其性能的材料成形加工技术[30]。再制造成形加工技术是我国再制造产业的亮点与特色之处,有效提高了再制造率和节能环保效果,技术主要包括:纳米复合再制造技术,如纳米复合电刷镀技术、纳米热喷涂技术等;能束能场再制造技术,如激光再制造技术、高速电弧喷涂再制造技术等;再制造加工技术,如以铣削车削为主的再制造加工技术、切削滚压复合再制造加工技术、砂带磨削再制造加工技术和低应力电解再制造技术等。
我国再制造成形技术主要是利用增材制造技术对损伤零部件进行增材修复的工艺过程。其利用机器人等系统的高柔性控制方法,对缺损零部件进行反求建模、成形分层、路径规划,并选取合适的熔敷工艺过程与参数,采用增材加工方式进行再制造[31]。
再制造成形技术具有其固有的特点:加工对象结构或材质复杂、预处理繁琐、质量控制困难,技术含量高。在增材再制造成型过程中,熔覆材料一般为异质材料,根据材料性能决定熔覆工艺,如激光、等离子、电弧等。不同于增材制造,增材再制造过程并不是从零开始,而是使用旧件作为再制造毛坯进行“坏中修好”,对缺损部位进行修复,成型部位维度更高,因此对其成形控制要求更高。
智能再制造成形加工就是在上述技术的基础上,依据上述技术的工艺大数据,通过智能算法和系统的构建,使上述的工艺实施过程实现自动化实施。其中智能化软件是系统的重要组成部分,将重点解决“如何将再制造过程中监测的实时信号更好的为控制系统所用”和“如何对复杂的多信号反馈内容进行分析、规则化”两个难题。此外,还需要针对不同零件特性建立统一的材料与工艺数据库,借助前述的智能识别能力,最终实现智能化的再制造工艺过程, 如图6所示。
3.3 再制造智能拆解、清洗拆解和清洗是再制造过程的重要工序,是对废旧机电产品及其零部件进行检测和再制造加工的前提,也是影响再制造质量和效率的重要因素[32-34]。
再制造拆解技术是对废旧产品的拆解工艺过程中所用到的全部工艺技术的方法和统称,例如击卸法、拉卸法、压卸法、温差法和破坏法等。目前我国再制造拆解主要依靠工具和设备进行手工拆解,耗费大量时间、人力、费用,严重制约再制造自动化发展[35]。将新一代人工智能技术加入拆解过程,研制自动拆解设备,建立可拆解性智能评测和设计系统、零部件拆解工艺智能选择和优化系统,是实现再制造智能化、深度自动化拆解的有效途径。
再制造清洗是指借助清洗设备或清洗液,采用机械、物理、化学或电化学方法,去除废旧零部件表面附着的油腻、锈蚀、泥垢、积碳和其他污染物,使零部件表面达到监测分析、再制造加工及装配所要求的清洁度的过程[33]。再制造清洗可分为物理清洗和化学清洗两种,物理清洗包括利用热能、电能、超声、激光等作用去除表面污垢;化学清洗通常是利用化学试剂或其他溶液去除表面污垢。
对于化学清洗,未来需建立再制造多组分化学清洗智能平台和零部件清洗溶液智能选择系统,去除人为影响因素,实现端到端的自动化化学清洗过程;对于物理清洗,搭建多自由度、高自动化清洗设备搭载平台,实现清洗状态实时反馈、路径规划优化等。随着两大清洗智能化平台的构建,将使清洗过程向着低耗、环保、高效的方向迈进。
3.4 再制造智能在线监测产品的服役状态监测是对关键零件从损伤产生、损伤扩展至破坏全过程的监控过程[36]。随着传感器技术、物联网技术、大数据技术等不断发展,通过在零件外部、表面或内部配置针对性的传感元件和驱动元件,可感知零件表面和内部的损伤信息,将信息利用智能诊断算法进行分析评测,实现寿命预测、综合决策、安全评估和及时预警,特别的零件配有自动防范措施或自动调节装置,配合零件达到最佳服役状态、排除安全隐患。
在线监测是世界各国都十分重视的重要设备管控环节,在一些诸如航空航天、海洋工程、核电设备、输油输气管道等领域,一旦设备和零部件突发损毁,造成的损失和影响是极其巨大的。且截止目前,一些大型设备和建筑结构早已服役多年,有的甚至超过预期服役年限,多层面、复杂化的安全隐患层出不穷。
再制造智能在线监测融合了众多前沿技术,构建一个成熟的在线监测系统,需由传感器子系统、驱动元件系统、数据采集系统、数据处理系统、数据传输系统、损伤综合评价系统、安全评价及预警系统等组成。监测智能化的难点主要在于对算法的实时性要求高,算法的抗干扰及鲁棒性需求高。新一代人工智能的提出与发展,为搭建智能在线监测系统提供了新动力、新支持,使得各个子系统的数字化、网络化、智能化程度更高,在线监测的精度更高、实时性更强。
3.5 再制造智能无损检测再制造毛坯由于在上一使用周期的服役情况各不相同,因此对其进行检测、分析,准确获取其前一生命周期服役情况的综合信息,是对后续的智能化再制造加工过程实现的基础和保障。目前,通过对再制造毛坯的检测主要通过视觉图像获取其3D轮廓信息、图像信息以及各种无损检测手段获得的毛坯内部组织、结构信息。这些信息蕴含着大量的服役过程信息,并与再制造毛坯服役前的原始状态相关,具有巨大的使用价值。把这些信息通过图像、无损检测等方式获取,并通过人工智能方法进行信息的回溯、筛选及分析,是未来人工智能在机械再制造领域必须解决的基础性问题。无损检测过程探寻零部件在不同力、磁、电、热等物理场耦合作用下的信号变化机制[37-40],是对零部件原始信息的有损转化。因此联合多种无损检测手段,通过不同的信息源,联合获取再制造毛坯的综合服役信息,是提高无损检测效果和能力的重要途径。其中,无损检测与各种微观组织结构的对应关系,如晶粒大小,晶体结构类型与分布,内部杂质含量、硬度、拉压强度等等参数都有一定的对应关系;图像信息可以获得再制造毛坯表面的实际特征,包括表面颜色、粗糙度、形貌等信息;使用多摄像头可以获得零部件的外部3D信息,通过转化可以获取再制造毛坯的零件实际服役后尺寸与形状。
在一个服役周期内,每一次使用过程都是对零件的一次信息写入,零部件经过不断使用,最终转变为废旧零件(再制造毛坯)。与此同时,反复的信息写入会导致大量信息被覆盖和重叠,导致最终的再制造毛坯仅剩残余部分信息,但这些残余信息的信息量巨大,使分析零部件的整体使役过程保留了可能。未来设备、零部件结构越加复杂、材质更加多样化、使役环境恶劣、失效形式复杂,因此在进行零部件再制造前,对其进行无损检测和性能评估是必须的,并且将面临巨大挑战。
无损检测过程是在不损害或不影响被检测对象使用性能的前提下,采用射线、超声、红外、电磁等原理技术并结合仪器对材料、零件、设备进行缺陷、化学、物理参数检测的技术,其特点是:非破坏性、互容性、动态性、严格性以及检测结果的分歧性[41]。因而提高无损检测的可靠性和检测能力,需要探寻零部件在不同力、磁、电、热等物理场耦合作用下的变化机制,研究提取出各个物理参数的特征量,建立起此物理特征量与损伤信息的映射关系,并相应研发各种不同无损检测技术所需的先进传感、激发、接收等设备以及损伤关系数据库,实现装备、零部件的智能定量无损检测和性能评估。
常见的无损检测方法众多,如超声检测、磁记忆检测、磁巴克豪森检测、多频涡流检测、激光全息检测等,目前在缺陷监测、寿命评估等领域大量应用。然而传统的无损检测手段信号单一,由于检测信号只能表征材料特征的部分状态,同时无损检测对信号的标定困难,因而信号反映的材料特征一般多为定性分析,无法达到定量表征的要求。未来采用深度学习等智能算法对各个特征值进行智能整合或优化选择,提取最佳特征值进行标定试验,建立零部件性能参量与特征值的复杂映射关系,将大大提高无损检测的可靠性,获得更多的服役信息,如图7所示。
总之,依靠前期所建立大量各种参量信息数据库,构建智能综合无损检测平台,将各种检测信号或特征值整合,探寻它们之间关系的同时,对被测零件进行联合无损检测,将大大提高无损检测精度和实用性,为智能再制造工艺过程提供可靠的数据保障。
4 我国智能再制造发展存在的主要问题及展望 4.1 智能再制造发展中的主要问题近年来,我国人工智能的研究基本与世界同步,各种商业化应用也在部分消费行业快速推广。但人工智能的研究与工业、企业部门(包括再制造产业部门)的结合度较低,存在不少难点;同时再制造企业规模普遍偏小,总体竞争能力不强。因而再制造产业智能化发展虽具有极大潜力,但也面临市场、技术、政策、逆向物流等一综合系列障碍和挑战。
4.1.1 基础智能技术与再制造技术脱节问题相比于普通制造业,再制造技术实施对象的差异性本身就需要更加智能的加工手段来替代人工,实现自动化、批量化。目前深度学习技术已经可以运用于信息管理及识别、再制造成形加工、再制造拆解清洗、再制造在线监测、再制造智能无损检测等再制造产业技术全流程,因而如何使这些技术运用于再制造产业是未来相关行业必须面对的核心问题。然而由于再制造属于小规模、小平台发展阶段,无法吸引大量资金,在有限的企业规模上无法提供用于智能化技术改造的相关资金支持;同时由于规模限制,智能化改造在无范例、无基础、无产业政策的情况下无法给予企业家可靠的预期回报,智能化改造的吸引力不足。
这些限制使以深度学习为代表的智能化技术虽然在消费领域的运用不断成熟,但在制造及再制造行业领域没有取得相应的进展。同时这些智能化技术所需的产业大数据由于再制造产业的分散性和多样性,目前没有成熟的收集和使用方式,这也限制了智能再制造的发展。
4.1.2 交叉学科的人才培养问题在人工智能与再制造技术的结合上,由于机械领域与智能领域的专业跨度大、相关基础学科差异大,导致目前我国从事再制造行业的人员对人工智能相关知识认识不充分,了解不全面,无法建立系统性思维。因而相关交叉型人才的不足制约着智能再制造的体系建立和快速发展。同时由于专业差异和学科限制,我国相关教育机构在机械、制造与人工智能这个交叉领域的着力不足,后备人才缺乏。
4.1.3 再制造产业的政策引导问题再制造产业作为制造业与服务业结合的一种高端制造业态,其发展受国家法规政策的影响较大。目前支持再制造产业发展的法规文件已陆续颁布,但普遍缺乏相关细则,可操作依据不明确。同时我国市场缺乏对再制造产品流通的统一安排,对于废旧零部件的置换或采购没有相关政策和体系支撑,旧件采购因无法取得增值税发票进行成本抵扣,导致成本高企。我国多年来未建立起有效的废旧零部件回收体系,废旧零部件的回收主体不明确,旧件回收规模难以满足再制造企业需求。
上述问题导致目前再制造企业发展困难,同时产业技术大数据的收集仍未有效进行,而这是人工智能技术高效落地于再制造产业的重要基础。因而聚合企业与政府力量,高效、低成本的收集相关再制造产业与技术数据,也是未来需要突破的又一瓶颈。
4.2 智能再制造发展展望随着我国工业化产业升级的不断推进,以及外部环境要求的不断苛刻,未来的工业智能要求不断提高。将聚焦智能化再制造过程中的理论与技术,在再制造工程领域,实现数字化-网络化-智能化并行发展进程。国家目前正在积极倡导信息化与制造业深度融合,推进制造业加速向数字化、网络化、智能化发展,作为制造业的后续环节,具有绿色、环保、可持续特色的再制造产业的智能化发展需求十分迫切。针对前述相关问题,未来智能再制造发展将着力于以下几个核心点。
4.2.1 技术体系与关键技术未来我国依托智能再制造体系大力发展全寿命周期中的再制造先进技术,结合再制造信息分析、管理技术与人工智能的深度融合,需着力构建完整智能再制造技术体系,如图8所示。智能再制造体系是先进再制造技术与人工智能技术通过数据深度融合发展的产物,因而从技术体系来看,主要包括再制造技术群与人工智能技术群。其中再制造技术群主要包括再制造信息管理及识别技术、再制造成形加工技术、再制造拆解清洗技术、再制造在线监测技术、再制造无损检测技术等5个部分,人工智能技术群则包括数学基础、计算机基础、机器学习方法、软硬件构架4个部分。这些技术的发展,将为智能再制造的发展提供理论和技术支撑。
人工智能技术随着2012年神经网络的成功应用而为人熟知,近年来得到了爆发式发展[42]。这些技术以经验及设计方法为主,鉴于人工智能具有学科高度交叉的特性,到目前为止,还未出现为学界广泛承认的理论基础。因而,目前智能技术的蓬勃发展仍只是开启未来之门的前奏,在不远的将来,随着相关基础理论的突破,将开启新的智能之路,而再制造未来也将在智能化发展的道路上不断演进,为我国创造真正的“循环经济”而努力。
4.2.2 人才培养未来需要在相关交叉学科人才培养上加大力度,设立相关交叉学科专业,把相关机械基础学科教学与智能领域学科教学相互融合,加强人才的视野和系统性思维,提高人才对智能化社会的适应能力。同时发展人才的后教育模式,借鉴国际通行做法,设立高水平资格认证模式及培训机构,为后期人才的继续成长助力。
4.2.3 社会认知与产业行业未来将是我国的制造业由生产型制造转变为服务型制造的战略机遇期,服务型制造将成为一种新的产业形态,因而提供产品“后半生”服务的再制造技术将会引起人们更大的关注。社会认知与产业行业是智能再制造发展的原生动力源。因而消除公众和社会对再制造产品的认识误区,建立明确的产品、生产工艺标准与监督监察机制将是智能再制造发展的一大助力。
因而在社会认知与产业行业方面,未来需着力建设智能再制造产业公共服务与信息平台。平台的主要任务有:①加强再制造产业协同协作,整合上下游产业链资源,提升再制造产业化水平,力争实现重点产品领域智能再制造技术突破;②利用信息化手段建立再制造产品综合信息平台,建立包括旧件溯源、产品查询和产品信息及质量追踪的综合平台,充分发挥终端用户和社会的监督及支持作用,并获取可靠的产业及技术大数据;③充分利用当前信息化先进手段,实施“互联网+”再制造行动计划,加快探索建立规范有序的、信息化的逆向物流体系;④推动再制造产业在全社会中的宣传、标准规范制修订和人才培养发展,创新发展相关商业模式,进一步开拓市场再制造产品空间。
4.2.4 国家法规政策方面我国《高端智能再制造行动计划》提出,加快高端智能再制造标准研制的任务[2],未来在国家法规政策方面,需积极推进智能再制造相关产业政策研究制订,尽快探索建立明确的智能再制造行业管理政策体系。加强智能再制造技术的知识产权保护力度,对智能再制造升级中可能涉及的知识产权问题提供保护和支持。同时尽快出台废旧物资回收与再制造相衔接的相关制度,明确逆向物流智能化系统设计框架,建立相关配套监管和数据收集体系。加快出台有利于智能再制造产业升级发展的财税激励政策,加强企业与政府部门协调沟通力度,促进规范经营企业的产业升级积极性。
这些政策的出台将促进再制造企业发展,并最终保证再制造智能化发展过程中的预期回报,提高智能化改造的吸引力及成功率。
5 结 语智能再制造作为再制造发展的新阶段,是时代发展、科技发展、环境保护等综合因素正在促成的一个新业态,是未来我国成为美丽中国的重要手段,也是人民实现美好生活的重要途径。随着智能技术的发展,智能再制造将成为一种可实现的技术综合体,并将在未来不断递进发展。
智能再制造的发展,一方面要不断进行人工智能方向的研究,在大数据信息处理与融合、机器学习、智能感知等方面不断优化进步,有针对性地为智能再制造过程奠定基础;另一方面,依据智能再制造体系,深度融合新一代人工智能,进行智能再制造技术理论和实践在再制造过程中的创新发展,使人工智能技术运用于全流程再制造过程并不断完善智能再制造技术体系,最终实现再制造体系的高度智能化。为实现智能再制造的快速发展,我国未来需要在相关交叉学科人才培养上加大力度,同时突破高效、低成本收集相关再制造产业与技术数据的瓶颈。
中国特色再制造具有先进的表面工程技术优势,又与方兴未艾的智能化技术相结合,必将保障我国的环境友好型和资源节约型社会建设,并成为我国循环经济建设的有力推动者和缔造者。
[1] | 中华人民共和国国务院. 国务院关于印发《中国制造2025》的通知[A/OL] http://www.gov.cn/zhengce/content/2015-05/19/content_9784.htm, 2015-05-19. |
[2] | 工业和信息化部. 工业和信息化部关于印发《高端智能再制造行动计划(2018-2020年)》的通知[A/OL]. http://www.miit.gov.cn/n1146285/n1146352/n3054355/n3057542/n3057545/c5900275/content.html. 2017-11-09. |
[3] | 中国工程院. 中国智能制造发展战略研究报告[R]. 2017.12. |
[4] | Executive Office of the President National Science and Technology Council Committee on Technology. Preparing for the future of artificial intelligence[R]. 2016. |
[5] | Executive Office of the President National Science and Technology Council Committee on Technology. The national artificial intelligence research and development strategic plan[R]. 2016. |
[6] |
黄群. 德国2020高科技战略: 创意•创新•增长[J]. 科技导报, 2011, 29(8): 15-21
HUANG Q. 2020 High-tech strategy for german: idea innovation growth[J]. Science & Technology Review, 2011, 29(8): 15-21 (in Chinese) |
点击浏览原文 | |
[7] | Science O F. Artificial intelligence: opportunities and implications for the future of decision making[R]. 2016. |
[8] | 李雅文. 法国政府推进《人工智能战略》[EB/OL]. https://mp.weixin.qq.com/s?__biz=MzA4NDc3MDUzNQ==&idx=1&mid=506668917&sn=64d68ff1dd4208331b9cd0b861b4fe3b, 2017, 05. |
[9] | BASSLER J, BODIFORD M, HAMMOND M, et al. In Situ Fabrication and Repair (ISFR) Technologies; New Challenges for Exploration[C]// Aiaa Aerospace Sciences Meeting and Exhibit. 2013. |
[10] | Ministry of Industry, Business and Financial Affairs. New strategy to make denmark the new digital frontrunner[R]. 2018.01. |
[11] | European Commission. Communication artificial intelligence for europe[R]. 2018.04. |
[12] |
倪立斌, 刘继常, 伍耀庭, 等. 基于神经网络和粒子群算法的激光熔覆工艺优化[J]. 中国激光, 2011, 38(2): 93-98
NI L B, LIU J C, WU Y T, et al. Optimization of laser cladding process variables based on neural network and particle swarm optimization algorithms[J]. Chinese Journal of Lasers, 2011, 38(2): 93-98 (in Chinese) |
点击浏览原文 | |
[13] |
杨理践, 马凤铭, 高松巍. 基于神经网络及数据融合的管道缺陷定量识别[J]. 无损检测, 2006, 28(6): 281-284
YANG L J, MA F M, GAO S W. Quantitative recognition of pipeline defects based on neural network and data fusion[J]. Nondestructive Testing, 2006, 28(6): 281-284 (in Chinese) |
点击浏览原文 | |
[14] |
王国花. 中国古代智能观与智能测验[J]. 太原学院学报(社会科学版), 2007, 8(4): 99-101
WANG G H. Ancient Chinese intelligence and intelligence tests[J]. Journal of Taiyuan University, 2007, 8(4): 99-101 (in Chinese) |
点击浏览原文 | |
[15] |
闻邦椿, 周知承, 韩清凯, 等. 现代机械产品设计在新产品开发中的重要作用——兼论面向产品总体质量的" 动态优化、智能化和可视化”三化综合设计法[J]. 机械工程学报, 2003, 39(10): 43-52
WEN B C, ZHOU Z C, HAN Q K, et al. The important role of modern mechanical product design in new product development-concurrently on the three integrated design method of "dynamic optimization, intellectualization and visualization" for product overall quality[J]. Journal of Mechanical Engineering, 2003, 39(10): 43-52 (in Chinese) |
点击浏览原文 | |
[16] |
徐滨士, 董世运, 朱胜, 等. 再制造成形技术发展及展望[J]. 机械工程学报, 2012, 48(15): 96-105
XU B S, DONG S Y, ZHU S, et al. Prospects and developing of remanufacture forming technology[J]. Journal of Mechanical Engineering, 2012, 48(15): 96-105 (in Chinese) |
点击浏览原文 | |
[17] |
徐滨士. 中国再制造工程及其进展[J]. 中国表面工程, 2010, 23(2): 1-6
XU B S. Remanufacture engineering and its development in China[J]. China Surface Engineering, 2010, 23(2): 1-6 (in Chinese) |
点击浏览原文 | |
[18] |
周克崧, 杨大君, 王德政. 低压等离子喷涂设备、工艺及应用[J]. 中国表面工程, 1991, 4(4): 1-4
ZHOU K S, YANG D J, WANG D Z. Low-pressure plasma spraying equipment, process and application[J]. China Surface Engineering, 1991, 4(4): 1-4 (in Chinese) |
点击浏览原文 | |
[19] |
董世运, 徐滨士, 马世宁. 纳米颗粒复合刷镀层性能研究及其强化机制探讨[J]. 中国表面工程, 2003, 16(3): 17-21
DONG S Y, XU B S, MA S N. Properties of electro-brush plated nanoparticle reinforced composite coatings and their strengthening mechanism[J]. China Surface Engineering, 2003, 16(3): 17-21 (in Chinese) |
点击浏览原文 | |
[20] |
涂伟毅, 徐滨士, 董世运, 等. 纳米陶瓷颗粒的电催化效应及其在复合刷镀层中的化学状态[J]. 无机化学学报, 2005, 21(8): 1137-1142
TU W Y, XU B S, DONG S Y, et al. Electrocatalytic effect of ceramic nanoparticles and chemical binding interaction between nanoparticles and matrix metal in composite coating[J]. Chinese Journal of Inorganic Chemistry, 2005, 21(8): 1137-1142 (in Chinese) |
点击浏览原文 | |
[21] | WU B, XU B S, ZHANG B, et al. Preparation and properties of Ni/nano-Al2O3, composite coatings by automatic brush plating[J]. Surface & Coatings Technology, 2007, 201(16/17): 6933-6939. |
[22] | XU B, ZHU Z, MA S, et al. Sliding wear behavior of Fe-Al and Fe-Al/WC coatings prepared by high velocity arc spraying[J]. Wear, 2004, 257(11): 1089-1095. |
点击浏览原文 | |
[23] | LV Y H, XU B S, XIANG Y H, et al. Plasma transferred arc powder surfacing technology of thrust face[J]. Key Engineering Materials, 2008, 373-374: 43-46. |
点击浏览原文 | |
[24] |
徐滨士, 董世运. 激光再制造[M]. 北京: 国防工业出版社, 2016.
XU B S, DONG S Y. Laser remanufacturing[M]. Beijing: National Defense Industry Press, 2016(in Chinese). |
[25] |
中国机械工程学会再制造工程分会. 再制造技术路线图[M]. 北京: 中国科学技术出版社, 2016.
Remanufacturing Engineering Institute of Chinese Mechanical Engineering Society. Remanufacturing technology roadmaps[M]. Beijing: China Science and Technology Press, 2016 (in Chinese). |
[26] |
徐滨士. 新时代中国特色再制造的创新发展[J]. 中国表面工程, 2018, 31(1): 1-6
XU B S. Innovation and development of remanufacturing with chinese characteristics for a new era[J]. China Surface Engineering, 2018, 31(1): 1-6 (in Chinese) |
点击浏览原文 | |
[27] |
李媛. 中国首台" 再制造”盾构机完成地铁隧道洞通[J]. 中国建材, 2016(4): 83-83
LI Y. China's first "remanufactured" shield machine completes tunnel crossing in subway tunnels[J]. China Building Materials, 2016(4): 83-83 (in Chinese) |
点击浏览原文 | |
[28] | AKOPYAN F. Design and tool flow of IBM's truenorth: an ultra-low power programmable neurosynaptic chip with 1 million neurons[C]. Proceedings of the 2016 on International Symposium on Physical Design, 2016: 59-60. |
[29] | 中华人民共和国国务院. 国务院关于印发新一代人工智能发展规划的通知[A/OL] http://www.gov.cn/zhengce/content/2017-07/20/content_5211996.htm, 2017-07-20. |
[30] |
徐滨士, 马世宁, 刘世参, 等. 绿色再制造工程设计基础及其关键技术[J]. 中国表面工程, 2001, 14(2): 12-15
XU B S, MA S N, LIU S C, et al. Design foundation and key technologies of green remanufacturing engineering[J]. China Surface Engineering, 2001, 14(2): 12-15 (in Chinese) |
点击浏览原文 | |
[31] |
朱胜, 周超极. 面向" 中国制造2025”的增材再制造技术[J]. 热喷涂技术, 2016, 8(3): 1-4
ZHU S, ZHOU C J. Additive remanufacturing for "made in China 2025"[J]. Thermal Spray Technology, 2016, 8(3): 1-4 (in Chinese) |
点击浏览原文 | |
[32] |
吉小超, 张伟, 于鹤龙, 等. 面向机电产品再制造的绿色清洗技术研究进展[J]. 材料导报, 2012, 26(s2): 114-117
JI X C, ZHANG W, YU H L, et al. Research progress of the green cleaning technologies in the remanufacturing of mechanical and electrical products[J]. Materials Review, 2012, 26(s2): 114-117 (in Chinese) |
点击浏览原文 | |
[33] |
崔培枝, 姚巨坤. 再制造清洗工艺与技术[J]. 新技术新工艺, 2009(3): 25-28
CUI P Z, YAO J K. Process and technoloies of remanufacture[J]. New Technology & New Process, 2009(3): 25-28 (in Chinese) |
点击浏览原文 | |
[34] |
任工昌, 于峰海, 陈红柳. 绿色再制造清洗技术的现状及发展趋势研究[J]. 机床与液压, 2014, 42(3): 158-161
REN G C, YU F H, CHEN H L. Present situation and development trend of green remanufacturing cleaning technology[J]. Machine Tool & Hydraulics, 2014, 42(3): 158-161 (in Chinese) |
点击浏览原文 | |
[35] |
史佩京, 徐滨士, 刘世参, 等. 面向装备再制造工程的可拆卸性设计[J]. 装甲兵工程学院学报, 2007, 21(5): 12-15
SHI P J, XU B S, LIU S C, et al. Equipment remanufacture engineering oriented detachability design[J]. Journal of Academy of Armored Force Engineering, 2007, 21(5): 12-15 (in Chinese) |
点击浏览原文 | |
[36] |
刘继伟. 基于大数据的多尺度状态监测方法及应用[D]. 北京: 华北电力大学, 2013.
LIU J W. Multi-scale condition monitoring method based on big data and its application[D]. Beijing: North China Electric Power University, 2013(in Chinese). |
[37] |
孙阔原, 蒋理兴, 王俊亚, 等. 轴类工件表面视觉自动检测系统[J]. 无损检测, 2016, 38(6): 53-57
SUN K Y, JIANG L X, WANG J Y, et al. Automatic visual inspection system of shaft part surface[J]. Nondestructive Testing, 2016, 38(6): 53-57 (in Chinese) |
点击浏览原文 | |
[38] |
施成龙, 师芳芳, 张碧星. 超声相控阵系统数据传输的关键技术[J]. 无损检测, 2016, 38(2): 36-39
SHI C L, SHI F F, ZHANG B X. The key technology of data transmission in an ultrasonic phased array system[J]. Nondestructive Testing, 2016, 38(2): 36-39 (in Chinese) |
点击浏览原文 | |
[39] |
任吉林, 刘海朝, 宋凯. 金属磁记忆检测技术的兴起与发展[J]. 无损检测, 2016, 38(11): 7-15
REN J L, LIU H C, SONG K. The rise and development of metal magnetic memory testing technology[J]. Nondestructive Testing, 2016, 38(11): 7-15 (in Chinese) |
点击浏览原文 | |
[40] |
沈功田, 郑阳, 蒋政培, 等. 磁巴克豪森噪声技术的发展现状[J]. 无损检测, 2016, 38(7): 66-74
SHEN G T, ZHENG Y, JIANG Z P, et al. The development status of magnetic barkhausen noise technique[J]. Nondestructive Testing, 2016, 38(7): 66-74 (in Chinese) |
点击浏览原文 | |
[41] |
王自明. 无损检测综合知识[M]. 机械工业出版社, 2005.
WANG Z M. Comprehensive knowledge of NDT[M]. China Machine Press, 2005(in Chinese). |
[42] | SCHMIDHUBER J. Deep learning in neural networks: An overview[J]. Neural Network, 2015, 61: 85-117. |