业创新中心，并落地地方。 • 该项目将能够为大中型企业建设具有完善数据资产管理能力的大数据平台，并通过汇聚海量高价值制造过程和资源数据，优 化制造流程；通过联网管理高价值的重要装备，汇聚大量实时机器数据，引领制造业服务化的转型。 航天云网公司 —— 国家级工业创新中心 航天云网公司 —— 国家级工业创新中心 中国机械工业集团有限公司 中兴通讯股份有限公司 哈尔滨电汽集团公司 共同参与单位 后利用大数据和基于机器所在行业 的分析工具进行存储、分析和可视 化。最终的“智能信息”可以供决策 者（在必要时实时）使用，或者作 为各工业系统中更广泛的资产优化 或战略决策流程的一部分。 各种产生数据的机器 工业大数据 循环体系 机器数据采集 专有机器数据流 提取存储 基于机器 特征的算 法和数据 分析 可视远程和集 中数据以及智 能信息 优化机器 的数据流 返回机器 各种基于机器以 各种基于机器以 及机器上下文的 分析模型 机器数据系统 工业大数据的核心：机器数据 工业大数据的核心：机器数据 海量高速 机器 24*7 产生，产 生速度快，数据量大 独特数据类型 机器产生的时间序列， 时空序列，或者数组阵 列数据，多种类型 实时深 度分析 基于复杂数值算法的实 时和历史分析 一个典型的大规模机器大数 据应用系统（如工程机械物 联网、油气生产物联网、智

网络的海量中低速物联网设备， 也能够享受到低时延、高可靠的网络服务，极大扩展了端侧 AI 的应用范围。 在产业实践中，端侧 AI 优先策略已经在多个垂直领域展现出巨大价值。智能制造领域， 基于端侧 AI 的机器视觉质检系统可以在生产线上实时检测产品缺陷，检测速度达到每 分钟 1000 件，准确率超过 99.5%，相比传统的云端方案，不仅消除了网络延迟带来 的生产线停顿风险，还将部署成本降低了 60%以上。智慧城市场景中，搭载端侧 60%提升到 95%以上。在医疗影像领域，生成 式 AI 能够从低剂量 CT 扫描图像中重建出媲美常规剂量的高质量图像，在保护患者健 康的同时不影响诊断准确性。 图：正在研发中的多模态感知机器人，来源同济大学机器人与智能感知课题组 多模态智能原生化也推动了新型传感器技术的发展。2026 年可能会涌现出一批创新的 传感器产品，如集成了边缘 AI 处理能力的智能图像传感器、支持多种气体同时检测的 向演进。随着脑机接口、量子 传感等前沿技术的成熟，人类将能够感知和理解更加丰富的信息维度。同时，多模态 AI 将不仅局限于感知层面，而是深入到认知、推理、决策等更高层次的智能活动中， 真正实现机器对物理世界的全面理解和智能交互。这将为 AIoT 产业开辟全新的应用空 间，创造前所未有的价值机会。 · 6 洞察 3 确定性网络与垂类 AI 模型：面向工业/车路云的"确定性时延+端到端可靠"，

决问 题、优化流程和辅助决策的科学，其核心在于使机器具备一定程度的感知、理解、 推理、学习和决策等能力，实现人机交互，提高计算机的智能化水平。 1. 人工智能的发展历程 随着计算机技术的飞速发展、算法的不断优化、算力的大幅提升，AI逐渐从理论走 向实践，并在多个领域取得了显著成果。如今，AI已经广泛应用于语音识别、图像 识别、自然语言处理、机器翻译等领域，成为推动社会进步的重要力量。 AI的 AI的发展历程可以追溯到20世纪50年代，“图灵测试”是其中一个重要里程碑，它 作为评估机器是否具有智能的标准，奠定了AI的理论基础。当时的科学家们开始探 索计算机是否能够像人一样思考和解决问题。人工智能发展历程如图1-1所示。 6 图1-1 人工智能发展历程 （1）知识表示与推理 20世纪60至70年代，专家系统成为AI的研究热点，这些系统通过存储大量的专业知 识和经验来模拟专家的决策过程。I 疗方案制定。在实际应用中，Watson已经成功辅助医生诊断出了多种复杂疾病，并 提供了个性化的治疗建议。 （2）机器学习 20世纪80至90年代，随着统计学习和神经网络等技术的兴起，机器学习逐渐成为AI 的主流技术，使机器能够从数据中自动学习并改进其性能。典型应用场景有“图像 识别与分类”“自然语言处理”（NLP）等。相关案例展示了机器学习在各个领域 中的应用潜力，例如：苹果的Siri和亚马逊的Alexa是自然语言处理的典型应用，

P93 财务共享服务中心新思维 P94 智能机器人 P95 报表订阅机器人 财务人员为业务部门提供数据 服务，定期查询报表数据，整 理后分发给各部门（如每月快 报数据 / 预算执行情况）由于 报表数据的类型多、技术含量 低，又属于定期性的重复操作， 因此必然会耗费财务人员的精 力。报表订阅机器人可根据各 业务部门需求定制报表，最后 作，将财务人员解放出来 资金对账机器人 资金对账机器人可自动执行对 账任务，完成所负责账户的自 动对账及定期生成余额调节表， 并以邮件方式反馈对账结果。 通过资金对账机器人可对接不 同银行账户、收款类型的对账 规则，实现银企对账工作，并 提供对账单记录自动下载，并 按要求整理成导入格式，自动 导入对账单 税费计提机器人 税费计提机器人，可根据预设 单生成的凭证，完成凭证的传 递 财务机器人 P96 自助报账终端 自助报账终端，即企业级实物 数字化智能终端，它涵盖票据 交收、票据自动查验、业务智 能衔接、实物及进度跟踪等 功 能，全局覆盖企业各类票、 证、 单的交收管理，满足跨部 门协 同、跨系统衔接的票据 全生命 周期管理 凭证归档打印机器人 凭证归档打印机器人，可自动 登录各系统，核对后按装订要

行器舱段装配难题的有效途径 ［29］。人与机器根据 操作类型分配任务，并采用视觉、触觉等多种方式 进行交互，共同实现零部件装配。在人机协同装配 模式下，机器负责强度大、重复性的工作，人负责灵 活性强、需要创造力、变化复杂的工作部分。通过 这 种 协 作 模 式 ，可 充 分 发 挥 人 与 机 器 人 的 作 业 优 势，将人类的决策能力、灵活性与机器人的可重复 性、高强度作业能力进行有机融合，进而增强装配 的求解和优化；3） 建立人在回路的装配误差在线补 偿与精准控制方法，将人机协同从任务分配提升到 任务协同层次，实现机器执行的同时，操作人员感 知误差，并通过微调力触觉交互，实现对误差的动 态补偿。 以某型号产品舱段装配为例构建人机协同装 配系统，系统由人、机器人、视觉传感器、力觉传感 器 、AR 眼 镜 、触 觉 交 互 装 置 等 组 成 ，如 图 6 所 示 。 系统将装配环节划分为 information fusion 63 第 42 卷 2025 年第 2 期 上海航天（中英文） AEROSPACE SHANGHAI （CHINESE & ENGLISH） 2.3 基于机器视觉与人工智能的产品制造全过程 质量检测技术 随 着 数 控 机 床 、机 器 人 、自 动 导 引 车 （Automated Guided Vehicle，AGV）等设备在车间大 量使用，数字化加工技术日趋成熟，大大提升了航

料 / 环 / 法 / 测、 生产 / 物流 / 质量 / 自动化： 管理复 杂剧增产生 80% 浪费 市场需求转变 小批量、多品种、定制化、 多变更 德 国： 自动化技术路线 高端装备、机器换人、新 工艺、新材料、智能物流 1000 秒的生产时间： 只有 200 秒是增值加 工 800 秒都是浪费 ! 4 数据路由 ERP 物流执行 工位建模 设备建模 存储系列 93M02 93L01 93G01 93A12 6000084 32HV001A1N01102N HV001LA.1 版外观铝 GI-02 机器全检 HVO0LA.1 版全检铝 HT-01 HVO01LAL1 版碳氢清洗铝 GS-10 HV00LA.1 版委外阳极铝 试 1 H001LA.1 版车削铝 F IC-01 打造透明、可控、少人、柔性的智能工厂； 五更工厂：生产效率更高、生产成本更低、市场响应更快、产品质量更好、员工生活更美 少人 穿梭车立库 堆垛机立库 产线机器人 电子分拣 AGV 搬运 CTU 立库 对象驱动，实时透明 物理控制，防错防呆 机器换人，数据换脑 LD.-Tauch,

Transmission Unit,MTU) 可设 置为 1 400。 2. 4 边缘云方案 该技术方案的云边协同总体架构如图 1 所示。 5G 全连接工厂建设场景主要基于机器视觉 AI 的 分析应用、AR 辅助装配等,针对工厂目前的设备、机 器、仓储、物流调度等业务需求及后续产业智能化升级 规划目标,采用边云协同的解决方案,边缘云采用信息 交换模式(Message 4)。 在生产制造现场,通过不同场景化应用的智能装 备与平台建立连接,制定上层运管的质量标准、工艺标 准及检修管理活动和作业计划。 通过平台任务调度指 令实时下达给现场各类智能测温、自动喷印机器人等 设备,形成信息流、物质流和控制流三流同步合一,保 障产品制造全过程质量稳定和生产高效。 3. 2 基于 5G 和工业互联网的绿色智能工厂技术 架构 5G 全连接工厂从系统层级、智能功能、生命周期 快速定位到该设备并采取相应操作。 3. 3. 2 厂区智能理货 3D 劳动机器化如图 5 所示,通过对转底炉的岗位 梳理与工作职责分析,识别出 3D(即 Dirty:环境恶劣、 Difficult:困难复杂、Dangerous:危险劳动) 岗位,引进 上料无人行车、成品料仓自动发货、锌粉自动收集、锌 粉包装自动喷码、无人转运小车、智能仓库、自动清料 等机器人替代人工劳动。 图 5 所示厂区现有 2 000

提供了清晰的技术导向和落地场景。此外，伴随工业 互联网与数字经济的深入推进，数字孪生被视为实现 产业智能化与数字化升级的核心工具和底座平台。 2.2 人工智能技术 人工智能（AI）作为以机器学习和深度学习为代 表的第 4 次工业革命的产物，具备从大量数据中学习 规律，并执行感知识别、预测决策等智能行为的能力。 在工业生产领域，AI技术具备广泛的应用基础。 在产品设计阶段，引入数字孪生技术构建产品和 别和推理能力，实现对运行状况的智慧解析，为优化 决策提供支持。利用智能化决策牵引优化作业流程， 显著提高业务运行的安全性和可靠性 ［8］。 c）预测性管理。通过对历史数据和实时数据进 行机器学习，数字孪生模型可以提前预测未来趋势和 潜在问题，实现预测性维护和主动干预。例如某企业 在数字化质量系统中引入 AI forecasting 预测技术，对 质量数据进行实时分析判断，一旦发现某工序的参数 预生产试验环境系统对人力资源效率提升的影响 评估 传统劳动密集型的生产制造模式，在数智技术快 速发展的当下，面临巨大的挑战，存在根本性重构的 迫切需求。新型技术赋能的业务系统和工业自动化 机器人的出现，正在改写依靠人力堆积实现快速发展 的业务逻辑。为了逐步提升产线自动化水平和人力 资源效率，解决人力需求与实际需求脱节、人岗不配 备等核心问题，将人力资源投入到重要的生产环节， 亟待

在制造流程实际建立之前对 其进行设计和仿真，尽量降 低风险，并确保流程高效且 有效，同时尽量减少返工。 创建并优化生产计划和时间 表。这有助于缩短设置时 间，充分减少在制品库存， 并充分提高机器利用率。 找出浪费和效率低下之处， 例如瓶颈、不必要的步骤和 过多的库存。一旦发现浪 费，制造商就可以采取措施 消除它。 模拟不同工艺参数对产品质量 的影响。这有助于制造商确定 每个过程的适当设置，从而提 通过智能制造，企业可以使用当前的 MES 运行数据实时更新仿真模型。企业 可以利用半导体专用制造流程清单和信息清单解决方案来简化制造配方和作业 指导说明，并实现它们的自动化。此外，企业还可以获得晶圆量测机器学习分 析和洞察所提供的数据驱动型晶圆洞察优势。 第二步：通过实时报告和 分析实现闭环 高效运行敏捷生产线并收集实时数据 利用闭环方法，企业还可以获得更大的流程灵活性和效率优势，将监管和质量要求 动式质量管理和能够预防缺陷的预测性方法，让企业交付更高质量的半导体，实现 更高的产量。 从精益制造向智能制造的演进是企业取得成功和长盛不衰的关键。 通过开放、全面的物联网 解决方案有机地连接企业 的机器、生产线、工厂和 供应链。 使用虚拟传感器对高价值资产 的运营效率进行建模和分析。 使用来自人工智能和分析工具 的预测性洞察优化制造流程。 消除数据孤岛，实现整个生 产流程的端到端可见性，并

动 配 送 网 络 Data Analysis 物料准时齐套 物 流 基 础 数 据 数 字 化 和 全 流 程 可 视 精 益 物 流 数据分析 数据采集 数据清洗 数据集成 统计优化 机器学习 推理引擎 深度学习 库房 无 人 库 房 （ 立 库 等 ） 自动配置 区 域仓 供 应 商 收货 工 M2M 智能监测 在线分析 运营监控 实时决策 生产工艺流 企业网产品 终端 部件 应用大数据 / 人工智能技术实现制造过程从反应型、纠错型向预测型、 预防型转变 质量大数据智能预警与闭环 设备智能维护 产品智能诊断 智能排产调度与决策 工厂智能物流 人机协作与机器自学习 厚积薄发，集成三个流一朵云智能制造解决方案，建成 E2C 智能工 厂 • 线边超市物料拉式转库 • 物料按节拍自动配送到工 位 • 成品下线 AGV 自动对接 • 配送过程透明可视