自工業(yè)革命以來，工業(yè)生產(chǎn)先后經(jīng)歷了機械化、電氣化、自動化、信息化的演進，正從數(shù)字化向智能化邁進，人工智能技術(shù)是新一輪科技革命和產(chǎn)業(yè)變革的重要驅(qū)動力量，AI 大模型以其強大的學(xué)習(xí)計算能力掀開了人工智能通用化的序幕，持續(xù)加速產(chǎn)業(yè)升級和高質(zhì)量發(fā)展，成為推動我國工業(yè)智能化的關(guān)鍵因素和數(shù)字經(jīng)濟發(fā)展的重要引擎。
工業(yè)大模型，特指在工業(yè)領(lǐng)域設(shè)計和應(yīng)用的、具有大量參數(shù)的人工智能模型，它們通過深度學(xué)習(xí)和海量數(shù)據(jù)分析，為工業(yè)自動化、智能化提供了強大的算法支持和決策輔助。工業(yè) 4.0 的浪潮帶來了對智能制造前所未有的需求，工業(yè)大模型作為這一轉(zhuǎn)型過程中的核心驅(qū)動力，其創(chuàng)新應(yīng)用正成為學(xué)術(shù)界和工業(yè)界關(guān)注的焦點。它們不僅能夠提升生產(chǎn)效率，降低運營成本，還能夠促進新產(chǎn)品的快速開發(fā)，提高市場響應(yīng)速度。過去，人工智能在工業(yè)領(lǐng)域的應(yīng)用往往受限于特定任務(wù)，僅能根據(jù)已有數(shù)據(jù)進行預(yù)測或推斷，實現(xiàn)質(zhì)量檢測、預(yù)測性維護等單一功能;現(xiàn)在，工業(yè)大模型憑借卓越的理解能力、生成能力和泛化能力，能夠深度理解工業(yè)特定領(lǐng)域的復(fù)雜問題，處理海量數(shù)據(jù)，并從中挖掘背后的規(guī)律和模式，推動工業(yè)生產(chǎn)走向自適應(yīng)、自決策、自執(zhí)行。從機械制造到供應(yīng)鏈管理，從產(chǎn)品研發(fā)設(shè)計、生產(chǎn)制造到運維服務(wù)，工業(yè)大模型的應(yīng)用正在不斷拓展，其影響力逐漸滲透到工業(yè)生產(chǎn)的每一個環(huán)節(jié)。
卡奧斯基于海爾集團 40 年的制造業(yè)經(jīng)驗，自主研發(fā)了國內(nèi)首個以工業(yè)互聯(lián)網(wǎng)平臺為底座的多模態(tài)大模型——COSMO-GPT 工業(yè)大模型，具備工業(yè)知識問答、工業(yè)代碼生成、工業(yè)文本生成和工業(yè)理解計算等核心能力，已經(jīng)在智能柔性裝配、服裝輔助設(shè)計和注塑機工藝參數(shù)優(yōu)化等場景落地應(yīng)用，并取得顯著成效。本文首先對既有文獻進行梳理，回顧了工業(yè)大模型的發(fā)展現(xiàn)狀;其次深入探討了工業(yè)大模型三種典型的構(gòu)建模式;最后詳細闡述了以工業(yè)互聯(lián)網(wǎng)平臺為數(shù)字底座的 COSMO-GPT 工業(yè)大模型總體架構(gòu)、核心能力和創(chuàng)新實踐探索。
一、工業(yè)大模型的發(fā)展現(xiàn)狀
顧名思義，AI 大模型指具有大量參數(shù)和復(fù)雜結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)模型，是大數(shù)據(jù)、大算力和強算法結(jié)合的產(chǎn)物，是凝聚了大數(shù)據(jù)內(nèi)在精華的隱式知識庫。隨著算力的不斷提升以及大規(guī)模數(shù)據(jù)集的持續(xù)豐富，大批科技公司和學(xué)術(shù)機構(gòu)開始構(gòu)建擁有數(shù)以億計甚至數(shù)千億參數(shù)的神經(jīng)網(wǎng)絡(luò)。大模型的概念是相對以前專用的小模型而言的，大模型擁有更多的參數(shù)和更深的網(wǎng)絡(luò)結(jié)構(gòu)(更多的隱藏層)，可以更好地捕捉數(shù)據(jù)中的復(fù)雜模式，學(xué)習(xí)更高層次的抽象特征，從而在各類任務(wù)處理上擁有更好的性能和更出色的表現(xiàn)能力。
使用通用數(shù)據(jù)集訓(xùn)練得到的 AI 大模型雖然具有強大的自然語言理解與生成能力，但由于缺乏特定行業(yè)的數(shù)據(jù)和知識，在處理特定工業(yè)任務(wù)時，往往難以理解細分領(lǐng)域的專業(yè)術(shù)語和約束規(guī)則，輸出的解決方案無法滿足工業(yè)實際應(yīng)用的要求。此外，AI 大模型在應(yīng)用于工業(yè)場景時往往需要接入企業(yè)的信息系統(tǒng)，由于缺乏企業(yè)業(yè)務(wù)流程、數(shù)據(jù)結(jié)構(gòu)、運營模式等方面的數(shù)據(jù)和知識，生成的解決方案無法匹配特定企業(yè)的實際需求。
近幾年來，為了使 AI 大模型深度適配工業(yè)場景，學(xué)術(shù)界和產(chǎn)業(yè)界開展了大量的研究工作，也取得了比較豐碩的成果。豐田汽車基于計算機輔助工程的優(yōu)化理論，開發(fā)了專為車輛設(shè)計師服務(wù)的工業(yè)大模型，可以將工程約束條件融入設(shè)計流程，根據(jù)文本提示生成的設(shè)計草圖自動優(yōu)化了風(fēng)阻、底盤高度等關(guān)鍵工程參數(shù)。Back2CAD 公 司 在 OpenAI 和 Amazon AWS 等 的支持下開發(fā)了 CADGPTTM 大模型，具有 CAD項目輔助、文檔生成、代碼生成、虛擬助手功能。西門子開發(fā)的 Siemens Industrial Copilot 可迅速生成并優(yōu)化仿真代碼，將原來長達數(shù)周的仿真任務(wù)縮短至數(shù)小時甚至數(shù)分鐘。Vanti 公司開發(fā)的工業(yè)大模型 Manufacturing COPILOT 可以融合來自企業(yè)資源計劃(Enterprise Resource Planning，ERP)、制造執(zhí)行系統(tǒng)(Manufacturing Execution System，MES)等不同信息系統(tǒng)的異構(gòu)數(shù)據(jù)，借助可視化技術(shù)，以自然語言對話的方式與用戶交互，將數(shù)據(jù)分析處理過程轉(zhuǎn)換為易于理解的、可操作的圖形化敘述，實現(xiàn)輔助決策。山東能源集團、華為以及云鼎科技聯(lián)合發(fā)布的盤古礦山大模型是全球首個應(yīng)用于能源行業(yè)的工業(yè)大模型，原先需要工人下礦井逐個檢查的卸壓工程規(guī)范性驗證操作，現(xiàn)在坐在辦公室里就能完成。深信服發(fā)布的安全 GPT 大模型基于海量流量、代碼、安全日志等特定安全領(lǐng)域數(shù)據(jù)，實現(xiàn)了高精準的攻擊流量檢測和解讀，能夠有效檢測 Web 0day 漏洞、高度對抗的混淆、協(xié)議繞過等高級威脅。北京航空航天大學(xué)團隊打造的工業(yè)大模型 AIGC 引擎具有工業(yè)仿真系統(tǒng)代碼生成、工業(yè)數(shù)字孿生場景生成、機器操控指令生成、生產(chǎn)工藝生成等多項功能。
總的來看，當前 AI 大模型在工業(yè)領(lǐng)域的應(yīng)用可以歸結(jié)為兩個方向：一是使模型具備更強的泛化能力，提升小樣本訓(xùn)練效果，使其可以遷移至更多應(yīng)用場景，主要應(yīng)用場景有視覺檢測、質(zhì)量控制、原材料檢測、環(huán)境感知、AGV自主導(dǎo)航等;二是作為工業(yè)應(yīng)用的入口，以自然語言對話的方式生成工業(yè)領(lǐng)域的文字、圖像等內(nèi)容，降低工業(yè)應(yīng)用的使用門檻，主要應(yīng)用場景有生產(chǎn)報表生成、控制代碼生成、設(shè)備監(jiān)控、生產(chǎn)調(diào)度等。
二、工業(yè)大模型的構(gòu)建模式
由于缺乏對工業(yè)細分領(lǐng)域知識的理解，基于大規(guī)模通用數(shù)據(jù)集訓(xùn)練得到的通用大模型往往無法直接生成滿足工業(yè)特定任務(wù)要求的解決方案，因此，為了使 AI 大模型能夠真正賦能工業(yè)智能化發(fā)展，必須構(gòu)建專業(yè)的工業(yè)大模型，目前主要存在三種構(gòu)建模式：預(yù)訓(xùn)練模式、微調(diào)模式和檢索增強生成模式。
（一）預(yù)訓(xùn)練模式
預(yù)訓(xùn)練模式是指按照通用大模型的構(gòu)建方法，收集大量無標注的工業(yè)數(shù)據(jù)集和通用數(shù)據(jù)集，使用 Transformer 等架構(gòu)重新訓(xùn)練模型，學(xué)習(xí)工業(yè)數(shù)據(jù)集中的通用特征和知識，使模型能夠從容應(yīng)對行業(yè)的具體問題。這種模式的優(yōu)點是工業(yè)大模型具備廣泛的工業(yè)通用知識，可以最大程度地滿足各類工業(yè)場景的需求。此模式缺點也同樣明顯，高質(zhì)量工業(yè)數(shù)據(jù)的收集、大量的訓(xùn)練時間、對龐大算力資源的占用、電力消耗以及其他相關(guān)開銷，導(dǎo)致預(yù)訓(xùn)練大型模型的成本高昂，可達數(shù)百萬美元，甚至更高，只有大型科技公司或研究機構(gòu)才有能力承擔(dān)，普通的企業(yè)或個人很難負擔(dān)得起。
（二）微調(diào)模式
微調(diào)模式是指在一個已經(jīng)預(yù)訓(xùn)練好的基礎(chǔ)大模型的基礎(chǔ)上，利用特定工業(yè)場景已經(jīng)標注好的針對特定任務(wù)的高質(zhì)量數(shù)據(jù)集對大模型進行架構(gòu)調(diào)整(例如添加特定的輸出層)和參數(shù)優(yōu)化，從而使其學(xué)習(xí)到工業(yè)細分領(lǐng)域的知識，能夠完成特定的工業(yè)任務(wù)。在微調(diào)過程中，通常會選擇凍結(jié)大模型的底層參數(shù)，以保留其在預(yù)訓(xùn)練階段學(xué)習(xí)到的通用知識，只更新模型的頂層或新添加的適配器層，以學(xué)習(xí)特定任務(wù)的特征。微調(diào)模式能夠合理利用預(yù)訓(xùn)練基礎(chǔ)大模型的廣泛知識，通過微調(diào)使其能夠適應(yīng)特定的任務(wù)需求，減少從頭開始訓(xùn)練所需的時間和資源，并且對數(shù)據(jù)量的要求更低，單個任務(wù)的微調(diào)通常只需要幾千至上萬條工業(yè)數(shù)據(jù)，但要求所用的數(shù)據(jù)已被標注。
（三）檢索增強生成模式
檢索增強生成模式是指為已經(jīng)預(yù)訓(xùn)練好的基礎(chǔ)大模型外掛一個它能理解的行業(yè)知識庫(通常為向量數(shù)據(jù)庫)，在不改變原大模型參數(shù)的情況下，使其能夠在生成響應(yīng)之前引用訓(xùn)練數(shù)據(jù)集之外的權(quán)威知識，從而快速接入工業(yè)細分領(lǐng)域的信息，實現(xiàn)特定工業(yè)場景的知識問答和內(nèi)容生成。在沒有檢索增強生成前，大模型接受用戶輸入，并根據(jù)預(yù)訓(xùn)練過程中學(xué)習(xí)到的知識創(chuàng)建響應(yīng)結(jié)果。檢索增強生成允許大模型動態(tài)地訪問和利用大量的外部信息，其工作過程如圖 1 所示。檢索增強生成為大模型添加了一個信息檢索組件，這個組件會將用戶輸入轉(zhuǎn)換為向量表示，并于外部行業(yè)知識庫中執(zhí)行相關(guān)性搜索，檢索與之相關(guān)的文檔或信息片段，這些文檔或信息片段不僅提供了上下文背景，還擴展了模型對特定領(lǐng)域或話題的理解，大模型根據(jù)接收的這些文檔或信息片段以及用戶的原始輸入來生成答案。這種模式的優(yōu)勢是無需進行額外訓(xùn)練，只需構(gòu)建和接入權(quán)威的行業(yè)知識庫，就能快速利用現(xiàn)有的基礎(chǔ)大模型實現(xiàn)對工業(yè)領(lǐng)域知識的理解和應(yīng)用，后續(xù)大模型的更新和維護也僅局限于信息檢索組件和行業(yè)知識庫的迭代。但與預(yù)訓(xùn)練模式和微調(diào)模式相比，這種模式的泛化能力和穩(wěn)定性要差，可能無法充分適應(yīng)工業(yè)場景的需求。
圖 1 檢索增強生成模式的大模型工作過程
三、基于工業(yè)互聯(lián)網(wǎng)平臺的工業(yè)大模型通用體系架構(gòu)
在工業(yè)大模型的開發(fā)實踐中，預(yù)訓(xùn)練、微調(diào)以及檢索增強生成構(gòu)建模式構(gòu)成了一套豐富而靈活的框架體系，鑒于不同工業(yè)場景對模型性能、效率及可解釋性等方面的多樣化需求，綜合采用上述多種構(gòu)建方式已成為一種趨勢。卡奧斯基于海爾集團 40 年的制造業(yè)經(jīng)驗，以多個開源通用大模型為基礎(chǔ)，在微調(diào)的同時融入檢索增強生成機制，自主研發(fā)了國內(nèi)首個以工業(yè)互聯(lián)網(wǎng)平臺為數(shù)字底座的多模態(tài)大模型——COSMO-GPT 工業(yè)大模型(見圖 2)，其總體架構(gòu)可以概括為“1+1+N”，即 1 個數(shù)字底座、1個能力引擎和N 個應(yīng)用場景。
（一）數(shù)字底座
數(shù)據(jù)質(zhì)量直接決定了工業(yè)大模型的性能，如果輸入的數(shù)據(jù)存在噪聲或代表性不強，必將使模型的推理能力下降，若數(shù)據(jù)類型單一，還可能增加過擬合的風(fēng)險。因此，無論是采用預(yù)訓(xùn)練模式、微調(diào)模式，還是檢索增強生成模式，想要得到泛化能力強、準確性高的工業(yè)大模型，都必須先獲得高質(zhì)量的工業(yè)數(shù)據(jù)集。工業(yè)互聯(lián)網(wǎng)平臺作為數(shù)字底座，可以提供工業(yè)設(shè)備接入、數(shù)據(jù)采集、數(shù)據(jù)清洗、數(shù)據(jù)集成等能力，為工業(yè)大模型的預(yù)訓(xùn)練、微調(diào)和檢索增強生成奠定堅實的數(shù)據(jù)基礎(chǔ)。以卡奧斯 COSMOPlat 工業(yè)互聯(lián)網(wǎng)平臺為例，該平臺已鏈接企業(yè) 90 萬家，服務(wù)企業(yè) 16 萬家，平臺的現(xiàn)代工業(yè)數(shù)據(jù)棧能夠高效采集來自企業(yè)工業(yè)軟件、信息系統(tǒng)、傳感器和生產(chǎn)設(shè)備等的海量異構(gòu)數(shù)據(jù)，并進行實時數(shù)據(jù)清洗、融合、分析和標注，目前已建立工業(yè)數(shù)據(jù)集 562 個，其中有效數(shù)據(jù) 300 余萬條。
（二）能力引擎
基于工業(yè)互聯(lián)網(wǎng)平臺，卡奧斯積累了 3900余個用于研發(fā)設(shè)計、生產(chǎn)制造、服務(wù)管理等環(huán)節(jié)的工業(yè)機理模型，200 余個用于故障診斷、路徑規(guī)劃、生產(chǎn)調(diào)度、質(zhì)量控制等場景的專家算法，以及大量工業(yè)知識圖譜、專用詞典、行業(yè)標準、發(fā)明專利等，并基于這些內(nèi)容建立了面向工業(yè)細分領(lǐng)域的行業(yè)知識庫，為大模型的檢索增強生成提供了有力支撐，這使得 COSMO-GPT 工業(yè)大模型具備了五大核心能力：一是工業(yè)知識問答，針對特定工業(yè)場景中的知識點進行信息查詢和問題解答，包括注塑機、工業(yè)機器人、機床等生產(chǎn)設(shè)備的操作知識，工業(yè)生產(chǎn)和加工的標準操作流程，設(shè)備故障原因分析和維修建議，工業(yè)環(huán)境中的安全規(guī)范，材料、組件和產(chǎn)品的技術(shù)規(guī)格等;二是工業(yè)代碼生成，包括工業(yè)設(shè)備的控制代碼、PLC 等控制器的控制代碼、工業(yè)機器人路徑規(guī)劃和動作序列代碼、數(shù)字孿生和仿真代碼、數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(SCADA)使用的腳本、用于數(shù)據(jù)處理和分析的代碼等;三是工業(yè)文本生成，包括技術(shù)手冊、操作規(guī)程、維護指南等技術(shù)文檔，生產(chǎn)報告、質(zhì)量分析報告、設(shè)備運行報告、故障診斷說明等分析報告，安全教育、操作指南等員工培訓(xùn)材料，團隊協(xié)作記錄、會議紀要、交接班報告等溝通文檔，設(shè)計規(guī)格說明等設(shè)計文檔等;四是工業(yè)理解計算，包括物料齊套檢查、設(shè)備物料選型、訂單延期推算、產(chǎn)品不良率統(tǒng)計分析等;五是工業(yè)多模態(tài)，支持文本、圖像、語音等多種類型的工業(yè)數(shù)據(jù)，增強工業(yè)信息理解和推理能力。
（三）應(yīng)用場景
通過模型即服務(wù)的部署架構(gòu)，COSMO-GPT工業(yè)大模型可以面向不同行業(yè)、不同需求，為用戶提供輕量化、定制化的解決方案，實現(xiàn)從交互設(shè)計、虛擬仿真、網(wǎng)絡(luò)協(xié)同、柔性生產(chǎn)到智能服務(wù)全生命周期的智能化升級，助力從場景、企業(yè)、園區(qū)、行業(yè)到城市的數(shù)字化轉(zhuǎn)型，打造矩陣式賦能新范式。
COSMO-GPT 工業(yè)大模型的工業(yè)知識問答、工業(yè)代碼生成、工業(yè)文本生成、工業(yè)理解計算和工業(yè)多模態(tài)等能力已在交互設(shè)計、虛擬仿真、網(wǎng)絡(luò)協(xié)同、柔性生產(chǎn)和智慧服務(wù)等多個環(huán)節(jié)進行應(yīng)用探索。
（一）智能柔性裝配
隨著生活水平的不斷提高，消費者對產(chǎn)品的需求趨向于個性化、多樣化。為了獲得市場競爭優(yōu)勢，家電、汽車等制造行業(yè)紛紛改變原來單一化、規(guī)?；⒄w化的生產(chǎn)模式，向大規(guī)模個性化定制生產(chǎn)轉(zhuǎn)型，多品種、小批量訂單日益增多。但由于生產(chǎn)線缺乏動態(tài)調(diào)整和快速重構(gòu)能力，多品種、小批量產(chǎn)品的混線生產(chǎn)帶來了模具、工裝夾具等的頻繁更換和機器參數(shù)、控制程序等的頻繁調(diào)整，生產(chǎn)換型時間長，產(chǎn)品總裝工序 80% 以上的操作依賴人工，生產(chǎn)效率低。
COSMO-GPT 工業(yè)大模型可用于家電產(chǎn)品的裝配場景，實現(xiàn)智能柔性裝配，降低多品種、小批量訂單的生產(chǎn)成本，縮短交付周期。智能柔性裝配系統(tǒng)的工作原理如圖 3 所示，系統(tǒng)利用射頻識別技術(shù)獲取訂單信息，判斷待生產(chǎn)對象是否為新產(chǎn)品。對于新產(chǎn)品，多模態(tài)大模型利用 CAD 數(shù)字模型等設(shè)計數(shù)據(jù)、上游生產(chǎn)任務(wù)數(shù)據(jù)和裝配工藝知識圖譜，生成零部件裝配工藝步驟，每個工藝步驟的操作流程則由機器人技能模型生成，通過數(shù)字仿真模型對軌跡柔順性、抓取精度和作業(yè)節(jié)拍等進行驗證和優(yōu)化(見圖 4)，并由人工調(diào)整工序和軌跡錯誤，從而生成最優(yōu)裝配方案;對于既有產(chǎn)品，則直接從工序庫中調(diào)用既有裝配方案。在執(zhí)行環(huán)節(jié)，系統(tǒng)融合 3D 相機、力傳感器、設(shè)備運行數(shù)據(jù)和工藝參數(shù)數(shù)據(jù)對工況進行實時判斷，對裝配過程進行動態(tài)調(diào)整，已經(jīng)驗證并執(zhí)行過的裝配將被存儲，用于下一次生產(chǎn)調(diào)用。當前，對于冰箱產(chǎn)品，已實現(xiàn)亞毫米級的精準裝配，整機裝配效率提高 42%。
圖 2 智能柔性裝配示意圖
（二）服裝輔助設(shè)計
服裝是個性化、多樣化、時尚化特征最為突出的產(chǎn)品之一，隨著消費者個性化定制需求的日益增長，新品的設(shè)計和生產(chǎn)周期必須控制在幾周甚至幾天以內(nèi)，給設(shè)計師帶來了沉重的工作負擔(dān)。服裝的創(chuàng)意和概念往往是整個設(shè)計過程的瓶頸，消耗了設(shè)計師大量的精力和時間。
COSMO-GPT 工業(yè)大模型能夠應(yīng)用于服裝的概念設(shè)計，實現(xiàn)服裝輔助設(shè)計平臺的搭建，該平臺可以通過用戶描述和參考圖樣快速為設(shè)計師提供設(shè)計方案，實現(xiàn)從概念描述到概念設(shè)計成果的快速產(chǎn)出(如圖 5)。平臺的內(nèi)部運行原理如圖 6 所示：第一步，提示詞生成器以用戶簡單輸入的關(guān)鍵詞為基礎(chǔ)，在行業(yè)知識圖譜中檢索出備選關(guān)鍵詞，用戶對備選關(guān)鍵詞進行選擇，從而篩選出最匹配用戶需求的精確關(guān)鍵詞;第二步，大模型接收精確關(guān)鍵詞，從基于過往典型設(shè)計案例、業(yè)界優(yōu)秀設(shè)計案例等內(nèi)容構(gòu)建的設(shè)計知識向量數(shù)據(jù)庫中檢索相匹配的行業(yè)知識，并生成多個候選設(shè)計方案;第三步，用戶從候選方案中選出最滿意的設(shè)計方案，并可以通過圖像算法對設(shè)計圖進行修改調(diào)整或利用大模型的能力對設(shè)計圖進行局部重繪;第四步，輸出設(shè)計方案和設(shè)計圖。通過服裝輔助設(shè)計平臺，設(shè)計師可以根據(jù)用戶需求輸出服裝風(fēng)格、配色、材質(zhì)、配飾等文字信息，一次生成多張效果圖，完成款式設(shè)計;可以通過局部繪制蒙版的方式實現(xiàn)對服裝配飾的添加、修改和對面料的替換;可以在不更改服裝款式的前提下，僅對服裝顏色進行修改。此外，支持根據(jù)用戶上傳的參考圖片，一次生成多張類似風(fēng)格的效果圖。通過工業(yè)大模型賦能，平臺已經(jīng)支持外套、半身裙、連衣裙、T 恤、馬面裙和衛(wèi)衣共 6 種服裝品類的設(shè)計，可以將設(shè)計師的設(shè)計效率提升 40% 以上。
圖 3 服裝輔助設(shè)計平臺用戶界面
圖 4 服裝輔助設(shè)計平臺中工業(yè)大模型運行原理
（三）注塑機工藝參數(shù)優(yōu)化
注塑成型是一種重要的加工方式，廣泛應(yīng)用于航天、醫(yī)療、汽車、家電等制造行業(yè)，我國超過 80% 的工程塑料都是采用注塑成型工藝生產(chǎn)的。注塑機是注塑成型的核心設(shè)備，也是國內(nèi)市場規(guī)模占比最大的塑料機械裝備。我國塑料生產(chǎn)的年耗電量約為三峽發(fā)電站一整年的發(fā)電量，而注塑成型的電耗在整個塑料生產(chǎn)過程中的占比超過 60%，因此降低注塑加工的電耗是工業(yè)領(lǐng)域節(jié)能研究的一大熱點。注塑成型工藝過程復(fù)雜，涉及 400 余個數(shù)據(jù)點位和注射壓力、保壓壓力、注射速度、熔體溫度、冷卻時間等 100 余個可調(diào)工藝參數(shù)，傳統(tǒng)的參數(shù)調(diào)節(jié)依賴人工試模，調(diào)試周期長，且難以達到最佳配比，導(dǎo)致注塑機經(jīng)常處于非最優(yōu)運行狀態(tài)，電耗居高不下。
應(yīng)用 COSMO-GPT 工業(yè)大模型(如圖 7 所示)， 工 人 以 文 字、 語 音、 圖 片、CAD 圖 紙等方式與系統(tǒng)交互，多模態(tài)大模型準確識別用戶意圖，從用戶輸入中提取注塑件結(jié)構(gòu)參數(shù)、注塑機功能參數(shù)等關(guān)鍵參數(shù)信息，并調(diào)用基于高質(zhì)量注塑數(shù)據(jù)集和極度梯度提升樹、粒子群等算法訓(xùn)練的工藝參數(shù)推薦專家模型，專家模型通過計算輸出最佳工藝參數(shù)，大模型接收工藝參數(shù)，并結(jié)合注塑機工藝參數(shù)配置界面，生成最佳工藝參數(shù)配置方案。依托工業(yè)大模型，即使沒有專業(yè)知識的普通工人也能快速完成注塑機的參數(shù)優(yōu)化調(diào)節(jié)工作，減少了對高技能工匠的依賴，節(jié)省了用人成本和培訓(xùn)成本。基于COSMO-GPT 工業(yè)大模型，已經(jīng)能夠?qū)④嚿硗鈿げ考?、?nèi)飾部件以及洗衣機外筒部件等復(fù)雜注塑件的試模周期由近百次縮短至 2 次，產(chǎn)品質(zhì)量合格率由 92% 提升至 97%，單臺注塑機的平均能耗降低 10%。
圖 5 注塑機工藝參數(shù)推薦系統(tǒng)運行原理
海爾基于多年的制造業(yè)經(jīng)驗和數(shù)據(jù)積累，以工業(yè)互聯(lián)網(wǎng)平臺為數(shù)字底座，構(gòu)建了高質(zhì)量的工業(yè)數(shù)據(jù)庫和行業(yè)知識庫，并在多個開源通用大模型的基礎(chǔ)上，結(jié)合微調(diào)模式和檢索增強生成模式，自主研發(fā)了具備工業(yè)知識問答、工業(yè)代碼生成、工業(yè)文本生成、工業(yè)理解計算和工業(yè)多模態(tài)五大核心能力的COSMO-GPT 工業(yè)大模型。在家電產(chǎn)品的裝配場景，通過生成零部件裝配序列和機器人控制代碼，實現(xiàn)了智能柔性裝配，冰箱產(chǎn)品的整機裝配效率提高了42%;在服裝輔助設(shè)計場景，通過文本輸入和圖像輸入，可快速為設(shè)計師提供設(shè)計方案，實現(xiàn)從概念描述到概念設(shè)計成果的快速產(chǎn)出，設(shè)計效率提升了 40% 以上;在注塑機工藝參數(shù)優(yōu)化場景，可為沒有專業(yè)知識的普通工人快速推薦注塑機的最佳工藝參數(shù)，復(fù)雜注塑件的試模周期由近百次縮短至 2 次，單臺注塑機的平均能耗降低了 10%。COSMO-GPT 工業(yè)大模型的創(chuàng)新應(yīng)用可以顯著提升企業(yè)生產(chǎn)效率，降低運營成本，為 AI 大模型在工業(yè)領(lǐng)域的全面推廣和深度應(yīng)用提供重要參考和啟示。
分享到微信 ×
打開微信，點擊底部的“發(fā)現(xiàn)”，
使用“掃一掃”即可將網(wǎng)頁分享至朋友圈。
基于企業(yè)服務(wù)總線的主數(shù)據(jù)管理系統(tǒng)（...
