2025年公需課《人工智能賦能制造業(yè)高質量發(fā)展》試題(附答案)一、單項選擇題（每題1分，共20分）1.在“人工智能+制造”融合框架中，被視為“數(shù)據(jù)—模型—決策”閉環(huán)起點的環(huán)節(jié)是A.邊緣計算節(jié)點部署B(yǎng).工業(yè)現(xiàn)場傳感器采集C.云端算法訓練D.數(shù)字孿生可視化答案：B解析：傳感器是工業(yè)數(shù)據(jù)的第一入口，其采集的原始數(shù)據(jù)為后續(xù)建模與決策提供原料，故為閉環(huán)起點。2.2024年工信部發(fā)布的《制造業(yè)數(shù)字化轉型行動方案》提出，到2025年重點行業(yè)關鍵工序數(shù)控化率應達到A.55%B.65%C.75%D.85%答案：C解析：方案原文明確“75%”為量化目標，體現(xiàn)國家層面對“數(shù)控一代”升級的總體要求。3.下列算法中，最適合用于發(fā)動機焊接缺陷實時檢測的是A.KmeansB.YOLOv8segC.AprioriD.PageRank答案：B解析：YOLOv8seg屬于實例分割網(wǎng)絡，可在毫秒級完成焊縫區(qū)域像素級缺陷定位，滿足實時性需求。4.在工業(yè)元宇宙架構里，實現(xiàn)“虛實同步”的核心技術是A.5GTSNB.OPCUAC.數(shù)字孿生D.區(qū)塊鏈答案：C解析：數(shù)字孿生通過高保真建模與實時數(shù)據(jù)驅動，實現(xiàn)物理實體與虛擬空間的動態(tài)一致。5.某汽車工廠利用強化學習優(yōu)化噴涂參數(shù)，其獎勵函數(shù)設計應優(yōu)先體現(xiàn)A.涂料成本最小B.膜厚方差最小C.VOC排放最小D.一次合格率最大答案：D解析：一次合格率直接關聯(lián)質量與返修成本，是噴涂工藝最核心的KPI，應作為首要獎勵。6.聯(lián)邦學習在高端機床刀具壽命預測中的主要價值是A.降低傳感器精度要求B.避免跨企業(yè)數(shù)據(jù)出境C.提升主軸轉速D.減少邊緣節(jié)點數(shù)量答案：B解析：聯(lián)邦學習允許多工廠在不共享原始數(shù)據(jù)的前提下聯(lián)合建模，符合數(shù)據(jù)主權與合規(guī)要求。7.下列關于工業(yè)大模型的描述，正確的是A.參數(shù)量必須超過千億B.只能部署在公有云C.支持多任務微調D.無法處理結構化數(shù)據(jù)答案：C解析：工業(yè)大模型通過LoRA/QLoRA等微調技術，可在同一基座完成故障診斷、能耗優(yōu)化等多任務。8.在“雙碳”背景下，AI賦能制造業(yè)最先實現(xiàn)規(guī)?；虡I(yè)落地的場景是A.生成式產(chǎn)品設計B.智能排產(chǎn)與能源協(xié)同C.工業(yè)視覺安防D.協(xié)作機器人抓取答案：B解析：智能排產(chǎn)結合峰谷電價與碳排因子，可直接產(chǎn)生可量化的經(jīng)濟與環(huán)境收益，ROI清晰。9.某家電企業(yè)構建知識圖譜時，將“壓縮機冷媒R32”定義為A.實體關系實體B.實體屬性屬性值C.關系實體關系D.屬性實體屬性答案：A解析：壓縮機與冷媒之間為“使用”關系，R32是冷媒實體，故構成“實體關系實體”三元組。10.工業(yè)場景下，對時序數(shù)據(jù)做異常檢測，優(yōu)先選擇的評價指標是A.F1scoreB.AUCC.MAPED.NDCG答案：A解析：F1score綜合精確率與召回率，適合不平衡樣本的異常檢測任務。11.下列哪項不是邊緣計算在智能產(chǎn)線的典型價值A.降低時延B.節(jié)省帶寬C.提高模型可解釋性D.增強數(shù)據(jù)安全答案：C解析：邊緣計算側重部署位置優(yōu)化，與模型可解釋性無直接因果關系。12.在數(shù)字孿生體成熟度分級中，具備“雙向控制”能力的等級是A.一級靜態(tài)鏡像B.二級動態(tài)映射C.三級實時交互D.四級自主優(yōu)化答案：D解析：四級孿生體可通過AI反向控制物理設備，實現(xiàn)自優(yōu)化閉環(huán)。13.工業(yè)視覺項目中，為解決“小樣本”問題，最有效的數(shù)據(jù)增強方式是A.隨機旋轉B.生成對抗網(wǎng)絡（GAN）C.亮度擾動D.網(wǎng)格失真答案：B解析：GAN可合成高保真缺陷樣本，有效擴充分布邊界，提升模型魯棒性。14.工信部“揭榜掛帥”項目對AI工業(yè)軟件的要求中，單類缺陷識別準確率不低于A.85%B.90%C.95%D.99%答案：C解析：2024年榜單技術指標明確≥95%，以保證落地可用性。15.在智能供應鏈中，AI進行需求預測時，最能提升預測精度的外部數(shù)據(jù)源是A.微博情感B.氣象數(shù)據(jù)C.股票指數(shù)D.政策文本答案：B解析：氣溫、降水等對空調、飲料等季節(jié)性制造需求具有顯著因果性。16.下列關于工業(yè)AI芯片的描述，錯誤的是A.GPU適合訓練大模型B.NPU功耗低于FPGAC.FPGA可重構D.ASAI屬于通用芯片答案：D解析：ASAI（ApplicationSpecificAI）為專用芯片，非通用。17.某光伏組件工廠利用AI進行EL（電致發(fā)光）檢測，其圖像分辨率通常為A.320×240B.640×480C.2048×2048D.4096×4096答案：C解析：EL缺陷多為微米級裂紋，需2048×2048以上分辨率才能識別隱裂。18.在工業(yè)場景中，對模型進行“通道剪枝”主要是為了A.提升精度B.降低存儲與延遲C.增加可解釋性D.擴大感受野答案：B解析：剪枝通過移除冗余通道，減少參數(shù)量，從而壓縮模型并加速推理。19.下列哪項標準主要規(guī)范了AI工業(yè)視覺系統(tǒng)功能安全A.ISO9001B.IEC61508C.ISO14001D.ISO45001答案：B解析：IEC61508為電氣/電子/可編程電子安全相關系統(tǒng)通用標準，適用于工業(yè)AI。20.在“燈塔工廠”評選指標中，AI應用占比權重最高的維度是A.資源效率B.敏捷交付C.定制水平D.用戶體驗答案：A解析：資源效率（含能耗、材料、設備綜合效率）直接體現(xiàn)AI對可持續(xù)制造的貢獻，權重達35%。二、多項選擇題（每題2分，共20分）21.下列屬于工業(yè)AI典型數(shù)據(jù)治理難點的是A.多源異構B.采樣頻率不一致C.標簽稀缺D.數(shù)據(jù)主權壁壘E.網(wǎng)絡延遲答案：A,B,C,D解析：網(wǎng)絡延遲屬于傳輸層問題，非數(shù)據(jù)治理本身。22.以下哪些技術組合可實現(xiàn)“AI+零碳工廠”能源管理A.光伏+儲能+AI預測B.微電網(wǎng)+碳排因子動態(tài)定價C.數(shù)字孿生+需求側響應D.區(qū)塊鏈+碳足跡存證E.5G+VR遠程參觀答案：A,B,C,D解析：E項與能源管理無直接技術耦合。23.關于工業(yè)大模型微調策略，正確的有A.全參數(shù)微調成本高B.LoRA可在消費級GPU完成C.PromptTuning需修改模型結構D.RLHF可改善對齊E.知識蒸餾可壓縮模型答案：A,B,D,E解析：PromptTuning僅訓練連續(xù)提示向量，不改結構。24.以下哪些指標可用于評估AI質檢項目ROIA.漏檢率下降幅度B.返工成本節(jié)省C.模型參數(shù)量D.客戶投訴減少E.質檢節(jié)拍縮短答案：A,B,D,E解析：參數(shù)量與ROI無直接經(jīng)濟映射。25.在AI工業(yè)軟件供應鏈安全中，需重點防范A.開源協(xié)議傳染B.模型后門植入C.訓練數(shù)據(jù)投毒D.升級包篡改E.傳感器漂移答案：A,B,C,D解析：傳感器漂移屬于數(shù)據(jù)質量問題，非供應鏈攻擊。26.以下哪些做法有助于提升小樣本故障診斷精度A.遷移學習B.元學習C.數(shù)據(jù)增強D.主動學習E.增加批量大小答案：A,B,C,D解析：批量大小與小樣本場景無關，過大反而過擬合。27.工業(yè)AI項目常見的“數(shù)據(jù)孤島”產(chǎn)生原因包括A.設備協(xié)議封閉B.業(yè)務部門壁壘C.安全策略限制D.時區(qū)不一致E.缺乏統(tǒng)一時鐘答案：A,B,C解析：時區(qū)與時鐘問題影響對齊，但不直接產(chǎn)生孤島。28.關于AI在MRO（維護維修運行）中的價值，正確的有A.預測性維護降低停機B.備件需求預測優(yōu)化庫存C.AR遠程指導提升效率D.機器人巡檢替代人工E.增加設備故障率答案：A,B,C,D解析：E項明顯錯誤。29.以下哪些技術可用于保護工業(yè)AI模型知識產(chǎn)權A.模型水印B.權重加密C.白盒攻擊D.邊緣部署E.聯(lián)邦學習答案：A,B,D,E解析：白盒攻擊是破解手段，非保護。30.在“AI+精益生產(chǎn)”融合中，AI能夠增強A.節(jié)拍平衡B.拉動看板C.5S管理D.價值流分析E.安燈系統(tǒng)答案：A,B,D,E解析：5S依賴現(xiàn)場管理文化，AI作用有限。三、判斷題（每題1分，共10分）31.工業(yè)場景下，AI模型準確率越高，其可解釋性一定越好。答案：錯解析：復雜黑箱模型準確率高但可解釋性差，兩者無必然正相關。32.聯(lián)邦學習允許各參與方共享原始數(shù)據(jù)。答案：錯解析：聯(lián)邦學習僅共享梯度或模型參數(shù)，原始數(shù)據(jù)不出本地。33.數(shù)字孿生體必須依賴3D可視化才能發(fā)揮作用。答案：錯解析：孿生體核心在于數(shù)據(jù)與模型驅動，可視化僅為呈現(xiàn)手段。34.工業(yè)大模型參數(shù)越大，其推理延遲一定越高。答案：錯解析：通過蒸餾、量化、并行推理等技術，大模型也可實現(xiàn)低延遲。35.AI視覺檢測無法識別產(chǎn)品內部缺陷。答案：錯解析：Xray、CT等成像技術結合AI可識別內部氣泡、裂紋。36.在工業(yè)AI項目中，數(shù)據(jù)標注質量對模型性能影響高于算法選擇。答案：對解析：實踐中，清洗與標注質量提升10%，往往比更換SOTA算法提升更大。37.強化學習不適合用于連續(xù)型流程制造優(yōu)化。答案：錯解析：連續(xù)流程如化工反應器溫控，可用RL優(yōu)化設定值軌跡。38.工業(yè)邊緣網(wǎng)關必須支持GPU才能運行AI推理。答案：錯解析：輕量模型可在NPU、DSP甚至MCU上運行。39.AI輔助工藝參數(shù)優(yōu)化屬于知識驅動型應用。答案：對解析：需嵌入專家經(jīng)驗與物理規(guī)則，屬知識+數(shù)據(jù)混合驅動。40.工業(yè)AI系統(tǒng)通過ISO27001認證即可滿足功能安全要求。答案：錯解析：ISO27001為信息安全管理，功能安全需IEC61508/62061等。四、填空題（每空1分，共15分）41.在工業(yè)視覺檢測中，常用于消除圖像噪聲的線性濾波器是________。答案：高斯濾波器42.2025年工信部提出的“智能制造示范工廠”建設目標中，生產(chǎn)效率需提高________%以上。答案：2043.工業(yè)AI芯片中，NPU英文全稱為________。答案：NeuralProcessingUnit44.聯(lián)邦學習框架FATE最初由________公司開源。答案：微眾銀行45.在數(shù)字孿生五維模型里，連接物理實體與虛擬實體的維度稱為________。答案：數(shù)據(jù)46.工業(yè)知識圖譜構建時，用于抽取實體關系的________學習范式可顯著降低人工標注量。答案：遠程監(jiān)督47.工業(yè)時序數(shù)據(jù)常用________變換將信號轉為時頻圖，再輸入CNN進行故障診斷。答案：小波48.在AI能耗優(yōu)化場景中，________算法可在滿足生產(chǎn)節(jié)拍前提下動態(tài)調整設備啟停。答案：強化學習（或Qlearning/DQN）49.工業(yè)大模型微調時，LoRA在權重矩陣上引入________秩分解矩陣。答案：低50.工業(yè)AI項目生命周期中，________階段產(chǎn)生的成本通常占總預算的60%以上。答案：數(shù)據(jù)獲取與治理51.在零碳工廠評價標準中，范圍三排放指________產(chǎn)生的間接排放。答案：價值鏈上下游52.工業(yè)視覺系統(tǒng)相機接口標準________支持最長傳輸距離可達100米。答案：GigEVision53.用于評估AI模型魯棒性的________攻擊通過在輸入添加人眼不可察覺擾動使模型誤判。答案：對抗54.在智能產(chǎn)線邊緣節(jié)點，________協(xié)議可實現(xiàn)微秒級時鐘同步。答案：IEEE1588（PTP）55.工業(yè)AI軟件出口時，需向________部門申請技術出口許可證。答案：商務部五、簡答題（每題8分，共24分）56.簡述工業(yè)大模型在“小樣本”故障診斷場景中的三種落地路徑，并對比其優(yōu)缺點。答案與解析：路徑一：遷移學習+微調。利用源域（公開大數(shù)據(jù)集）預訓練，再在小樣本目標域微調。優(yōu)點：實現(xiàn)簡單、硬件要求低；缺點：源域與目標域差異大時性能衰減。路徑二：元學習（MAML）。通過“任務”級別訓練，使模型具備快速適應新故障類型的能力。優(yōu)點：僅需極少樣本即可收斂；缺點：訓練復雜度高，對任務分布敏感。路徑三：知識圖譜+大模型融合。將專家經(jīng)驗轉化為圖譜，引導大模型生成診斷報告。優(yōu)點：可解釋性強、對樣本需求低；缺點：圖譜構建成本高，需持續(xù)更新。綜上，企業(yè)應依據(jù)數(shù)據(jù)稟賦、算力與專家資源選擇混合路徑。57.說明數(shù)字孿生驅動的“AI+能源優(yōu)化”閉環(huán)架構，并給出關鍵性能指標（KPI）。答案與解析：架構四層：1.感知層（傳感器、智能電表）→2.孿生層（高保真模型+AI預測）→3.優(yōu)化層（強化學習求解器）→4.執(zhí)行層（PLC、SCADA閉環(huán)控制）。數(shù)據(jù)流：實時能耗數(shù)據(jù)→邊緣聚合→孿生體預測未來24h負荷→優(yōu)化器生成設備啟停策略→下發(fā)執(zhí)行→物理層反饋新狀態(tài)→孿生體更新。KPI：①單位產(chǎn)值能耗下降≥8%；②峰值功率削減≥15%；③一次能源利用率提升≥10%；④算法決策時間≤300ms；⑤年減排CO?≥5000噸。該閉環(huán)通過“預測優(yōu)化控制”迭代，實現(xiàn)零碳與經(jīng)濟效益雙贏。58.結合實例闡述“AI+精益”如何消除產(chǎn)線瓶頸，并量化收益。答案與解析：案例：某空調壓縮機產(chǎn)線，瓶頸工位為轉子動平衡。傳統(tǒng)精益通過秒表測時平衡率僅73%。AI做法：1.在平衡機加裝振動傳感器，采集毫秒級信號；2.構建LSTM+Attention模型預測不平衡量；3.與MES聯(lián)動實現(xiàn)提前換刀、動態(tài)調度。結果：平衡率提升至89%，節(jié)拍縮短7.2秒/件，日產(chǎn)增加210臺，在制品庫存下降32%，年節(jié)省人工與庫存資金約1260萬元。結論：AI增強的精益工具可突破人工經(jīng)驗天花板，實現(xiàn)“數(shù)據(jù)驅動”的JIT。六、案例分析題（共11分）59.背景：某動力電池頭部企業(yè)計劃建設“AI+零碳”燈塔工廠，需實現(xiàn)電芯缺陷率≤0.1ppm、單位能耗≤120kWh/萬Ah、碳排