今天，概念風(fēng)起云涌的時代，“智能”變得非常流行，有些人認為“智能制造就是 AI+ 制造”，也有人擔憂“AI 將取代人，讓很多人失業(yè)”。而另一些來自制造現(xiàn)場的人又保持著對 AI 的質(zhì)疑，因為“AI 只是一種解決問題的不得已途徑”，并且如果不了解行業(yè)，AI 的作用與人工差別并無二致。凡此種種，人們似乎賦予了 AI 極高的期望而又充滿質(zhì)疑。確切的說， 應(yīng)該如同流行的那句話所說“人們經(jīng)常過高的 估計了技術(shù)在當下的應(yīng)用，而又低估了技術(shù)在未來的巨大潛能”。

　　考慮到制造現(xiàn)場有大量“不可測性”、“非線性”、“不確定性”、且沒有物理規(guī)律或化學(xué)方程可循的情景。在過去的數(shù)十年里，很多專家都是兼具控制與人工智能的跨界專家， 他們不斷將 AI 的方法用于解決制造現(xiàn)場的控 制問題。因此，AI 應(yīng)用于工業(yè)一直在路上， 只是過去受制于算力成本、數(shù)學(xué)方法的制約， 一直處于探索階段。

　　今天，考慮到算力的經(jīng)濟性，以及需求的迫切性，人們更多將傳統(tǒng)制造中難以解決的問題寄望于 AI。然而，我們必須清楚工業(yè) AI 與商業(yè)的異同，才能發(fā)揮它的價值，為產(chǎn)業(yè)帶來創(chuàng)新與效率提升。

　　商業(yè) AI 與工業(yè) AI 的差異

　　確實，AI 在商業(yè)場景里的應(yīng)用已經(jīng)頗為廣泛，而商業(yè)AI 由于處理的數(shù)據(jù)經(jīng)常是圖片、語音、文字這類高維度數(shù)據(jù)，它蘊含較多的數(shù)據(jù)在里面，因此，可以被挖掘的空間自然是較大的。而與之相反，工業(yè)里A I 處理的數(shù)據(jù)更多在溫度、壓力、振動這些低維數(shù)據(jù)，或者小數(shù)據(jù)，這就使得其在先天上與商業(yè)有著不同。

圖 1: 工業(yè) AI 的需求

　　而工業(yè)還有一些必須予以考慮的情況，則是商業(yè)A I 通常不特別的要求，圖1 表明了工業(yè)A I 的一些特別的需求, 其中有幾個顯著的特征要求：

　　1、實時性/ 周期性：

　　制造現(xiàn)場的控制、邊緣計算任務(wù)通常是周期性的任務(wù)，這意味著A I 在工業(yè)場景里，從數(shù)據(jù)的采集、處理、傳輸、分析、應(yīng)用都必須考慮其周期性特征。而另一方面，實時性等級也將會影響生產(chǎn)的品質(zhì)和效率，因此，數(shù)據(jù)需要打上時間戳，并經(jīng)由時間順序等進行分析，而其推理和執(zhí)行也需要考慮實時性和周期性這顯著的特點。

　　2、互操作：

　　工業(yè)現(xiàn)場，由于異構(gòu)網(wǎng)絡(luò)、以及在控制與邊緣側(cè)數(shù)據(jù)的差異，使得必須考慮在架構(gòu)時，實現(xiàn)互操作性，即，能夠互相識別對方的語法、語義，才能進行同構(gòu)數(shù)據(jù)下的“計算”。

　　3、人機協(xié)作：

　　由于A I 擅長處理那些無法獲得規(guī)律（定理、公式、物理、化學(xué)方程），那么，這種經(jīng)驗，以隱性形式存在的知識，就必須尋找到學(xué)習(xí)的對象，即，人的參與。因此，在實際中，大量的工業(yè)A I 應(yīng)用基本上都是采用監(jiān)督學(xué)習(xí)的方式來進行。

　　4、可解釋性：

　　這牽扯到機器與人的交互，由于像深度學(xué)習(xí)這類算法，更多是基于“黑盒”方式進行數(shù)據(jù)的訓(xùn)練，并形成模型。但是，這存在潛在的風(fēng)險，它缺乏可解釋性，這就導(dǎo)致了潛在的風(fēng)險，99% 的準確率，但1% 的不準確對工業(yè)卻很難接受，因為，這可能意味著大量的良品損失，甚至意味著不安全（功能安全）。

　　5、可擴展性：

　　由于工業(yè)的垂直行業(yè)屬性的特殊性，使得，面向特殊領(lǐng)域的學(xué)習(xí)可以，但如果無法把這些經(jīng)驗和知識擴展到其它領(lǐng)域，那么，A I 的成本就無法被有效稀釋，因此，如何具有高可擴展性，就是工業(yè)A I 必須予以考慮，并在訓(xùn)練以及封裝中考慮的問題。

　　其它分布式、模塊化、魯棒性都是制造業(yè)現(xiàn)場比較通用的需求。

　　工業(yè)AI 應(yīng)用，人是關(guān)鍵

　　在A I 的應(yīng)用中，不要忽視人的作用，“技術(shù)決定論”經(jīng)常放大技術(shù)、軟件、算法的威力，而忽視人在其中的重要性。這包括幾個重要的原因：

　　1、機器是在向人學(xué)習(xí)

　　事實上，A I 經(jīng)歷了漫長的發(fā)展過程，經(jīng)歷了神經(jīng)網(wǎng)絡(luò)的連接主義模擬人的大腦（B r a i n）和模擬人的思維方式的符號主義（Mind）, 包括人的行為反饋然后調(diào)節(jié)策略的行為主義（A c t i o n），但是，最終都回復(fù)到了機器向人學(xué)習(xí)的“機器學(xué)習(xí)”階段，智能從學(xué)習(xí)人開始。

　　人的智能，即，人的思維方式包含了非結(jié)構(gòu)信息處理能力、直覺判斷、自組織學(xué)習(xí)這幾個顯著特性，而這都是A I 所不具備的，因為機器最大的特點是算力，如果了解計算機的原理就知道，計算機僅在利用非常高速的計算能力來處理數(shù)據(jù)，以及大量數(shù)據(jù)存儲和不知疲倦的算力。

　　2、機器學(xué)習(xí)應(yīng)用本身需要專家介入

　　人參與機器學(xué)習(xí)的第二個方面在于“A I”的應(yīng)用項目過程需要人的參與，即，在定義特征值、監(jiān)督學(xué)習(xí)機器學(xué)習(xí)過程，在工業(yè)里，基本上都需要“監(jiān)督”學(xué)習(xí)這種方式，由人對其學(xué)習(xí)的效果進行標定，以讓機器獲得“方向”—知道自己學(xué)習(xí)的是否正確，第三在數(shù)據(jù)學(xué)習(xí)中對數(shù)據(jù)的預(yù)處理、降維等都需要人的參與，因此，在工業(yè)領(lǐng)域里的A I，更是如此，需要人的參與，才能更好的將其良好的與需求結(jié)合，并有效的處理，建立有效的數(shù)據(jù)關(guān)聯(lián)、因果關(guān)系分析。

圖 2: 機器與人的協(xié)作中的能力對比

　　工業(yè)AI的架構(gòu)

　　隨著現(xiàn)在控制器技術(shù)的發(fā)展，P L C 也可以實現(xiàn)機器學(xué)習(xí)應(yīng)用—就本質(zhì)來說，A I 應(yīng)用也是“軟件”，可以采用X20P L C。當然，考慮到算力和存儲、操作系統(tǒng)，推薦貝加萊采用H y p e r v i s o r 技術(shù)的工業(yè)P C，因為它可以將L i n u x /Wi n d o w s 這樣的通用操作系統(tǒng)與工業(yè)現(xiàn)場的嵌入式R T O S 結(jié)合。在多核處理器中分別處理控制和計算任務(wù)，這就是分布式計算與集中式控制架構(gòu)的融合。在圖3中，我們可以看到，貝加萊的P C 可以實現(xiàn)這樣的應(yīng)用集成。

　　算法可以對原有的P I D 過程進行監(jiān)測，并尋求數(shù)據(jù)的最優(yōu)，當然，可以采用靜態(tài)或動態(tài)的數(shù)據(jù)監(jiān)測，以及對歷史數(shù)據(jù)的分析，獲得優(yōu)化后的模型用于進行推理運算。而推理結(jié)果可以直接給控制系統(tǒng)，進行I/O 邏輯、運動控制、工藝控制（溫度、壓力等），并且可以驅(qū)動機器人、輸送系統(tǒng)來實現(xiàn)智能的執(zhí)行。

圖 3: 貝加萊用于實現(xiàn)機器學(xué)習(xí)應(yīng)用的整體架構(gòu)

　　應(yīng)用舉例

　　通過兩個簡單的說明，我們可以看到工業(yè)場景里，在缺陷檢測、參數(shù)優(yōu)化、品質(zhì)改善等方向，機器學(xué)習(xí)都有著巨大的潛力。

　　1、輪胎缺陷檢測分析

　　在傳統(tǒng)的輪胎監(jiān)測中，由于輪胎采用X 光機進行鋼絲圈的成型過程進行檢測，并獲得X 光片，通常由人來對它進行判定，是否合格，或哪種缺陷，引發(fā)的原因，并分類到倉庫，以及反饋給生產(chǎn)工藝環(huán)節(jié)。

　　如圖4 所示，在通過X 光機獲得輪胎的成像信息后，學(xué)習(xí)系統(tǒng)將代替人工對缺陷進行分析，因為鋼絲圈的纏繞過程中，由于機器狀態(tài)或生產(chǎn)中的異常帶來非常多的缺陷問題，例如鋼絲圈的纏繞層次偏差、異物、不均勻的排列、疊加、突出、翹起、異常彎曲干擾其他鋼絲、氣泡等；而輪胎本身因為其內(nèi)部的簾子線、鋼絲圈、橡膠材料的特性，使得在其X 光成像后會有各向異性的紋理，而這些紋理又會對圖像的判斷形成干擾，使得系統(tǒng)出現(xiàn)誤判。

圖 4: 基于深度學(xué)習(xí)的輪胎缺陷分析

　　而基于深度學(xué)習(xí)的方法可以通過對這些不同缺陷的相關(guān)要素進行特征提取，利用濾波算法對干擾因素對圖像進行有效的缺陷特征獲取，從這些復(fù)雜的圖像中尋找到缺陷點，并對缺陷點進行聚類、標定其尺寸規(guī)格，并最終對輪胎的質(zhì)量、等級做出評判，并決定是否歸為廢品，并反饋給制造系統(tǒng)持續(xù)改善。

　　2、印刷壓印力智能調(diào)整

　　在柔版印刷中，壓印力是一個對于品質(zhì)影響較大的因素，尤其在開機階段的調(diào)試，往往依賴于師傅的經(jīng)驗，這往往會造成較大的開機浪費（100-200 米），而這里依賴于人經(jīng)驗的地方就是機器可以去學(xué)習(xí)的地方。

　　在每個色組后，通過視覺檢測其產(chǎn)品畫質(zhì)，獲得圖像的特征信息，并經(jīng)由P OWE R L I N K 網(wǎng)絡(luò)傳輸至中心控制器，在控制器上的智能推理算法可以對這些品質(zhì)進行分析，并經(jīng)由卷積神經(jīng)網(wǎng)絡(luò)（C N N）建立畫面與控制量之間的關(guān)系，然后推理出版輥/ 承印輥間的壓力調(diào)節(jié)量。

　　當然，這是一個需要人工參與的監(jiān)督學(xué)習(xí)過程，需要由經(jīng)驗豐富的技師給出機器學(xué)習(xí)的結(jié)果是否滿足預(yù)期。因此，就當前應(yīng)用來說，機器學(xué)習(xí)在工業(yè)里，還都需要師傅的參與、以及長周期的數(shù)據(jù)學(xué)習(xí)，以及經(jīng)驗豐富的數(shù)據(jù)科學(xué)專家為其進行模型訓(xùn)練方法的調(diào)整—也即，仍然需要大量的人工參與。

　　這樣的學(xué)習(xí)過程也是一個不斷進行的過程，它旨在讓機器變得更加智能。并且，在未來，其具有很好的可擴展性，數(shù)據(jù)可以被賦予更多的能力，可以調(diào)整壓力，也可以對油墨提供反饋、也可以建立起材料與機械之間的關(guān)系，這些都是AI 的未來能夠給予的空間，數(shù)據(jù)，不斷挖掘潛能。

　　工業(yè)AI，必須立足于工業(yè)，重視人的作用，包括技師、工程師、數(shù)據(jù)科學(xué)專家和行業(yè)專家，才能真正發(fā)揮軟件的價值，讓機器變得更為智能，提升用戶生產(chǎn)運營效率。