工業 AI 與商業AI的異同——準確理解“智能制造”的前提
http://www.debgrams.com 2022-09-13 11:19 來源：
今天，概念風起云涌的時代，“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”。而另一些來自制造現場的人又保持著對 AI 的質疑，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，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疑。確切的說， 應該如同流行的那句話所說“人們經常過高的 估計了技術在當下的應用，而又低估了技術在未來的巨大潛能”。
考慮到制造現場有大量“不可測性”、“非線性”、“不確定性”、且沒有物理規律或化學方程可循的情景。在過去的數十年里，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場的控 制問題。因此，AI 應用于工業一直在路上， 只是過去受制于算力成本、數學方法的制約， 一直處于探索階段。
今天，考慮到算力的經濟性，以及需求的迫切性，人們更多將傳統制造中難以解決的問題寄望于 AI。然而，我們必須清楚工業 AI 與商業的異同，才能發揮它的價值，為產業帶來創新與效率提升。
商業 AI 與工業 AI 的差異
確實，AI 在商業場景里的應用已經頗為廣泛，而商業AI 由于處理的數據經常是圖片、語音、文字這類高維度數據，它蘊含較多的數據在里面，因此，可以被挖掘的空間自然是較大的。而與之相反，工業里A I 處理的數據更多在溫度、壓力、振動這些低維數據，或者小數據，這就使得其在先天上與商業有著不同。
圖 1: 工業 AI 的需求
而工業還有一些必須予以考慮的情況，則是商業A I 通常不特別的要求，圖1 表明了工業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：
制造現場的控制、邊緣計算任務通常是周期性的任務，這意味著A I 在工業場景里，從數據的采集、處理、傳輸、分析、應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的品質和效率，因此，數據需要打上時間戳，并經由時間順序等進行分析，而其推理和執行也需要考慮實時性和周期性這顯著的特點。
2、互操作：
工業現場，由于異構網絡、以及在控制與邊緣側數據的差異，使得必須考慮在架構時，實現互操作性，即，能夠互相識別對方的語法、語義，才能進行同構數據下的“計算”。
3、人機協作：
由于A I 擅長處理那些無法獲得規律（定理、公式、物理、化學方程），那么，這種經驗，以隱性形式存在的知識，就必須尋找到學習的對象，即，人的參與。因此，在實際中，大量的工業A I 應用基本上都是采用監督學習的方式來進行。
4、可解釋性：
這牽扯到機器與人的交互，由于像深度學習這類算法，更多是基于“黑盒”方式進行數據的訓練，并形成模型。但是，這存在潛在的風險，它缺乏可解釋性，這就導致了潛在的風險，99% 的準確率，但1% 的不準確對工業卻很難接受，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：
由于工業的垂直行業屬性的特殊性，使得，面向特殊領域的學習可以，但如果無法把這些經驗和知識擴展到其它領域，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A I 必須予以考慮，并在訓練以及封裝中考慮的問題。
其它分布式、模塊化、魯棒性都是制造業現場比較通用的需求。
工業AI 應用，人是關鍵
在A I 的應用中，不要忽視人的作用，“技術決定論”經常放大技術、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、機器是在向人學習
事實上，A I 經歷了漫長的發展過程，經歷了神經網絡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節策略的行為主義（A c t i o n），但是，最終都回復到了機器向人學習的“機器學習”階段，智能從學習人開始。
人的智能，即，人的思維方式包含了非結構信息處理能力、直覺判斷、自組織學習這幾個顯著特性，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據，以及大量數據存儲和不知疲倦的算力。
2、機器學習應用本身需要專家介入
人參與機器學習的第二個方面在于“A I”的應用項目過程需要人的參與，即，在定義特征值、監督學習機器學習過程，在工業里，基本上都需要“監督”學習這種方式，由人對其學習的效果進行標定，以讓機器獲得“方向”—知道自己學習的是否正確，第三在數據學習中對數據的預處理、降維等都需要人的參與，因此，在工業領域里的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合，并有效的處理，建立有效的數據關聯、因果關系分析。
圖 2: 機器與人的協作中的能力對比
工業AI的架構
隨著現在控制器技術的發展，P L C 也可以實現機器學習應用—就本質來說，A I 應用也是“軟件”，可以采用X20P L C。當然，考慮到算力和存儲、操作系統，推薦貝加萊采用H y p e r v i s o r 技術的工業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與工業現場的嵌入式R T O S 結合。在多核處理器中分別處理控制和計算任務，這就是分布式計算與集中式控制架構的融合。在圖3中，我們可以看到，貝加萊的P C 可以實現這樣的應用集成。
算法可以對原有的P I D 過程進行監測，并尋求數據的最優，當然，可以采用靜態或動態的數據監測，以及對歷史數據的分析，獲得優化后的模型用于進行推理運算。而推理結果可以直接給控制系統，進行I/O 邏輯、運動控制、工藝控制（溫度、壓力等），并且可以驅動機器人、輸送系統來實現智能的執行。
圖 3: 貝加萊用于實現機器學習應用的整體架構
應用舉例
通過兩個簡單的說明，我們可以看到工業場景里，在缺陷檢測、參數優化、品質改善等方向，機器學習都有著巨大的潛力。
1、輪胎缺陷檢測分析
在傳統的輪胎監測中，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，引發的原因，并分類到倉庫，以及反饋給生產工藝環節。
如圖4 所示，在通過X 光機獲得輪胎的成像信息后，學習系統將代替人工對缺陷進行分析，因為鋼絲圈的纏繞過程中，由于機器狀態或生產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，使得系統出現誤判。
圖 4: 基于深度學習的輪胎缺陷分析
而基于深度學習的方法可以通過對這些不同缺陷的相關要素進行特征提取，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、標定其尺寸規格，并最終對輪胎的質量、等級做出評判，并決定是否歸為廢品，并反饋給制造系統持續改善。
2、印刷壓印力智能調整
在柔版印刷中，壓印力是一個對于品質影響較大的因素，尤其在開機階段的調試，往往依賴于師傅的經驗，這往往會造成較大的開機浪費（100-200 米），而這里依賴于人經驗的地方就是機器可以去學習的地方。
在每個色組后，通過視覺檢測其產品畫質，獲得圖像的特征信息，并經由P OWE R L I N K 網絡傳輸至中心控制器，在控制器上的智能推理算法可以對這些品質進行分析，并經由卷積神經網絡（C N N）建立畫面與控制量之間的關系，然后推理出版輥/ 承印輥間的壓力調節量。
當然，這是一個需要人工參與的監督學習過程，需要由經驗豐富的技師給出機器學習的結果是否滿足預期。因此，就當前應用來說，機器學習在工業里，還都需要師傅的參與、以及長周期的數據學習，以及經驗豐富的數據科學專家為其進行模型訓練方法的調整—也即，仍然需要大量的人工參與。
這樣的學習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，數據可以被賦予更多的能力，可以調整壓力，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系，這些都是AI 的未來能夠給予的空間，數據，不斷挖掘潛能。
工業AI，必須立足于工業，重視人的作用，包括技師、工程師、數據科學專家和行業專家，才能真正發揮軟件的價值，讓機器變得更為智能，提升用戶生產運營效率。
編輯精選
