預(yù)測性維護(hù)是一個最為普遍的AI應(yīng)用場景
“工業(yè)AI的應(yīng)用往往是非?？量痰模仨毮苡肁I解決現(xiàn)場實際的生產(chǎn)問題，提升效率、降低成本、提高質(zhì)量，才能用實際價值吸引更多的投入。”
最近幾年，人工智能（AI）的熱潮席卷了大學(xué)、企業(yè)，春風(fēng)也吹進(jìn)了工業(yè)這個一直處于默默無聞的領(lǐng)域，據(jù)說“工業(yè)才是AI的試金石”——所以大量的商業(yè)AI領(lǐng)域的企業(yè)也想進(jìn)軍工業(yè)領(lǐng)域，以證明自身的硬核，這使得默默無聞了數(shù)十年的制造業(yè)開始變得具有了“Fashion”的氛圍。
我們一直走在一個不被稱為AI的AI道路上
今天我們?yōu)槭裁刺接懙母鞣NAI主要在“學(xué)習(xí)”，監(jiān)督/非監(jiān)督、強(qiáng)化、深度學(xué)習(xí)？在過去的幾十年里，連接主義學(xué)派主要在研究“大腦”（Brain）的神經(jīng)系統(tǒng)傳遞與堆疊形成的智慧，而符號主義則在研究心智（Mind）的邏輯推理獲得判斷的智慧，行為主義則關(guān)注“行動”（Action）反饋與執(zhí)行。
經(jīng)過各種曲折的過程，人們發(fā)現(xiàn)“學(xué)習(xí)”是人類智慧的起源，這也是今天主要在討論機(jī)器學(xué)習(xí)的原因。而行為主義——來自于維納“控制論”的智能這個學(xué)派則默默無聞的工作著，只是一種自下而上的過程經(jīng)常被認(rèn)為不是AI，但是，它在現(xiàn)代機(jī)電控制、控制工程領(lǐng)域卻做出了杰出的貢獻(xiàn)。
其實在模糊控制、自適應(yīng)控制領(lǐng)域，包括數(shù)據(jù)驅(qū)動的很多控制方法上，自動化領(lǐng)域一直沿襲著行為主義的“測量、反饋、控制、執(zhí)行”的這個閉環(huán)思想，在對非線性、不確定擾動等工程問題進(jìn)行著不懈的探索，有時候，我們需要為自己正名——就是自動化本身就是一個AI的學(xué)派分支。
人工智能真的是無所不能嗎？
對于AI市場的炒作熱度，工業(yè)界相對保持比較冷靜的態(tài)度。貝加萊方案研究院院長陳妮亞博士是一個有多年AI算法研究和實踐的專家，她對此表示：“在工業(yè)領(lǐng)域，AI還有很長的路要走，并且AI就目前來看，能夠應(yīng)用的場景是有限的。”當(dāng)然了，陳妮亞博士并非要給大家潑冷水，而是希望大家冷靜客觀、遵循科學(xué)規(guī)律來認(rèn)識、學(xué)習(xí)、分析、實踐AI的工業(yè)應(yīng)用。
“因為工業(yè)用戶是非?？量痰?，必須有現(xiàn)實的商業(yè)價值，而不能僅僅是單純的學(xué)術(shù)研究。必須能用AI解決現(xiàn)場實際的生產(chǎn)問題，提升效率、降低成本、提高質(zhì)量，才能用實際價值吸引更多的投入。我們方案研究院的工作聚焦于通過機(jī)械、電氣控制、智能算法與模型以解決產(chǎn)業(yè)的實際問題。”陳妮亞博士說。
就目前而言，在整個人工智能領(lǐng)域中，人依舊扮演非常關(guān)鍵的角色來對數(shù)據(jù)信息進(jìn)行預(yù)處理，并設(shè)計合適的特征值再進(jìn)行訓(xùn)練驗證，機(jī)器干的都是“蠻力”，算力比較高。因此，從這個角度來說，AI能做什么，取決于人的需求以及對它的規(guī)劃和設(shè)計。相對于模型驅(qū)動而言，數(shù)據(jù)驅(qū)動的方法更適合于解決非線性系統(tǒng)的問題，而這個就是AI擅長的。
工業(yè)AI與商業(yè)AI的差異
但是，畢竟工業(yè)與商業(yè)應(yīng)用還是兩個不同的世界，這使得在商業(yè)領(lǐng)域的成功較難在工業(yè)領(lǐng)域里進(jìn)行復(fù)制，必須進(jìn)行一些“改造”才能更好的進(jìn)行應(yīng)用，如表1我們列出了工業(yè)中的AI與商業(yè)中的一些不同。
工業(yè)哪些場景需要AI支持？
陳妮亞博士在貝加萊橙色講堂中分享了她對AI工業(yè)應(yīng)用的幾個有價值場景的認(rèn)識，包括了以下幾個重要的方面：
1智能導(dǎo)引
今天智能制造的推進(jìn)，使得業(yè)務(wù)端更為個性化的生產(chǎn)需求，而這使得制造產(chǎn)線經(jīng)常會遇到變化，因此在離散的制造業(yè)存在大量的“非標(biāo)”產(chǎn)線——更確切的說，幾乎每個產(chǎn)線都是定制的，而且生產(chǎn)不斷的變化，這會讓工廠運營商出現(xiàn)大量的機(jī)械調(diào)整與修改，在制品物流成為了一個非常關(guān)鍵的一環(huán)，包括生產(chǎn)單元間的輸送等，而機(jī)器人則具有更好的靈活性，那么給機(jī)器人配置一個“眼睛”，讓它去學(xué)習(xí)工作場景（零配件、加工路徑上的工裝夾具、任意位置的擺放）中的變化并指引機(jī)器人去抓取，就變得十分必要。靈活、復(fù)雜、多變的場景，常需要AI算法的介入，以獲得高精度的識別性能。
2預(yù)測性維護(hù)
傳統(tǒng)的基于模型驅(qū)動的預(yù)測性維護(hù)已經(jīng)有數(shù)十年的歷史，但是，其主要針對的是類似于飛機(jī)、大型燃?xì)獍l(fā)電機(jī)組這類重型設(shè)備。工業(yè)領(lǐng)域需要特別專業(yè)的人經(jīng)過數(shù)十年的積累，通過數(shù)據(jù)驅(qū)動的學(xué)習(xí)模式可以縮短這個過程，并且可能挖掘出更多的潛在信息。借助于云計算、邊緣智能的基礎(chǔ)設(shè)施與能力，來推進(jìn)更為廣泛的工業(yè)場景預(yù)測性維護(hù)是一個非常有前景的領(lǐng)域。
3缺陷檢測
隨著電子制造技術(shù)的發(fā)展，制造視覺系統(tǒng)的元器件本身也變得便宜了，而視覺又是具有非常多的感測能力的（中心點計算、測量、匹配…非常多的可用場景），尤其是為了保障不良品不流入下一個工序，大量的視覺缺陷檢測將被用于產(chǎn)線，同樣也是一個場景變化非常大，無法有效的構(gòu)建新的程序并大量測試驗證，因為對于個性化生產(chǎn)來說，沒有足夠的批量進(jìn)行物理測試驗證生產(chǎn)已經(jīng)結(jié)束了，那么就需要最為具有廣泛適用性的缺陷檢測模型來對各種變化的場景進(jìn)行建模，形成健壯的模型對新的產(chǎn)品進(jìn)入獲得認(rèn)知，進(jìn)行分揀、剔除等動作。
4參數(shù)尋優(yōu)
在傳統(tǒng)的控制中，都是針對一個靜態(tài)的控制過程，并且參數(shù)往往基于安全值控制的角度來進(jìn)行，那么，這并非是最優(yōu)的，而是最安全可靠的，而在動態(tài)的變化中，如加速、減速過程、快速工藝切換的過程中，這些都會造成浪費，如何在系統(tǒng)中為各種變化的生產(chǎn)狀態(tài)提供最優(yōu)的參數(shù)，這個可以通過大量的學(xué)習(xí)來尋找最優(yōu)值的組合。
整體來說，機(jī)器學(xué)習(xí)在硬件成本下降、靈活度及復(fù)雜性提高的行業(yè)大趨勢中，凸顯了它的優(yōu)勢。而傳統(tǒng)的模型驅(qū)動會需要較長的時間與經(jīng)驗積累，較難在靈活的應(yīng)用場景中達(dá)到簡單易用的效果。
工業(yè)AI的架構(gòu)如何搭建？
▎圖2：貝加萊可支持的機(jī)器學(xué)習(xí)架構(gòu)
貝加萊具有各種場景和組合下的機(jī)器學(xué)習(xí)架構(gòu)（圖2）。其實，普通的控制器就可以做一些簡單的學(xué)習(xí)——想想，AI就是一個程序??！貝加萊這個控制器本來就可以高級語言編程（追溯到1993年），當(dāng)然了，控制器本身主要業(yè)務(wù)是干控制，真正想干AI大的任務(wù)還是得用貝加萊集成Hypervisor技術(shù)的APC，這個可以支持Windows或Linux可以去處理AI程序開發(fā)和與控制任務(wù)（RTOS核）交互，PCIe的卡槽里可以插入一個華為ATLAS加速器這樣的大算力，然后通過OPC UA到云端訓(xùn)練，下載到AI加速器上本地推理，并與運動控制、機(jī)器人進(jìn)行交互，就可以干智能導(dǎo)引、缺陷檢測與處理、預(yù)測性維護(hù)、參數(shù)尋優(yōu)等活啦！當(dāng)然，說起來就是這么簡單，做起來還是需要兼通AI、控制、機(jī)電的專家一同來開發(fā)。
