今天，概念風起雲湧的時代
，“智能”變得非常流行，有些人認為“智能製造就是 AI+ 製造”，也有人擔憂“AI 將取代人
，讓很多人失業”。而另一些來自製造現場的人又保持著對 AI 的質疑

，因為“AI 隻是一種解決問題的不得已途徑”
，並且如果不了解行業，AI 的作用與人工差別並無二致。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”。

　　考慮到製造現場有大量“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。在過去的數十年裏，很多專家都是兼具控製與人工智能的跨界專家， 他們不斷將 AI 的方法用於解決製造現場的控 製問題。因此
，AI 應用於工業一直在路上， 隻是過去受製於算力成本、數學方法的製約

， 一直處於探索階段。

　　今天，考慮到算力的經濟性
，以及需求的迫切性，人們更多將傳統製造中難以解決的問題寄望於 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 在商業場景裏的應用已經頗為廣泛，而商業AI 由於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裏麵，因此
，可以被挖掘的空間自然是較大的。而與之相反，工業裏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：

　　製造現場的控製、邊緣計算任務通常是周期性的任務，這意味著A I 在工業場景裏，從數據的采集
、處理、傳輸、分析、應(ying)用(yong)都(dou)必(bi)須(xu)考(kao)慮(lv)其(qi)周(zhou)期(qi)性(xing)特(te)征(zheng)。而(er)另(ling)一(yi)方(fang)麵(mian)，實(shi)時(shi)性(xing)等(deng)級(ji)也(ye)將(jiang)會(hui)影(ying)響(xiang)生(sheng)產(chan)的(de)品(pin)質(zhi)和(he)效(xiao)率(lv)，因(yin)此(ci)
，數(shu)據(ju)需(xu)要(yao)打(da)上(shang)時(shi)間(jian)戳(chuo)，並(bing)經(jing)由(you)時(shi)間(jian)順(shun)序(xu)等(deng)進(jin)行(xing)分(fen)析(xi)，而(er)其(qi)推(tui)理(li)和(he)執(zhi)行(xing)也(ye)需(xu)要(yao)考(kao)慮(lv)實(shi)時(shi)性(xing)和(he)周(zhou)期(qi)性(xing)這(zhe)顯(xian)著(zhu)的(de)特(te)點(dian)。

　　2、互操作：

　　工業現場，由於異構網絡

、以及在控製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：

　　由於A I 擅長處理那些無法獲得規律（定理
、公式、物理
、化學方程），那麼，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，由於像深度學習這類算法
，更多是基於“黑盒”方式進行數據的訓練，並形成模型。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：

　　由於工業的垂直行業屬性的特殊性
，使得，麵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，那麼，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，並在訓練以及封裝中考慮的問題。

　　其它分布式、模塊化
、魯棒性都是製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 經曆了漫長的發展過程，經曆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後調節策略的行為主義（A c t i o n），但是，最終都回複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 suobujubeide，yinweijiqizuidadetedianshisuanli，ruguolejiejisuanjideyuanlijiuzhidao，jisuanjijinzailiyongfeichanggaosudejisuannenglilaichulishuju，yijidaliangshujucunchuhebuzhipijuandesuanli。

　　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麵在於“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
，在工業裏，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，在工業領域裏的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
，並有效的處理，建立有效的數據關聯、因果關係分析。

圖 2: 機器與人的協作中的能力對比

　　工業AI的架構

　　隨著現在控製器技術的發展
，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、操作係統，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 這樣的通用操作係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製和計算任務

，這就是分布式計算與集中式控製架構的融合。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(guo)程(cheng)進(jin)行(xing)監(jian)測(ce)
，並(bing)尋(xun)求(qiu)數(shu)據(ju)的(de)最(zui)優(you)
，當(dang)然(ran)
，可(ke)以(yi)采(cai)用(yong)靜(jing)態(tai)或(huo)動(dong)態(tai)的(de)數(shu)據(ju)監(jian)測(ce)，以(yi)及(ji)對(dui)曆(li)史(shi)數(shu)據(ju)的(de)分(fen)析(xi)，獲(huo)得(de)優(you)化(hua)後(hou)的(de)模(mo)型(xing)用(yong)於(yu)進(jin)行(xing)推(tui)理(li)運(yun)算(suan)。而(er)推(tui)理(li)結(jie)果(guo)可(ke)以(yi)直(zhi)接(jie)給(gei)控(kong)製(zhi)係(xi)統(tong)，進(jin)行(xing)I/O 邏輯
、運動控製、工藝控製（溫度
、壓力等），並且可以驅動機器人、輸送係統來實現智能的執行。

圖 3: 貝加萊用於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裏

，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，由於輪胎采用X 光機進行鋼絲圈的成型過程進行檢測，並獲得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
，並分類到倉庫

，以及反饋給生產工藝環節。

　　如圖4 所示，在通過X guangjihuodeluntaidechengxiangxinxihou，xuexixitongjiangdaitirengongduiquexianjinxingfenxi，yinweigangsiquandechanraoguochengzhong，youyujiqizhuangtaihuoshengchanzhongdeyichangdailaifeichangduodequexianwenti，lirugangsiquandechanraocengcipiancha
、異物
、不均勻的排列
、疊加、突出
、翹起、異常彎曲幹擾其他鋼絲、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 光成像後會有各向異性的紋理，而這些紋理又會對圖像的判斷形成幹擾，使得係統出現誤判。

圖 4: 基於深度學習的輪胎缺陷分析

　　erjiyushenduxuexidefangfakeyitongguoduizhexiebutongquexiandexiangguanyaosujinxingtezhengtiqu

，liyonglvbosuanfaduiganraoyinsuduituxiangjinxingyouxiaodequexiantezhenghuoqu，congzhexiefuzadetuxiangzhongxunzhaodaoquexiandian，bingduiquexiandianjinxingjulei、標定其尺寸規格
，並最終對輪胎的質量、等級做出評判，並決定是否歸為廢品，並反饋給製造係統持續改善。

　　2、印刷壓印力智能調整

　　zairoubanyinshuazhong，yayinlishiyigeduiyupinzhiyingxiangjiaodadeyinsu，youqizaikaijijieduandetiaoshi
，wangwangyilaiyushifudejingyan
，zhewangwanghuizaochengjiaodadekaijilangfei（100-200 米）
，而這裏依賴於人經驗的地方就是機器可以去學習的地方。

　　在每個色組後
，通過視覺檢測其產品畫質，獲得圖像的特征信息，並經由P OWE R L I N K 網絡傳輸至中心控製器
，在控製器上的智能推理算法可以對這些品質進行分析
，並經由卷積神經網絡（C N N）建立畫麵與控製量之間的關係，然後推理出版輥/ 承印輥間的壓力調節量。

　　當(dang)然(ran)，這(zhe)是(shi)一(yi)個(ge)需(xu)要(yao)人(ren)工(gong)參(can)與(yu)的(de)監(jian)督(du)學(xue)習(xi)過(guo)程(cheng)
，需(xu)要(yao)由(you)經(jing)驗(yan)豐(feng)富(fu)的(de)技(ji)師(shi)給(gei)出(chu)機(ji)器(qi)學(xue)習(xi)的(de)結(jie)果(guo)是(shi)否(fou)滿(man)足(zu)預(yu)期(qi)。因(yin)此(ci)，就(jiu)當(dang)前(qian)應(ying)用(yong)來(lai)說(shuo)，機(ji)器(qi)學(xue)習(xi)在(zai)工(gong)業(ye)裏(li)，還(hai)都(dou)需(xu)要(yao)師(shi)傅(fu)的(de)參(can)與(yu)、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(zhe)樣(yang)的(de)學(xue)習(xi)過(guo)程(cheng)也(ye)是(shi)一(yi)個(ge)不(bu)斷(duan)進(jin)行(xing)的(de)過(guo)程(cheng)，它(ta)旨(zhi)在(zai)讓(rang)機(ji)器(qi)變(bian)得(de)更(geng)加(jia)智(zhi)能(neng)。並(bing)且(qie)，在(zai)未(wei)來(lai)，其(qi)具(ju)有(you)很(hen)好(hao)的(de)可(ke)擴(kuo)展(zhan)性(xing)，數(shu)據(ju)可(ke)以(yi)被(bei)賦(fu)予(yu)更(geng)多(duo)的(de)能(neng)力(li)，可(ke)以(yi)調(tiao)整(zheng)壓(ya)力(li)，也(ye)可(ke)以(yi)對(dui)油(you)墨(mo)提(ti)供(gong)反(fan)饋(kui)、也可以建立起材料與機械之間的關係，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，必須立足於工業，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。