/ 中存储网

制造创新-人工智能工业应用场景思考

2019-09-20 21:44:38 来源:说东道西

关于什么是人工智能,简直就是各说各的有道理,自从达特茅斯会议定义了“AI”这个词以后,人工智能本身也经历了几次波峰波谷,它的流行不是今天的这一波浪潮,而是经历了多个浪潮,又因为实在没有什么贡献而沉寂,但是,人类从来没有停止人工智能的研究,一直试图用它来解决一些问题,带来现实意义的商业价值,尽管今天人工智能在商业领域有诸多的成功,然而就其在工业领域而言,却似乎乏善可陈,不知道哪些场景有比较好的。

市场里的声音也带来了很多“模糊”让人困惑,乐观主义的认为人工智能将颠覆制造业,而另一个观念又认为其实AI并非那么神奇—人们对人工智能抱有太高的期望,尤其在工业领域里,有很多不同的声音,因为现在已有的人工智能包括机器学习、深度学习等所应用的场景与工业有较大的差异,工业人似乎基于更为保守和现实意义的考量,并不对人工智能保持过分乐观,然而,跨界的领域总存在着空间,让我们试图去分析如何通过科技融合创新来为工业带来新的机会。

1.关于人工智能对工业创新的分析

避免几种思维的极端

1.1一种认为AI适合干商业而非工业,一种是认为AI可以颠覆工业。就像Musk在今年上海的人工智能大会上所说,其实,Musk所说的机器比人聪明这件事情并非现实,AlphaGo下围棋这件事情都是在确定性规则下的推理学习,而工业却完全不是这样的场景,不确定、扰动、复杂是围棋所不能相比的。

1.2认为AI是代替自动化时代,和把自动化,信息化,智能化作为断代史一样,认为自动化是“过去”,实际上是对AI发展历史以及工业AI应用的不清楚,行为主义学派的典型就是维纳,而非线性是工业的常态,线性才是偶态或称为“特殊情况”。

想颠覆工业的人工智能曾经竖立的“Flag”可不是只有某个小人物,连明斯克、司马贺这样的大佬都不断被自己设下的人工智能里程碑所打脸,因此,不要轻易说要“颠覆”,因为那些要颠覆传统产业的新经济,自己能活过C轮都不多。

新经济有太多的资本力量放大的杠杆和因素在里面,钱烧的比较多,但也比较快,这种逻辑就相当于如果一个女人生孩子要十个月,那么十个女的是否就一个月可以生一个小孩呢?很多逻辑在商业领域可用,在工业领域却不灵,这很正常。

1.3 泛AI就没有什么谈论的必要,把算法就认为是AI就容易缺乏边界导致的混淆与模糊。

目前对于AI的界定似乎越来越宽泛,大概是为了能够搭上AI这个风口吧?什么做算法的、软件的,就像赶上风口的时候,都快要倒闭的发不出工资的公司都可以被标定为“工业4.0标杆”一样,因此一个做网络空间租赁的也就变成了“边缘计算”的标的了,这就是资本的娱乐性,找点开源的算法,然后找个场景训练一下数据,就可以自称“AI创业公司”,然后去资本市场圈钱了,前段时间看一个节目,大概就是类似于许小平等一干大佬看创业者的项目,唉!真是让人感慨,做实业圈的我们可能真看不懂那些不靠谱的应用为什么就能被大佬看上,愿意投个几百万,占个10%的股份…,资本就是那么“有钱,任性”,管它靠谱不靠谱,反正没有比这个靠谱的时候,这个就是靠谱的。

“AI必须被界定”—这才是科学的态度,什么是AI?这很关键,不是随便个人弄点算法、搞个视觉就号称AI,AI的核心是要干什么?--解决自主决策的问题,也即,它的硬核在于“决策”,如果只是传感器感知,那只是一个自动化问题,如果说为了控制,那就是自动化的控制问题,如果不存在推理、分析并作出自主的决策能力,这个都不能称为AI,你可以称为“专家系统”、“字典”但是,你不能就随意界定为AI,尤其是用于工业的时候。

2.工业应用中的特殊性

2.1考虑问题的逻辑与商业中的差异

工业与商业在人工智能的应用方面有较大的差异,就像在IT领域里通信是按照“达到最高的性能(Up to)”,而在制造现场的人则谈“最差的情况(Worst Case)”,这反映的实际上是两种完全不同的思维与态度,进一步来说,最大的差异在于稳定与可靠性,就像工业控制里强调数据的传输的“确定性”,在于“精确”、“可解释”,这些都是很多当前人工智能领域的应用,无论是连接主义的神经元网络,还是以前符号主义的推理过程都是无法满足工业对于应用的“可靠”、“精准”、“鲁棒性”的需求的,这使得必须结合工业本身,开发有效的人工智能应用,而这些又需要结合几个重要的思维:

人们对AI寄予厚望,然而,在工业领域里似乎目前还没有能够看到人工智能到底能干点什么?如果人工智能只能干点锦上添花的事情而非雪中送炭的话,那人工智能就是一个可有可无的美好姑娘,

在商业领域,你能找到大批的用户,反正有那么多人,只要有1%的人能够感兴趣就能创造一个很大的市场,但是,在工业领域却是另一个场景,你必须达到很高的准确率才能有客户用—就像识别不良品一样,1%的不准确对于手机生产而言,就有可能是数万、数十万个不良品成为漏网之鱼,这显然是无法接受的。

2.2AI工业应用是一个系统工程

这是一个真正的大问题,存在的难点,工业中的AI应用如李杰教授所认为的“是一个系统工程”,感知信息、传输、数据清洗、数据特征提取,以及最终的控制、执行等都是必须紧密配合的,你就算有AI却也无法有效的发挥作用,因为,你的采集准确与否取决于传感器的精度,而你数据的特征提取则依赖于行业的工艺,而在执行的时候又需要考虑执行机构的机械特性…AI的应用成功并非是一个AI本身的问题,而的确是一个系统工程,牵扯的方面较多,相互之间的关系复杂,甚至目前都不可知,如何构建AI应用系统本身就需要很大的协同。

物流规划是一个很有意思的问题,这件事情让我也很吃惊—前些时日和一个物流行业的朋友聊到工业现场的大量仓库号称“智能仓库”,但是,实际上很多仓库并没有一个智能的规划,而是一种FIFO(First In First Out)的队列一样,并非是根据使用频率、重量等规划的最佳仓储位置的问题,据说遇到的障碍是“编码”问题,就是很多工厂里会缺乏良好的编码系统,我就想到了OPC UA里的AutoID的功能,如果每个产品做到这一点,那么数据才能被真正应用于工业智能分析与优化,因此,这个角度来看,工业中的智能必然是一个系统工程。

3创新:解决经济性问题

即使在两者之间存在着认知局限或膨胀产生的各种情绪,实际上,的确必须意识到采用新的方法与工具解决传统问题,仍然是一个值得去干的事情,跨界的地方就会有机会,这也是无数事实证明的,创新也发生在边界上,摒弃成见才能走入对方的世界,也许AI和工业需要一种平和的心态,而非是鄙视链条上的不同对象。这需要思考以下几个问题?

3.1哪些场景是新产生得问题?

在工业里,最忌为了AI而AI,或者为了联网而联网的行为,所有的目标都是提高质量、降低成本、提高交付能力,应对个性化的生产这些精益目标,这个问题并不存在异议,因为,真正的企业运营不能为了拿个国家项目投入大量的人力去干这个事情。

(1)制造现场的连接后产生的问题

如果说现有的生产在机械约束条件下已经达到一个极限,那么通过挖掘“连接”的潜力,则是一个问题,而这其中要解决的很多问题又非是机理模型难以解决的,因此,需要借助于“学习”,来解决非线性问题,那么这样的问题是否很多呢?调度与规划问题:这个需要一个既有的模型还是一个学习的模型呢?

(2)精细化管理产生的需求

这是从需求拉动的角度问题,为了解决产品的质量问题,采用视觉来进行产品缺陷检测,但是,这个检测就需要牵扯到识别的问题,并且需要一定的算法来处理这些数据,并经过大量训练后,能够给出预判,但是,对于现有的视觉应用而言,最为复杂的就是对工况复杂的生产而言,需要大量的配置、人参与其中的设置、定义、标定等工作,需要对人有很高的专业要求,那是否存在着使得其更为经济高效的方法呢?

3.2如何降低对人的依赖?

很多工业的应用,无论是数据驱动还是机理模型,其实都是对人有非常高的要求的,就像预测性维护,必须依赖于具有非常专业的国际认证振动分析师才能参与到这个预测中,因此,工业人工智能的问题解决应该聚焦于如何将知识显性化-如何让知识能够被封装为一个个的APP,让AI算法训练数据,同时与人的智慧经验进行结合,形成知识自动化的包,这是一个需要机器学习算法方面的专家和领域工程专家共同来进行的工作。

传统的工艺过程是否能够被缩短?

AI,包括机器学习、增强学习、神经元网络这些,他们将如何改变制造业?这需要从一个问题来思考:

--我们究竟哪些可以通过学习给我们带来可能性?

传统的很多工业积累,如预测性维护中常用的振动分析,依赖于专家系统,而伍斯特的匀整积累了200年的纱线工艺参数,而弹簧与板材折弯工艺等,很多积累都是需要数十年的工程数据积累,这个进程是否可以被基于数据的学习来改变?

基于机理模型的原始性设计是否能够被新的方法替代?而无需花费巨大的时间成本来积累这些问题是否可行?这些都是新工具方法能够发挥的区间。

这些应用场景的可能性都依赖于多个领域的人共同来探索,包括机器学习、工艺工程、电气与机械、传感与通信等多个领域的共同努力,因为,AI的工业应用一定是一个系统工程。

3.3更为经济性的条件是否具备了?

AI在工业的应用从经济性考量就是以前这些技术应用于工业因为算力、软件的成熟度等带来的不确定性,成本过高而一直没有被真正应用,制造业是一个“锱铢必较”的领域,因此,必须有经济性支撑。

(1)算力问题:实际上很多在传统工业里的解决问题的方法都是“最经济的”方法,因为如果想要达到对工业场景的最大精度的复原和控制,那么就需要非常强的算法设计,而这又要强大的算力支持,就像人们把非线性系统给简化为线性问题,进而可以减少计算量,包括如果采用复杂的算法来进行控制,那么算力所需的处理资源就不是一个普通的控制器可以完成,而对于工业而言,又要满足可靠等,批量又不大的情况下,其实,算力强大的工业应用系统还是很昂贵的,如果这个算力被解决了—就像现在的手机都顶的上整个曼哈顿工程的计算机计算能力一样。

(2)算法与模型问题:因为经过大量训练的模型具有可以被重复使用的能力。这也算是知识复用的潜力。在过去很多年里,大家可能没有考虑过采用基于数据驱动、机器学习、深度学习方法来解决工业问题,包括人的知识如何被用软件、模型来表示,并形成真正的应用价值—目前的想法就是先有数据,这也不为过,知识如何显性并发挥价值就是一个应用潜力。

(3)新工具与方法的改善:还有一个问题在于“工具”的问题,其实,消费与商业软件最大的厉害在于“易用性”设计,有一次和Microsoft的管震先生聊起“玩具”—说有人说OT做的IIoT平台是玩具,我说那我们看IT做的平台也是玩具—想说的是不能实际落地应用,但是,管先生给我说“我们要做的就是玩具啊!大家一起来玩的”,我倒是被他说服了,看了他们的机器学习工具,觉得的确是简单,还真是轻松入门,搞不好我也能拿这个几天学会,不过,我想真正的难点还在工艺上,不过,至少这个工具本身简单了,让热门易于入门了,也是一件好事。

因此,在这个角度,提供便利的工具与方法,本身就是解决经济性问题—如何让工业领域的专家使用更为低成本的方法或者用较低的成本集成到工业系统,使得整体具有经济性,而这对于已有的AI成本是一个稀释的过程。

4.分析:哪些场景需要智能系统来干呢?

在现场有大量的工艺问题,但是,垂直行业就会有差异,但是,工业的问题是否可以共性问题呢?

是否可以为这些具有共性的问题提供通用性的模型并对其进行训练寻找广泛可用的模型呢?

4.1参数寻优

无论是采用监督还是非监督学习,最佳参数的寻找问题是一个比较普遍的问题,这个问题对于工业来说,尤其是流程生产,以及希望将离散变为连续的流程生产而言,都是非常大的累积量,就像节省1%的能耗对于一个大型冶金企业都是有意义的—傅老师的优也大数据就是立志于此,这的确是工业的一个令人觉得有意义的地方—如同柴天佑院士所说的“小数据,大应用”,能解决大问题,可能累积下来每年就是惊人的成本节省。

4.2精益生产水平的1%提升

所以说现在AI的聚焦点在“Operation”运营中的问题,而非控制中的问题,因为运营中的问题可以容忍“犯错误”,而控制中的问题则不允许,因为一旦达不到就是不良品。

机理模型—无论是流程生产中的化学反应模型,还是物理的机械传动控制模型,在传统的机理模型下,往往是经济而有效的,它的优势在于用简单的算法模型解决了90%甚至99%的问题,那么,对于剩下的1%的问题是否需要解决呢?

这个问题也有一个合理的判断,即,如果平均水平达到95%,那么对于能够达到96%的良品而言,就会意味着较大的利润空间,因为,这1%的差别对于良品而言转化的利润可能不是1%,而是10%,因此,这个意义也是存在的,但是,投入多大的力量能够产生这个提升?一定需要通过人工智能吗?

可以将这个作为一个问题,显然,现场有神明,需要由现场的人来判断,而目前的问题在于双方并非互相了解,AI不了解现场,现场也不了解AI,对话就是个困难。

4.3工艺匹配问题?

对于每种印刷而言,工艺参数都需要根据工况进行调整,是否存在着与已有的工艺匹配的最佳工艺参数呢?纺织中的纱线都是由数千种可能的纤维进行组合而成,那么是否存在一种组合下的最佳加工参数,比如牵伸比的设定值最优如何计算?对于各种塑料颗粒的熔化、塑化成型过程,是否存在着最优的匹配参数呢?为此又能自动的计算最佳的传动控制参数呢?

4.4路径规划问题?

路径规划问题在很多场景里是存在的,物流是一个方面,但是,路径规划在大多数的应用里可能也并不需要学习、人工智能,有可用的规划模型来实现,但是,具有通用性的训练模型能否解决多种场合的规划问题?

4.5判断与分类

这类问题比较简单,可以通过各种参数,包括视觉、声音等对对象进行识别,并作出判断,然后进行分类,包括由机器人对其进行分类统计,并将所对应的特征反馈为加工调整值,这些都是对于工业4.0中的动态生产中小批量生产的一个智能分析与判断,并执行的问题。

5.要解决问题需要哪些前提?

5.1创新的需求与评估

国家花钱应该在基础理论方法与工程,而企业必须有自我驱动力。

(1)必须明确,AI工业应用是一个系统工程,并非是一个AI能够解决问题的,无论是机器学习,还是神经元网络、深度学习等,只是一个工具,但解决问题必须需要系统的,多学科交叉来构建,并采用科学的方法与工程过程来实现。

(2)必须基于应用价值的评估,而不是为了迎合这个潮流,或者为了某个项目的资金申报而投入其中,必须将基础问题解决,人工智能必须建立在高效的、标准的生产工艺与过程基础之上。

5.2跨界人才,尤其是领域知识的问题

工业软件开发涉及机电对象,软件,工艺,周期长,且复杂但工业却开不了高薪水,相当于在工业领域培养一个AI专家所需要耗费的代价是在商业领域数倍的成本,并且这个市场又不够大,因为在商业领域1%的人群作为用户就是一个很大的数据,而对于工业又是另一个场景,你花费代价甚高,却无非为小应用付出了代价,因为,这个对于工业的障碍特别大。

(2)懂AI算法软件的多,懂工艺的少,你需要复合型,结果连基本型本身就少。当然还有就是这些人才往往不愿意在工业来干,因为工业想有成就有点难,需要了解工艺、需要了解现场的各种复杂的,比如采集、信号处理、通信、特征值提取…事情干的非常多,却不能像在其他领域获得大的市场潜力、投资者的关注,而且往往要像苦行僧一样沉下去,有点难以吸引人才投入其中。

5.3数据的标准化

这个是IT与OT融合的难点,当然了,如果大家都对这个问题达成一致,采用OPC UA或者其它统一的标准与规范,这都是可以被解决的,但是,这两个世界的人的确缺乏基本的相互了解,总是处于一个相互等待的状态,IT的人通常的问题是“你有什么数据?”而OT的人往往的问题是“你想要什么数据?”,两个人之间在这个问题上经过许多年也没有扯清楚,每个人都觉得自己很清楚,IT的认为,你有数据我就可以训练、学习,就能进行优化,而OT的人认为,你根本就不了解现场,现场比你想象的复杂多了,你不要想当然的认为自己可以,就像很多IT的人认为10mS就已经是实时任务了,你去问OT端的人,他们觉得那根本就不叫实时系统。

总之,这是一个探索,大家聚焦于融合创新,通过多方合作,共同探索新技术、新方法、工具能否为制造业发挥AI的潜力,欢迎共同探讨。