AI如何在工業(yè)場景中落地-創(chuàng)新互聯(lián)

本文對人工智能技術(shù)的原理、技術(shù)分類及其技術(shù)特征進行簡單的介紹；列舉一些人工智能技術(shù)在工業(yè)典型場景中的應(yīng)用并對于如何搭建這樣一套工具或者平臺提出自己的一些建議。

成都創(chuàng)新互聯(lián)-專業(yè)網(wǎng)站定制、快速模板網(wǎng)站建設(shè)、高性價比荷塘網(wǎng)站開發(fā)、企業(yè)建站全套包干低至880元,成熟完善的模板庫,直接使用。一站式荷塘網(wǎng)站制作公司更省心,省錢,快速模板網(wǎng)站建設(shè)找我們，業(yè)務(wù)覆蓋荷塘地區(qū)。費用合理售后完善，十多年實體公司更值得信賴。

2016年 AlphaGo 橫空出世，人工智能、機器學習技術(shù)名噪一時。

隨著時間的發(fā)展，人工智能在工程應(yīng)用上愈發(fā)成熟，車牌自動識別、智能客服機器人、廣告推薦等一系列的應(yīng)用在工程和商業(yè)上均取得成功。

而在工業(yè)領(lǐng)域，人工智能也沒有停下發(fā)展的步伐，預(yù)測性維護、質(zhì)量控制、智能化排產(chǎn)等領(lǐng)域也一直在探索工程落地和商業(yè)可行的進程中取得長足的進展。大量的科技巨頭和專家預(yù)測人工智能將帶來第四次革命，繼農(nóng)業(yè)革命，工業(yè)革命，信息革命后從底層改變我們的工作和生活。

作為當前最熱門的風口領(lǐng)域之一，人工智能在工業(yè)場景中的應(yīng)用深度和廣度與消費領(lǐng)域相比仍有較大差距。

因為場景通用性差、投資建設(shè)成本高等原因，導(dǎo)致商用化上仍局限于部分高端制造的場景，無法做到像OA、ERP、CRM等系統(tǒng)同水平的普及。

對于AI+工業(yè)互聯(lián)網(wǎng)融合的產(chǎn)品探索者而言，下一步最關(guān)鍵的問題還是具體場景落地和商用化的問題。

本文是我從科普的角度，將所學習的人工智能技術(shù)以及關(guān)于在工業(yè)場景中的應(yīng)用的思考進行一些總結(jié)和整理，如有不對的地方還請各路大神磚家指正。

一、認識人工智能

1. 以機器學習為例

大到經(jīng)濟的運行，小到蘋果落在“倒霉”的牛頓頭上，世界上所有事物的發(fā)展都是由客觀規(guī)律驅(qū)動的。它大概是這樣一個模型：

就蘋果砸腦袋這件事兒而言，萬有引力和牛頓力學是驅(qū)動事物發(fā)展的客觀規(guī)律，我們可以通過它精準的判斷蘋果落下來需要多少秒、砸在腦袋上有多大的動量等具體結(jié)果。

對于經(jīng)濟問題來說，這個模型就會復(fù)雜的多了。

比如現(xiàn)在受疫情影響下，我們要討論成都的房價漲跌的問題。雖然能夠馬上判斷房價會受到了包括了供需平衡等經(jīng)濟學模型等客觀規(guī)律的支配；但是很明顯的，即便是我們知道了疫情進展、政府投資計劃、主城5區(qū)新增戶籍人口等所有的詳細數(shù)據(jù)，我們還是無法準確的判斷未來半年和一年房價究竟會上浮多少，或是下跌多少。

這里就反映出一個問題：系統(tǒng)運營的規(guī)律越是復(fù)雜，就越難以通過歸納和推導(dǎo)的手段總結(jié)出客觀存在的規(guī)律。

機器學習技術(shù)使得計算機可以從海量的案例中通過訓練歸納總結(jié)出其內(nèi)在規(guī)律。

在創(chuàng)新工場CEO李開復(fù)著的《人工智能》一書中，對機器學習有一個定義：

機器學習……是一種用數(shù)學模型對真實世界中的特定問題進行建模，以解決該領(lǐng)域內(nèi)相似問題的過程。這樣的技術(shù)特征使得其在解決很多我們在生活、生產(chǎn)中，用傳統(tǒng)的方法難以解決或解決成本很高問題。

2. 人工智能的分類

進入九十年代，以概率統(tǒng)計建模、學習和計算為主的算法潮流開始占據(jù)主流。與此同時，人工智能的研究也開始逐漸分化為幾個主要的學科：

• 計算機視覺：讓計算機看懂世界；
• 自然語言理解和交流（包括語音識別，合成，包括對話）：讓計算機聽懂世界并和世界交流；
• 機器學習 （各種統(tǒng)計的建模，分析工具和計算的方法），像時下流行的深度學習和AlphaGo涉及的增強學習（Re-enforcement Learning）就都是這個方向的分支；
• 認知和推理 （包含各種物理和社會常識），讓計算機學會思考；
• 機器人學：包括機械，控制，設(shè)計，運動規(guī)劃，任務(wù)規(guī)劃等等；
• 博弈與倫理 （主要研究多代理人的交互，對抗與合作，機器人與社會融合等議題）。

3. 人工智能的要素

人工智能要解決一個具體的項目，需要至少三個關(guān)鍵要素：

1. 海量的數(shù)據(jù)：計算機無法理解和識別客觀世界的規(guī)律，它需要海量的數(shù)據(jù)作為樣本進行訓練：人臉識別需要計算機大量在觀看了大量的人臉照片，機器故障的識別和預(yù)測也需要讀取海量的監(jiān)控數(shù)據(jù)。
2. 充足的算力：近年來人工智能再次迎來熱潮，很大程度上得益于計算機芯片技術(shù)的發(fā)展，按照Nvidia CEO黃仁勛的說法，每10年GPU性能增長1000倍，遠超摩爾定律。即便是這樣，人工智能計算的效率仍是遠低于人腦的，需要大量的芯片提供計算支撐。
3. 合適的模型：機器學習有監(jiān)督學習、無監(jiān)督學習等多達幾十種算法模型，每一個模型均有大量的參數(shù)需要配置。機器判斷的準確性高度依賴于選擇正確的算法和參數(shù)的配置。

上述條件是人工智能執(zhí)行一個成功任務(wù)的基本要求。亞馬遜的Principal Scientist夏威將此比喻為：

如果把一個成功的人工智能算法比作一只善戰(zhàn)的部隊的話，數(shù)據(jù)就是糧草，計算力就是兵力，而模型則是戰(zhàn)略和戰(zhàn)#術(shù)指揮的策略；戰(zhàn)略和戰(zhàn)#術(shù)的重要性自不必說，但沒有了糧草和兵力，再好的戰(zhàn)略也只是空中樓閣。計算力可以理解為兵力，有了強大的兵力，才有了實現(xiàn)戰(zhàn)略的機動性和可能性。

4. 在工業(yè)應(yīng)用中人工智能有哪些優(yōu)勢和劣勢

優(yōu)勢

• 首先是對所解決問題的兼容。機修鉗工分析設(shè)備故障，熱處理工控制工藝參數(shù)，在技能經(jīng)驗上是互不相關(guān)的；而采用機器學習的方法分別解決上述兩個問題，其開發(fā)資源和技術(shù)實現(xiàn)路徑都是幾乎一樣的。
• 其次是AI是忠于客觀的。人的總結(jié)判斷往往有局限，容易忽視一些次要因素。而人工智能并不會從物理意義或者社會意義角度來解釋規(guī)律，它只對樣本和結(jié)果負責，這樣它就可以客觀反映人類通過正向分析遺漏或誤判的內(nèi)容。

劣勢

• 首先是對數(shù)據(jù)的數(shù)量和質(zhì)量高度依賴。而人類只需要簡單的幾張圖片就能夠辨識不同品種的貓，而一個機器學習系統(tǒng)要識別需要讀取上萬張圖片才能做到。
• 此外，我們在工程上獲取的數(shù)據(jù)通常是異構(gòu)的，這意味要形成機器學習可讀的數(shù)據(jù)源，需要我們投入大量的工程資源進行數(shù)據(jù)的治理，這將大幅增加成本。
• 其次是人工智能任務(wù)完成的質(zhì)量是和從業(yè)人員的技能水平高度相關(guān)。上文提到的三大要素中，除了算力外，數(shù)據(jù)、模型都是需要具體從業(yè)人員配置。然而供需不平衡導(dǎo)致市場上充斥著大量的算法工程師都還停留在調(diào)庫和調(diào)參的層次和水平上，夸張一點講，“參數(shù)基本靠蒙，結(jié)果基本靠試，效果基本靠吹”的情況也是存在的。
• 最后就是成本了。在人工智能熱門的當下，無論是組建數(shù)據(jù)中心的成本，還是招募算法工程師的成本都居高不下，這導(dǎo)致收益平衡點后移，減少商用的可能。

二、人工智能在工業(yè)應(yīng)用中的場景

1. 工業(yè)場景及痛點

工業(yè)是由眾多的場景組成的，可以從行業(yè)維度（機加工、電子產(chǎn)品、化工等）、產(chǎn)品的生命周期維度（設(shè)計、制造、銷售、運維）等逐層分解。

即便是每一個細分場景，例如針對機床的維修保養(yǎng)服務(wù)，也是多人參與的復(fù)雜工作，存在這個場景特有的痛點：

• 難以找到進行設(shè)備保養(yǎng)的合適時間；
• 難以判斷設(shè)備故障的原因；
• 設(shè)備故障維修的知識都在各位老鉗工的腦子里，面對無法維修的設(shè)備時，只能通過人脈和經(jīng)驗去尋找維修資源等等；
• 同樣的，在生產(chǎn)計劃制訂的場景，存在計劃排程的問題；
• 對于安全管理的場景，存在隱患識別和排查的問題。

企業(yè)是逐利的，所有的問題（包括使用體驗的問題，效率的問題，準確性的問題）最終只要影響到企業(yè)收益，都是成立的真實痛點。

現(xiàn)在上述場景基本都是人去處理的，維護保養(yǎng)周期靠工人統(tǒng)計臺時判斷，安全隱患識別也需要大量的人員到現(xiàn)場巡查，或者在監(jiān)控室目不轉(zhuǎn)睛地看著；否則就容易漏掉安全隱患。

如果排程不合理會導(dǎo)致資源空閑，排程耗費的時間過長，投入資源過多；安全如果出事了，小則整改，大則關(guān)停追責。

2. 場景分類

在工業(yè)場景中，既有重復(fù)性的、常識性的腦力勞動，也有優(yōu)化等復(fù)雜的腦力勞動。

按照需要解決的問題的目標不同，我們可以將工業(yè)場景AI應(yīng)用分為以下幾個類別，：

• 系統(tǒng)最優(yōu)的問題：生產(chǎn)計劃排程、結(jié)構(gòu)優(yōu)化、工藝參數(shù)優(yōu)化等；
• 分類或識別的問題：安全隱患的識別、故障類型的判斷、質(zhì)量問題識別等；
• 推薦和預(yù)測的問題：機器維護的預(yù)測、態(tài)勢預(yù)測、輔助決策等；
• 知識管理的問題：知識識別和維護、客服機器人的應(yīng)用等。

3. 典型場景的分析

因技術(shù)實現(xiàn)途徑類似，從每個類別中，各取一個簡要分析，其他就不展開了。

1）工藝參數(shù)優(yōu)化

從需求有效性方面來說

工藝參數(shù)優(yōu)化對于很多企業(yè)都是優(yōu)先級極高的迫切需求，特別是流程化工領(lǐng)域更甚。

舉個栗子，硝化棉等化工產(chǎn)品的生產(chǎn)工藝過程就類似于“燒菜”，加“料”（原材料）的多少，“火候”（溫度、壓力、攪拌等）的控制，對結(jié)果（均勻度、成分含量等）都可能產(chǎn)生影響，但工程上很難準確判斷各因素對結(jié)果會產(chǎn)生何種量化的影響，它本質(zhì)是一個“黑盒”系統(tǒng)。

傳統(tǒng)的做法就是不斷地試，做新產(chǎn)品要試，換批次要試，一直做到一個批次質(zhì)量損失可以接受就按這個方法投產(chǎn)了。

因此，工藝參數(shù)優(yōu)化的問題是亟需人工智能技術(shù)來解決的。

從技術(shù)可實現(xiàn)性來說

通常是大量對過去生產(chǎn)的批次進行分析，其中將投料、工藝參數(shù)數(shù)據(jù)作為自變量，質(zhì)量數(shù)據(jù)作為因變量；進行訓練，建立模型，從而找到其內(nèi)在的量化關(guān)系。

從商業(yè)價值角度來說

即便是同一個產(chǎn)品、同一種工藝，在不同的環(huán)境下，例如海南的化工企業(yè)和甘肅的化工企業(yè)所處環(huán)境溫濕度有很大差異。部分工藝都可能因為外界環(huán)境的變化而導(dǎo)致算法準確度降低或失效，模型需要針對每個具體的場景定制，很難復(fù)用。

同時，工藝參數(shù)優(yōu)化會明顯受到生產(chǎn)規(guī)模和批次的制約——生產(chǎn)規(guī)模越大，單批次產(chǎn)量越高，產(chǎn)品單位價值越高或者質(zhì)量損失風險越高，使用AI進行工藝優(yōu)化就越可行。

網(wǎng)上可以找到眾多的相關(guān)成功案例。

以下案例來源于中國工程院院士鄔賀銓的演講。

“臺灣中鋼公司，他們引進了IBM的Power AI解決方案，用于分析軋鋼過程中的缺陷。為了將27噸的鋼坯，軋到0.5毫米的成品，預(yù)測和分析過程中的缺陷，他們收集了過去一年7000多批次的產(chǎn)品數(shù)據(jù)。經(jīng)過數(shù)據(jù)清洗，篩選出了可能影響產(chǎn)品質(zhì)量的特征數(shù)據(jù)，并且轉(zhuǎn)換成了可供機器學習使用的數(shù)據(jù)。

這些數(shù)據(jù)中，80%拿來做學習，20%拿來做檢驗。然后他們設(shè)計了4種數(shù)學模型，來看哪種模型更符合實際情況。最后他們根據(jù)模型分析一條產(chǎn)品線產(chǎn)生的2000多個數(shù)據(jù)，發(fā)現(xiàn)爐內(nèi)壓力對缺陷影響大。最后中鋼公司在人力資源和鋼坯質(zhì)量方面，都得到了很好的改進，成本大幅降低?！?/p>

2）安全隱患識別

從需求的角度來說

工廠很多危險行為（如違規(guī)操作設(shè)備、爭斗打架等）是通過現(xiàn)場檢查和視頻監(jiān)控才能發(fā)現(xiàn)的，如果能通過視頻圖像識別的話，就能夠?qū)崟r發(fā)現(xiàn)隱患并處理。

從技術(shù)可實現(xiàn)性來說

其實現(xiàn)大致流程就是做算例→配算法→訓練→嵌入框架程序用于應(yīng)用。嵌入框架程序有兩種，一種是嵌入硬件的嵌入式程序，一種是服務(wù)端的web程序。此外，車牌識別，人臉識別，安全隱患識別是高度依賴于場景的。

同樣的行為，角度不同、背景不同，都可能產(chǎn)生誤判，以為著需要針對場景定制。

從商業(yè)價值角度來說

受限于危險行為場景異常復(fù)雜，無法復(fù)用且需要定制，短期內(nèi)很難做到類似車牌識別系統(tǒng)的產(chǎn)品化，導(dǎo)致其可用場景其實非常有限的。

3）設(shè)備維護預(yù)測

從需求的角度來說

企業(yè)的設(shè)備類似于車輛，需要定期保養(yǎng)，更換零部件。一般汽車廠家為了免責而規(guī)定要求五千或者一萬公里保養(yǎng)一次，而一般老司機是不按這個來的，他們會根據(jù)行駛工況選擇合適的保養(yǎng)時機。

用于生產(chǎn)的機械設(shè)備通常是按工時來保養(yǎng)的，有的企業(yè)甚至連工時都無法統(tǒng)計（上下游標準不一或缺乏手段），導(dǎo)致錯過保養(yǎng)時間使得設(shè)備故障頻發(fā)。如果能夠根據(jù)實際工況給出維護保養(yǎng)建議，便能有效解決這個問題。

從技術(shù)可實現(xiàn)性來說

其技術(shù)實現(xiàn)路徑大致和工藝參數(shù)優(yōu)化一樣，不同的是自變量變成了設(shè)備的檢測到工況參數(shù)，因變量變成了故障統(tǒng)計數(shù)據(jù)集。

從商業(yè)價值角度來說

其面臨的問題和工藝參數(shù)優(yōu)化一樣，受到無法復(fù)用的限制，需要大量的同類型設(shè)備才能減少邊際成本。一旦成功應(yīng)用，可以極大節(jié)省設(shè)備運營和維護成本。

以下案例來源于富士康：

由于銑刀在高轉(zhuǎn)速下進行不連續(xù)切削，刀具磨損迅速且難于監(jiān)測，并且刀具磨損嚴重影響加工精度與產(chǎn)品質(zhì)量。針對高速銑削刀具磨損難以在線預(yù)測，提出了一種基于深度學習的高速銑削刀具磨損預(yù)測的新方法。通過小波包變換提取銑削力信號，在不同頻段上的能量分布，作為初始特征向量。采用無監(jiān)督學習對稀疏自編碼網(wǎng)絡(luò)進行特征學習，并將單層網(wǎng)絡(luò)堆棧構(gòu)成深度神經(jīng)網(wǎng)絡(luò)。最后，利用有監(jiān)督學習對整個深度網(wǎng)絡(luò)進行微調(diào)訓練，建立銑削刀具磨損預(yù)測模型。實驗結(jié)果表明，所提出的方法對刀具磨損狀態(tài)預(yù)測準確率達到93.038%。

4）知識識別維護

從需求的角度來說

傳統(tǒng)的知識管理軟件依賴于數(shù)據(jù)庫的設(shè)計，系統(tǒng)無法識別語義，我們只能按照預(yù)設(shè)的數(shù)據(jù)結(jié)構(gòu)，在一個系統(tǒng)中實現(xiàn)增刪改查操作。而知識產(chǎn)生的時間往往和錄入的時間是不一樣的，我們往往得重復(fù)錄入一次。

例如某產(chǎn)品未通過測試需要進行設(shè)計更改，其通常會走一個變更申請，由項目負責人、總工程師等人層層審批。若能夠直接就審批材料進行語義分析，直接抽象測試未通過的要素、更改的方式方法等要素，就不需要再人為錄入了。下一次遇到類似于的問題，相關(guān)工程師就可以查詢解決方案。

從技術(shù)可實現(xiàn)性來說

可以利用自然語言識別技術(shù)，從業(yè)務(wù)系統(tǒng)中直接獲取大量的文本，解析出事件執(zhí)行主體、執(zhí)行對象、執(zhí)行方法、執(zhí)行結(jié)果主要要素，再各要素語義量化解析。

從商業(yè)價值角度來說

無論是企業(yè)的技術(shù)知識庫，還是服務(wù)機器人的應(yīng)用，都可以減少對人員培訓和素質(zhì)水平的依賴。結(jié)合PDM、GIT等軟件，能夠構(gòu)成企業(yè)完整的知識管理體系。

三、我們要怎么樣去構(gòu)建工業(yè)的人工智能應(yīng)用

重視基礎(chǔ)條件建設(shè)，數(shù)據(jù)先行。

前面案例已經(jīng)分析到了，樣本數(shù)據(jù)的數(shù)量和質(zhì)量是保障人工智能任務(wù)完成的先決條件。故障預(yù)測需要大量的工況數(shù)據(jù)，危險行為識別需要大量的圖像算例。

對于企業(yè)而言，需要具備自動化、數(shù)字化等基礎(chǔ)條件，

對于行業(yè)和政府而言，需要全行業(yè)或全地域企業(yè)具備基本的自動化、數(shù)字化基礎(chǔ)。消費領(lǐng)域之所以AI做得風生水起關(guān)鍵是各應(yīng)用都大量埋點，獲得了大量行為數(shù)據(jù)。

明確各自定位，參與分工。工業(yè)場景之多，復(fù)雜度之深，行業(yè)壁壘之高，意味著這不是一個贏者通吃的壟斷的市場，需要構(gòu)建生態(tài)并由多方參與。

人人都搞AI的時代并不是因為人類進化都變聰明了，而是tesorflow、opencv等AI工具的誕生。對算法的高度封裝使得我們可以專注于解決業(yè)務(wù)問題，算法從深奧的數(shù)學問題變成了”調(diào)庫和調(diào)參“+業(yè)務(wù)洞察的基本操作。

下圖是tensorflow的操作頁面——前端配置頁面已經(jīng)高度成熟，算法的配置可以通過對模塊的拖拉拽就能實現(xiàn)，甚至連調(diào)庫的操作都不需要。

未來工業(yè)AI領(lǐng)域?qū)⒅饾u形成分工是大概率事件，參與者主要包括底層框架開發(fā)者和場景貢獻者。

框架開發(fā)者軟件、AI技術(shù)背景更強，他們搭建全行業(yè)通吃的應(yīng)用框架，各行各業(yè)傳統(tǒng)的服務(wù)商基于框架構(gòu)建場景。這樣企業(yè)就能以更低的成本獲取場景，市場也各司其職，實現(xiàn)價值大化。

尊重業(yè)務(wù)，深入業(yè)務(wù)。

與AI、互聯(lián)網(wǎng)日新月異的技術(shù)和商業(yè)模式的發(fā)展相比，工業(yè)的發(fā)展顯得相對緩慢和笨重；然而，工業(yè)無論是設(shè)計、工藝還是制造過程管理的知識和經(jīng)驗，都是由各個工業(yè)國家在經(jīng)過數(shù)以百年的實踐總結(jié)而來的，消費領(lǐng)域?qū)π枨蠛蜆I(yè)務(wù)的處理方式無法直接復(fù)用在工業(yè)場景中。

工業(yè)互聯(lián)網(wǎng)也好，工業(yè)AI也好，產(chǎn)品經(jīng)理需要深入理解工業(yè)場景和業(yè)務(wù)。

四、小結(jié)

人工智能技術(shù)在解決眾多工業(yè)問題場景中有獨特的優(yōu)勢，但目前工業(yè)場景與人工智能還缺乏深入融合，應(yīng)用的范圍甚至還不到消費領(lǐng)域的1%。

對于工業(yè)互聯(lián)網(wǎng)從業(yè)者而言，以工程化和商用化為目標，還應(yīng)深度關(guān)注業(yè)務(wù)和場景落地的問題，同時還需要探索降低場景制訂邊際成本方法。

http://blog.sina.com.cn/s/blog_cfa68e330102zvrg.html

網(wǎng)頁標題：AI如何在工業(yè)場景中落地-創(chuàng)新互聯(lián)
當前地址：http://muchs.cn/article28/cossjp.html

成都網(wǎng)站建設(shè)公司_創(chuàng)新互聯(lián)，為您提供手機網(wǎng)站建設(shè)、關(guān)鍵詞優(yōu)化、面包屑導(dǎo)航、做網(wǎng)站、網(wǎng)頁設(shè)計公司、小程序開發(fā)

廣告

聲明：本網(wǎng)站發(fā)布的內(nèi)容（圖片、視頻和文字）以用戶投稿、用戶轉(zhuǎn)載內(nèi)容為主，如果涉及侵權(quán)請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網(wǎng)站立場，如需處理請聯(lián)系客服。電話：028-86922220；郵箱：631063699@qq.com。內(nèi)容未經(jīng)允許不得轉(zhuǎn)載，或轉(zhuǎn)載時需注明來源： 創(chuàng)新互聯(lián)