圖1-1956年達(dá)特茅斯會(huì)議上的那些AI界大神們

　　最近幾年，隨著AlphaGo逐漸干掉了人類的頂級(jí)棋手、波士頓“大狗”不斷進(jìn)化的能力使得人們對(duì)人工智能充滿了期待，人工智能的熱潮席卷了大學(xué)、企業(yè)，春風(fēng)也吹進(jìn)了工業(yè)這個(gè)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，時(shí)下，如果你不談?wù)勅斯ぶ悄?，就?huì)顯得落后了，人們似乎忘記了，自從1956年達(dá)特茅斯會(huì)議定義了“AI”這個(gè)詞以來，其實(shí)AI就已經(jīng)經(jīng)歷過幾次大起大落，人們寄予厚望—似乎又要回到“西部掘金”的那個(gè)年代。

　　我們一直走在一個(gè)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(hào)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(dòng)”（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(gè)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)為不是人工智能，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)。

　　圖2-維納《控制論》代表著“行為主義”學(xué)派的發(fā)端

　　其實(shí)在模糊控制、自適應(yīng)控制領(lǐng)域，包括數(shù)據(jù)驅(qū)動(dòng)的很多控制方法上，自動(dòng)化領(lǐng)域一直沿襲著行為主義的“測(cè)量、反饋、控制、執(zhí)行”的這個(gè)閉環(huán)思想，在對(duì)非線性、不確定擾動(dòng)等工程問題進(jìn)行著不懈的探索，有時(shí)候，我們需要為自己正名—就是自動(dòng)化本身就是一個(gè)AI的學(xué)派分支。

　　機(jī)器學(xué)習(xí)的分類

　　圖3所示機(jī)器學(xué)習(xí)的主要方法包括監(jiān)督、非監(jiān)督和強(qiáng)化學(xué)習(xí)，對(duì)應(yīng)的一些算法和模型，當(dāng)然，這個(gè)我們用戶不用關(guān)注，主要是看解決哪類問題，使用什么樣的算法會(huì)比較好。

　　圖3-機(jī)器學(xué)習(xí)的分類

　　數(shù)據(jù)集的一個(gè)樣本（Instance）是有屬性（Attribute）、和特征（Feature），如果樣本有“標(biāo)簽”（Label），就是一個(gè)監(jiān)督學(xué)習(xí)的樣例（Example）,監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)是比較常用的方法，但是，在工業(yè)中很多時(shí)候無法對(duì)數(shù)據(jù)打標(biāo)簽或打標(biāo)簽工作量巨大，算法可以自動(dòng)分析訓(xùn)練集中的數(shù)據(jù)的相似和相異進(jìn)行分類形成模型，而強(qiáng)化學(xué)習(xí)與監(jiān)督與非監(jiān)督學(xué)習(xí)的區(qū)別在于它不同于監(jiān)督和非監(jiān)督學(xué)習(xí)從歷史經(jīng)驗(yàn)中學(xué)習(xí)，而是一種基于環(huán)境對(duì)行為收益的評(píng)價(jià)來改進(jìn)自身的模型，就相當(dāng)于我們鼓勵(lì)小孩子的行為—如果她勇敢的提問，就鼓勵(lì)她這樣的行為，她就會(huì)形成積極發(fā)言的品質(zhì)，但是我們要懲罰她亂丟垃圾，她就會(huì)養(yǎng)成良好的生活習(xí)慣，這里需要給她一個(gè)評(píng)價(jià)。而遷移學(xué)習(xí)則是將一個(gè)數(shù)據(jù)豐富的源領(lǐng)域的知識(shí)遷移到一個(gè)數(shù)據(jù)匱乏的目標(biāo)領(lǐng)域，因?yàn)檫w移學(xué)習(xí)可以實(shí)現(xiàn)“知識(shí)復(fù)用”，因此具有較為廣泛的前景。

　　人工智能真的是無所不能嗎？

　　對(duì)于人工智能市場(chǎng)的炒作熱度，工業(yè)界相對(duì)保持比較冷靜的態(tài)度。貝加萊方案研究院院長(zhǎng)陳妮亞博士是一個(gè)有多年AI算法研究和實(shí)踐的專家，她對(duì)此表示“在工業(yè)領(lǐng)域，AI還有很長(zhǎng)的路要走，并且AI就目前來看，能夠應(yīng)用的場(chǎng)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(shí)、學(xué)習(xí)、分析、實(shí)踐AI的工業(yè)應(yīng)用。

　　圖4-貝加萊方案研究院院長(zhǎng)陳妮亞博士

　　“因?yàn)楣I(yè)用戶是非?？量痰?，必須有現(xiàn)實(shí)的商業(yè)價(jià)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(chǎng)實(shí)際的生產(chǎn)問題，提升效率、降低成本、提高質(zhì)量，才能用實(shí)際價(jià)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(shí)際問題”。

　　圖5-數(shù)據(jù)到智慧的過程（圖片源于網(wǎng)絡(luò)）

　　圖5是一張普遍流傳于互聯(lián)網(wǎng)世界的圖，這張圖非常形象的向我們描繪了數(shù)據(jù)、信息、知識(shí)、洞見、智慧的過程，從數(shù)據(jù)到處理為價(jià)值的信息、形成領(lǐng)域知識(shí)、并對(duì)其中的關(guān)聯(lián)清晰的把握與洞察，就無法形成所謂的“智慧”-判斷與執(zhí)行力，因此，在整個(gè)人工智能中，就目前而言，人依舊扮演非常關(guān)鍵的角色來對(duì)數(shù)據(jù)信息進(jìn)行預(yù)處理，并設(shè)計(jì)合適的特征值再進(jìn)行訓(xùn)練驗(yàn)證，機(jī)器干的都是“蠻力”，算力比較高。

　　因此，從這個(gè)角度來說，人工智能能做什么，取決于人的需求以及對(duì)它的規(guī)劃和設(shè)計(jì)。

　　相對(duì)于模型驅(qū)動(dòng)而言，數(shù)據(jù)驅(qū)動(dòng)的方法更適合于解決非線性系統(tǒng)的問題，而這個(gè)就是AI擅長(zhǎng)的。

　　為啥以前不用現(xiàn)在開始熱鬧了？

　　那么為啥以前大家不關(guān)注AI現(xiàn)在開始關(guān)注了呢？其實(shí)有以下幾個(gè)原因：

　　1.算力變得便宜了：制造業(yè)里大家都是錙銖必較的，不是說先進(jìn)就好，得經(jīng)濟(jì)，只有經(jīng)濟(jì)性才能真正推動(dòng)下去，技術(shù)實(shí)現(xiàn)成本低，而且簡(jiǎn)單易用才行，現(xiàn)在隨著芯片技術(shù)的進(jìn)步，一個(gè)手機(jī)的算力都頂?shù)蒙袭?dāng)年APOLLO工程的整個(gè)計(jì)算機(jī)的算力，因此，這個(gè)技術(shù)推動(dòng)力具有了。

　　2.軟件成熟了：隨著IT技術(shù)的發(fā)展，在與AI開發(fā)相關(guān)的領(lǐng)域的軟件工具也變得更為簡(jiǎn)單易用，這使得AI具有了一定的普及的基礎(chǔ)。

　　3.競(jìng)爭(zhēng)太激烈了：其實(shí)，制造業(yè)是很苦的，競(jìng)爭(zhēng)壓力大，不斷得想辦法節(jié)省那么一點(diǎn)點(diǎn)材料、一點(diǎn)點(diǎn)時(shí)間，但是，累積下來就是一筆不少的利潤(rùn)，誰的良品率比別人高1%那就是豐厚的利潤(rùn)回報(bào)，工藝切換速度比別人快幾分鐘，就是真金白銀的競(jìng)爭(zhēng)力，隨著在傳統(tǒng)的機(jī)理模型下的潛能不斷的被壓榨，人們開始在尋找更為精細(xì)的生產(chǎn)工藝改進(jìn)，以前基于安全考慮的PID參數(shù)就不能滿足要求了，得動(dòng)態(tài)的隨著外外界條件變化來解決問題了，隨著制造業(yè)的業(yè)務(wù)挖潛的需求，使得對(duì)于AI來解決一些傳統(tǒng)解決不了的問題的需求變得更多了。

　　商業(yè)人工智能與工業(yè)AI的差異在哪里？

　　但是，畢竟工業(yè)與商業(yè)還是兩個(gè)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我們所列了工業(yè)中的AI與商業(yè)中的一些不同。

　　表1-商業(yè)與工業(yè)AI的異同

　　工業(yè)哪些場(chǎng)景需要AI支持呢？

　　陳妮亞博士在2020年3月6日貝加萊橙色講堂中分享了她對(duì)AI工業(yè)應(yīng)用的幾個(gè)有價(jià)值場(chǎng)景的認(rèn)識(shí)，包括了幾個(gè)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(gè)性化的生產(chǎn)需求，而這使得制造產(chǎn)線經(jīng)常會(huì)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(gè)產(chǎn)線都是定制的，而且生產(chǎn)不斷的變化，這會(huì)讓工廠運(yùn)營(yíng)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(gè)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(gè)“眼睛”，讓它去學(xué)習(xí)工作場(chǎng)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(chǎng)景，常需要AI算法的介入，以獲得高精度的識(shí)別性能。

　　2.預(yù)測(cè)性維護(hù)

　　傳統(tǒng)的基于模型驅(qū)動(dòng)的預(yù)測(cè)性維護(hù)已經(jīng)有數(shù)十年的歷史，但是，其主要針對(duì)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(dòng)的學(xué)習(xí)模式可以縮短這個(gè)過程，并且可能挖掘出更多的潛在信息。借助于云計(jì)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(chǎng)景預(yù)測(cè)性維護(hù)是一個(gè)非常有前景的領(lǐng)域，如圖6。

　　圖6-預(yù)測(cè)性維護(hù)是一個(gè)最為普遍的AI應(yīng)用場(chǎng)景

　　3.缺陷檢測(cè)

　　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(cè)能力的（中心點(diǎn)計(jì)算、測(cè)量、匹配…非常多的可用場(chǎng)景），尤其是為了保障不良品不流入下一個(gè)工序，大量的視覺缺陷檢測(cè)將被用于產(chǎn)線，同樣也是一個(gè)場(chǎng)景變化非常大，無法有效的構(gòu)建新的程序并大量測(cè)試驗(yàn)證，因?yàn)閷?duì)于個(gè)性化生產(chǎn)來說，沒有足夠的批量進(jìn)行物理測(cè)試驗(yàn)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(cè)模型來對(duì)各種變化的場(chǎng)景進(jìn)行建模，形成健壯的模型對(duì)新的產(chǎn)品進(jìn)入獲得認(rèn)知，進(jìn)行分揀、剔除等動(dòng)作。

　　4.參數(shù)尋優(yōu)

　　在傳統(tǒng)的控制中，都是針對(duì)一個(gè)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(dòng)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(huì)造成浪費(fèi)，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(gè)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(shì)中，凸顯了它的優(yōu)勢(shì)。而傳統(tǒng)的模型驅(qū)動(dòng)會(huì)需要較長(zhǎng)的時(shí)間與經(jīng)驗(yàn)積累，較難在靈活的應(yīng)用場(chǎng)景中達(dá)到簡(jiǎn)單易用的效果。

　　當(dāng)然，說到了機(jī)器學(xué)習(xí)，那一定要來點(diǎn)干貨—不過，請(qǐng)諸位讀者諒解，只能給大家聊個(gè)概括，因?yàn)闄C(jī)器學(xué)習(xí)就是這樣，依賴于領(lǐng)域?qū)＜业闹腔?，如何選擇特征值，如何對(duì)數(shù)據(jù)清洗、降維、如何去設(shè)定評(píng)判標(biāo)準(zhǔn)等過程，都是非常依賴于貝加萊機(jī)電工程與AI專家的洞察（Insight），就像網(wǎng)上經(jīng)常流傳的這張圖一樣。

　　貝加萊工業(yè)AI的架構(gòu)如何搭建？

　　如圖7所示，貝加萊其實(shí)具有各種場(chǎng)景和組合下的機(jī)器學(xué)習(xí)架構(gòu)。

　　圖7-貝加萊可支持的機(jī)器學(xué)習(xí)架構(gòu)

　　其實(shí)，普通的控制器就可以做一些簡(jiǎn)單的學(xué)習(xí)—想想，AI就是一個(gè)程序啊！貝加萊這個(gè)控制器本來就可以高級(jí)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(gè)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(gè)華為ATLAS加速器這樣的大算力，然后通過OPCUA到云端訓(xùn)練，下載到AI加速器上本地推理，并與運(yùn)動(dòng)控制、機(jī)器人進(jìn)行交互，就可以干智能導(dǎo)引、缺陷檢測(cè)與處理、預(yù)測(cè)性維護(hù)、參數(shù)尋優(yōu)等活啦！

　　當(dāng)然，說起來就是這么簡(jiǎn)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)。

　　舉例：

　　例1：前沿送紙機(jī)構(gòu)精準(zhǔn)的送紙是模切質(zhì)量與效率保障的關(guān)鍵，其傳動(dòng)采用伺服的電子凸輪曲線來完成，在運(yùn)動(dòng)過程中，紙張的規(guī)格、類型、速度、加速度、機(jī)械磨損等都會(huì)影響送紙的精度，如何讓機(jī)器更為“智能”，即，如何自主根據(jù)變化來適應(yīng)獲得最佳的凸輪曲線參數(shù)，電子凸輪曲線由多個(gè)多項(xiàng)式構(gòu)成，如圖8所示，而每段有速度、加速度、加加速度作為參數(shù)，如何為其制定最佳工藝？

　　圖8-電子凸輪曲線的參數(shù)尋優(yōu)

　　在這個(gè)項(xiàng)目中，工程師們?yōu)楫?dāng)前的CAM曲線控制疊加了一個(gè)“成本函數(shù)”來約束它，并不斷訓(xùn)練以獲得該函數(shù)最小值，該成本函數(shù)有兩種狀態(tài)，一種是可微分狀態(tài)那就意味著可以采用梯度策略來處理，而另一種則是不可微分的狀態(tài)，采用遺傳算法對(duì)其收斂過程進(jìn)行學(xué)習(xí)，并判定最終收斂值。

　　例2：預(yù)測(cè)性維護(hù)

　　圖9-多線切割機(jī)

　　對(duì)于多線切割設(shè)備（如圖9所示）而言，由于晶硅材料成本較高，而且加工精度也比較高，因此，機(jī)器的健康狀態(tài)對(duì)于質(zhì)量非常關(guān)鍵，如果能夠早期預(yù)測(cè)機(jī)器故障狀態(tài)，顯然會(huì)為生產(chǎn)帶來很大的成本和風(fēng)險(xiǎn)的降低。

　　通過特征提取的非監(jiān)督學(xué)習(xí)模式來進(jìn)行學(xué)習(xí)過程，在這個(gè)系統(tǒng)中，工程師們?cè)诒姸嗟膮?shù)中（包括電流、電壓、溫度、速度、位置）中選擇了以4個(gè)軸承溫度為測(cè)量點(diǎn)，并構(gòu)建了溫度相關(guān)特征提取的策略，確保數(shù)據(jù)的有效性、內(nèi)在關(guān)聯(lián)性。

　　在此基礎(chǔ)上，對(duì)這些參數(shù)進(jìn)行了適當(dāng)?shù)乃惴ㄌ幚?，并獲得溫度殘差，即，溫度的斜率-均值（斜率的均值）得到殘差，然后系統(tǒng)對(duì)殘差數(shù)據(jù)進(jìn)行基于三個(gè)目標(biāo)參數(shù)的學(xué)習(xí)，尋找其最優(yōu)值：

　　1.檢測(cè)滑動(dòng)窗口:W（秒）

　　2.發(fā)散水平閾值:α

　　3.比例閾值：β

　　通過大量數(shù)據(jù)的學(xué)習(xí)（超過20GB數(shù)據(jù)），以獲取W,α,β的最優(yōu)組合（考慮到商業(yè)機(jī)密，此處不再深入介紹）。

　　衡量系統(tǒng)效果的關(guān)鍵指標(biāo)在于“檢出率”與“誤報(bào)率”，這兩個(gè)參數(shù)通常成對(duì)出現(xiàn)，在設(shè)計(jì)算法時(shí)，追求檢出率則會(huì)閾值設(shè)置比較低，但誤報(bào)率就會(huì)提高，通過設(shè)置合適的閾值以尋求最優(yōu)的故障預(yù)測(cè)。通過在15臺(tái)機(jī)器上數(shù)千刀的裁切過程，獲得了91%的檢出率及0.1%的誤報(bào)率，獲得超預(yù)期的學(xué)習(xí)效果，由于這個(gè)學(xué)習(xí)僅采用了原本機(jī)器就有的溫度，沒有成本的增加，而如果采用震動(dòng)傳感器的方式，獲得更好的檢出率和降低誤報(bào)率。

　　工業(yè)人做AI有哪些優(yōu)勢(shì)？

　　1.數(shù)據(jù)源：還有誰比我的控制器離數(shù)據(jù)源近？

　　2.工藝模型：模型驅(qū)動(dòng)與數(shù)據(jù)驅(qū)動(dòng)必須結(jié)合，相互發(fā)揮其各自優(yōu)勢(shì)，是的，我有模型；

　　3.機(jī)電專家：就目前來說，貝加萊機(jī)電控制專家對(duì)于機(jī)器的控制工藝還是很了解的，所以，干這個(gè)事情還真有點(diǎn)“近水樓臺(tái)先得月”的感覺。

　　是的，AI能干什么，取決于工程師的智慧！