圖1-1956年達特茅斯會議上的那些AI界大神們

　　最近幾年，隨著AlphaGo逐漸干掉了人類的頂級棋手、波士頓“大狗”不斷進化的能力使得人們對人工智能充滿了期待，人工智能的熱潮席卷了大學、企業(yè)，春風也吹進了工業(yè)這個一直處于默默無聞的領域，據(jù)說“工業(yè)才是AI的試金石”—所以大量的商業(yè)AI領域的企業(yè)也想進軍工業(yè)領域，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，時下，如果你不談談人工智能，就會顯得落后了，人們似乎忘記了，自從1956年達特茅斯會議定義了“AI”這個詞以來，其實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”的那個年代。

　　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“學習”，監(jiān)督/非監(jiān)督、強化、深度學習？在過去的幾十年里，連接主義學派主要在研究“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)“學習”是人類智慧的起源，這也是今天主要在討論機器學習的原因。而行為主義—來自于維納“控制論”的智能這個學派則默默無聞的工作著，只是一種自下而上的過程經(jīng)常被認為不是人工智能，但是，它在現(xiàn)代機電控制、控制工程領域卻做出了杰出的貢獻。

　　圖2-維納《控制論》代表著“行為主義”學派的發(fā)端

　　其實在模糊控制、自適應控制領域，包括數(shù)據(jù)驅(qū)動的很多控制方法上，自動化領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的學派分支。

　　機器學習的分類

　　圖3所示機器學習的主要方法包括監(jiān)督、非監(jiān)督和強化學習，對應的一些算法和模型，當然，這個我們用戶不用關注，主要是看解決哪類問題，使用什么樣的算法會比較好。

　　圖3-機器學習的分類

　　數(shù)據(jù)集的一個樣本（Instance）是有屬性（Attribute）、和特征（Feature），如果樣本有“標簽”（Label），就是一個監(jiān)督學習的樣例（Example）,監(jiān)督學習和非監(jiān)督學習是比較常用的方法，但是，在工業(yè)中很多時候無法對數(shù)據(jù)打標簽或打標簽工作量巨大，算法可以自動分析訓練集中的數(shù)據(jù)的相似和相異進行分類形成模型，而強化學習與監(jiān)督與非監(jiān)督學習的區(qū)別在于它不同于監(jiān)督和非監(jiān)督學習從歷史經(jīng)驗中學習，而是一種基于環(huán)境對行為收益的評價來改進自身的模型，就相當于我們鼓勵小孩子的行為—如果她勇敢的提問，就鼓勵她這樣的行為，她就會形成積極發(fā)言的品質(zhì)，但是我們要懲罰她亂丟垃圾，她就會養(yǎng)成良好的生活習慣，這里需要給她一個評價。而遷移學習則是將一個數(shù)據(jù)豐富的源領域的知識遷移到一個數(shù)據(jù)匱乏的目標領域，因為遷移學習可以實現(xiàn)“知識復用”，因此具有較為廣泛的前景。

　　人工智能真的是無所不能嗎？

　　對于人工智能市場的炒作熱度，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)領域，AI還有很長的路要走，并且AI就目前來看，能夠應用的場景是有限的”，當然了，陳妮亞博士并非要給大家潑冷水，而是希望大家冷靜客觀、遵循科學規(guī)律來認識、學習、分析、實踐AI的工業(yè)應用。

　　圖4-貝加萊方案研究院院長陳妮亞博士

　　“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術研究。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械、電氣控制、智能算法與模型以解決產(chǎn)業(yè)的實際問題”。

　　圖5-數(shù)據(jù)到智慧的過程（圖片源于網(wǎng)絡）

　　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、洞見、智慧的過程，從數(shù)據(jù)到處理為價值的信息、形成領域知識、并對其中的關聯(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，在整個人工智能中，就目前而言，人依舊扮演非常關鍵的角色來對數(shù)據(jù)信息進行預處理，并設計合適的特征值再進行訓練驗證，機器干的都是“蠻力”，算力比較高。

　　因此，從這個角度來說，人工智能能做什么，取決于人的需求以及對它的規(guī)劃和設計。

　　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。

　　為啥以前不用現(xiàn)在開始熱鬧了？

　　那么為啥以前大家不關注AI現(xiàn)在開始關注了呢？其實有以下幾個原因：

　　1.算力變得便宜了：制造業(yè)里大家都是錙銖必較的，不是說先進就好，得經(jīng)濟，只有經(jīng)濟性才能真正推動下去，技術實現(xiàn)成本低，而且簡單易用才行，現(xiàn)在隨著芯片技術的進步，一個手機的算力都頂?shù)蒙袭斈闍POLLO工程的整個計算機的算力，因此，這個技術推動力具有了。

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

　　3.競爭太激烈了：其實，制造業(yè)是很苦的，競爭壓力大，不斷得想辦法節(jié)省那么一點點材料、一點點時間，但是，累積下來就是一筆不少的利潤，誰的良品率比別人高1%那就是豐厚的利潤回報，工藝切換速度比別人快幾分鐘，就是真金白銀的競爭力，隨著在傳統(tǒng)的機理模型下的潛能不斷的被壓榨，人們開始在尋找更為精細的生產(chǎn)工藝改進，以前基于安全考慮的PID參數(shù)就不能滿足要求了，得動態(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)務挖潛的需求，使得對于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)還是兩個不同的世界，這使得在商業(yè)領域的成功較難在工業(yè)領域里進行復制，必須進行一些“改造”才能更好的進行應用，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AI工業(yè)應用的幾個有價值場景的認識，包括了幾個重要的方面。

　　1.智能導引

　　今天智能制造的推進，使得業(yè)務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”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)大量的機械調(diào)整與修改，在制品物流成為了一個非常關鍵的一環(huán)，包括生產(chǎn)單元間的輸送等，而機器人則具有更好的靈活性，那么給機器人配置一個“眼睛”，讓它去學習工作場景（零配件、加工路徑上的工裝夾具、任意位置的擺放）中的變化并指引機器人去抓取，就變得十分必要。靈活、復雜、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.預測性維護

　　傳統(tǒng)的基于模型驅(qū)動的預測性維護已經(jīng)有數(shù)十年的歷史，但是，其主要針對的是類似于飛機、大型燃氣發(fā)電機組這類重型設備。工業(yè)領域需要特別專業(yè)的人經(jīng)過數(shù)十年的積累，通過數(shù)據(jù)驅(qū)動的學習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、邊緣智能的基礎設施與能力，來推進更為廣泛的工業(yè)場景預測性維護是一個非常有前景的領域，如圖6。

　　圖6-預測性維護是一個最為普遍的AI應用場景

　　3.缺陷檢測

　　隨著電子制造技術的發(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，沒有足夠的批量進行物理測試驗證生產(chǎn)已經(jīng)結束了，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行建模，形成健壯的模型對新的產(chǎn)品進入獲得認知，進行分揀、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習來尋找最優(yōu)值的組合。

　　整體來說，機器學習在硬件成本下降、靈活度及復雜性提高的行業(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，較難在靈活的應用場景中達到簡單易用的效果。

　　當然，說到了機器學習，那一定要來點干貨—不過，請諸位讀者諒解，只能給大家聊個概括，因為機器學習就是這樣，依賴于領域?qū)＜业闹腔?，如何選擇特征值，如何對數(shù)據(jù)清洗、降維、如何去設定評判標準等過程，都是非常依賴于貝加萊機電工程與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的架構如何搭建？

　　如圖7所示，貝加萊其實具有各種場景和組合下的機器學習架構。

　　圖7-貝加萊可支持的機器學習架構

　　其實，普通的控制器就可以做一些簡單的學習—想想，AI就是一個程序啊！貝加萊這個控制器本來就可以高級語言編程（追溯到1993年），當然了，控制器本身主要業(yè)務是干控制，真正想干AI大的任務還是得用貝加萊集成Hypervisor技術的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（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OPCUA到云端訓練，下載到AI加速器上本地推理，并與運動控制、機器人進行交互，就可以干智能導引、缺陷檢測與處理、預測性維護、參數(shù)尋優(yōu)等活啦！

　　當然，說起來就是這么簡單，做起來還是需要兼通AI、控制、機電的專家一同來開發(fā)。

　　舉例：

　　例1：前沿送紙機構精準的送紙是模切質(zhì)量與效率保障的關鍵，其傳動采用伺服的電子凸輪曲線來完成，在運動過程中，紙張的規(guī)格、類型、速度、加速度、機械磨損等都會影響送紙的精度，如何讓機器更為“智能”，即，如何自主根據(jù)變化來適應獲得最佳的凸輪曲線參數(shù)，電子凸輪曲線由多個多項式構成，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)

　　在這個項目中，工程師們?yōu)楫斍暗腃AM曲線控制疊加了一個“成本函數(shù)”來約束它，并不斷訓練以獲得該函數(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)，采用遺傳算法對其收斂過程進行學習，并判定最終收斂值。

　　例2：預測性維護

　　圖9-多線切割機

　　對于多線切割設備（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，機器的健康狀態(tài)對于質(zhì)量非常關鍵，如果能夠早期預測機器故障狀態(tài)，顯然會為生產(chǎn)帶來很大的成本和風險的降低。

　　通過特征提取的非監(jiān)督學習模式來進行學習過程，在這個系統(tǒng)中，工程師們在眾多的參數(shù)中（包括電流、電壓、溫度、速度、位置）中選擇了以4個軸承溫度為測量點，并構建了溫度相關特征提取的策略，確保數(shù)據(jù)的有效性、內(nèi)在關聯(lián)性。

　　在此基礎上，對這些參數(shù)進行了適當?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)對殘差數(shù)據(jù)進行基于三個目標參數(shù)的學習，尋找其最優(yōu)值：

　　1.檢測滑動窗口: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)的學習（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)機密，此處不再深入介紹）。

　　衡量系統(tǒng)效果的關鍵指標在于“檢出率”與“誤報率”，這兩個參數(shù)通常成對出現(xiàn)，在設計算法時，追求檢出率則會閾值設置比較低，但誤報率就會提高，通過設置合適的閾值以尋求最優(yōu)的故障預測。通過在15臺機器上數(shù)千刀的裁切過程，獲得了91%的檢出率及0.1%的誤報率，獲得超預期的學習效果，由于這個學習僅采用了原本機器就有的溫度，沒有成本的增加，而如果采用震動傳感器的方式，獲得更好的檢出率和降低誤報率。

　　工業(yè)人做AI有哪些優(yōu)勢？

　　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)動與數(shù)據(jù)驅(qū)動必須結合，相互發(fā)揮其各自優(yōu)勢，是的，我有模型；

　　3.機電專家：就目前來說，貝加萊機電控制專家對于機器的控制工藝還是很了解的，所以，干這個事情還真有點“近水樓臺先得月”的感覺。

　　是的，AI能干什么，取決于工程師的智慧！