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 所suo不bu具ju備bei的de，因yin為wei機ji器qi最zui大da的de特te點dian是shi算suan力li，如ru果guo了le解jie計ji算suan機ji的de原yuan理li就jiu知zhi道dao，計ji算suan機ji僅jin在zai利li用yong非fei常chang高gao速su的de計ji算suan能neng力li來lai處chu理li數shu據ju，以yi及ji大da量liang數shu據ju存cun儲chu和he不bu知zhi疲pi倦juan的de算suan力li。

　　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xingI/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 光guang機ji獲huo得de輪lun胎tai的de成cheng像xiang信xin息xi後hou，學xue習xi係xi統tong將jiang代dai替ti人ren工gong對dui缺que陷xian進jin行xing分fen析xi
，因yin為wei鋼gang絲si圈quan的de纏chan繞rao過guo程cheng中zhong，由you於yu機ji器qi狀zhuang態tai或huo生sheng產chan中zhong的de異yi常chang帶dai來lai非fei常chang多duo的de缺que陷xian問wen題ti，例li如ru鋼gang絲si圈quan的de纏chan繞rao層ceng次ci偏pian差cha、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

　　而er基ji於yu深shen度du學xue習xi的de方fang法fa可ke以yi通tong過guo對dui這zhe些xie不bu同tong缺que陷xian的de相xiang關guan要yao素su進jin行xing特te征zheng提ti取qu，利li用yong濾lv波bo算suan法fa對dui幹gan擾rao因yin素su對dui圖tu像xiang進jin行xing有you效xiao的de缺que陷xian特te征zheng獲huo取qu，從cong這zhe些xie複fu雜za的de圖tu像xiang中zhong尋xun找zhao到dao缺que陷xian點dian，並bing對dui缺que陷xian點dian進jin行xing聚ju類lei、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

　　在(zai)柔(rou)版(ban)印(yin)刷(shua)中(zhong)
，壓(ya)印(yin)力(li)是(shi)一(yi)個(ge)對(dui)於(yu)品(pin)質(zhi)影(ying)響(xiang)較(jiao)大(da)的(de)因(yin)素(su)，尤(you)其(qi)在(zai)開(kai)機(ji)階(jie)段(duan)的(de)調(tiao)試(shi)
，往(wang)往(wang)依(yi)賴(lai)於(yu)師(shi)傅(fu)的(de)經(jing)驗(yan)
，這(zhe)往(wang)往(wang)會(hui)造(zao)成(cheng)較(jiao)大(da)的(de)開(kai)機(ji)浪(lang)費(fei)（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。