AI如何在工业场景中落地

2016年 AlphaGo 横空出世，人工智能、机器学习技术名噪一时。

随着时间的发展，人工智能在工程应用上愈发成熟，车牌自动识别、智能客服机器人、广告推荐等一系列的应用在工程和商业上均取得成功。

而在工业领域，人工智能也没有停下发展的步伐，预测性维护、质量控制、智能化排产等领域也一直在探索工程落地和商业可行的进程中取得长足的进展。大量的科技巨头和专家预测人工智能将带来第四次革命，继农业革命，工业革命，信息革命后从底层改变我们的工作和生活。

作为当前最热门的风口领域之一，人工智能在工业场景中的应用深度和广度与消费领域相比仍有较大差距。

因为场景通用性差、投资建设成本高等原因，导致商用化上仍局限于部分高端制造的场景，无法做到像OA、ERP、CRM等系统同水平的普及。

对于AI+工业互联网融合的产品探索者而言，下一步最关键的问题还是具体场景落地和商用化的问题。

本文是我从科普的角度，将所学习的人工智能技术以及关于在工业场景中的应用的思考进行一些总结和整理，如有不对的地方还请各路大神砖家指正。

一、认识人工智能

1. 以机器学习为例

大到经济的运行，小到苹果落在“倒霉”的牛顿头上，世界上所有事物的发展都是由客观规律驱动的。它大概是这样一个模型：

就苹果砸脑袋这件事儿而言，万有引力和牛顿力学是驱动事物发展的客观规律，我们可以通过它精准的判断苹果落下来需要多少秒、砸在脑袋上有多大的动量等具体结果。

对于经济问题来说，这个模型就会复杂的多了。

比如现在受疫情影响下，我们要讨论成都的房价涨跌的问题。虽然能够马上判断房价会受到了包括了供需平衡等经济学模型等客观规律的支配；但是很明显的，即便是我们知道了疫情进展、政府投资计划、主城5区新增户籍人口等所有的详细数据，我们还是无法准确的判断未来半年和一年房价究竟会上浮多少，或是下跌多少。

这里就反映出一个问题：系统运营的规律越是复杂，就越难以通过归纳和推导的手段总结出客观存在的规律。

机器学习技术使得计算机可以从海量的案例中通过训练归纳总结出其内在规律。

在创新工场CEO李开复著的《人工智能》一书中，对机器学习有一个定义：

机器学习……是一种用数学模型对真实世界中的特定问题进行建模，以解决该领域内相似问题的过程。这样的技术特征使得其在解决很多我们在生活、生产中，用传统的方法难以解决或解决成本很高问题。

2. 人工智能的分类

进入九十年代，以概率统计建模、学习和计算为主的算法潮流开始占据主流。与此同时，人工智能的研究也开始逐渐分化为几个主要的学科：

计算机视觉：让计算机看懂世界；自然语言理解和交流（包括语音识别，合成，包括对话）：让计算机听懂世界并和世界交流；机器学习（各种统计的建模，分析工具和计算的方法），像时下流行的深度学习和AlphaGo涉及的增强学习（Re-enforcement Learning）就都是这个方向的分支；认知和推理（包含各种物理和社会常识），让计算机学会思考；机器人学：包括机械，控制，设计，运动规划，任务规划等等；博弈与伦理（主要研究多代理人的交互，对抗与合作，机器人与社会融合等议题）。

3. 人工智能的要素

人工智能要解决一个具体的项目，需要至少三个关键要素：

海量的数据：计算机无法理解和识别客观世界的规律，它需要海量的数据作为样本进行训练：人脸识别需要计算机大量在观看了大量的人脸照片，机器故障的识别和预测也需要读取海量的监控数据。充足的算力：近年来人工智能再次迎来热潮，很大程度上得益于计算机芯片技术的发展，按照Nvidia CEO黄仁勋的说法，每10年GPU性能增长1000倍，远超摩尔定律。即便是这样，人工智能计算的效率仍是远低于人脑的，需要大量的芯片提供计算支撑。合适的模型：机器学习有监督学习、无监督学习等多达几十种算法模型，每一个模型均有大量的参数需要配置。机器判断的准确性高度依赖于选择正确的算法和参数的配置。上述条件是人工智能执行一个成功任务的基本要求。亚马逊的Principal Scientist夏威将此比喻为：

如果把一个成功的人工智能算法比作一只善战的部队的话，数据就是粮草，计算力就是兵力，而模型则是战略和战术指挥的策略；战略和战术的重要性自不必说，但没有了粮草和兵力，再好的战略也只是空中楼阁。计算力可以理解为兵力，有了强大的兵力，才有了实现战略的机动性和可能性。

4. 在工业应用中人工智能有哪些优势和劣势

优势

首先是对所解决问题的兼容。机修钳工分析设备故障，热处理工控制工艺参数，在技能经验上是互不相关的；而采用机器学习的方法分别解决上述两个问题，其开发资源和技术实现路径都是几乎一样的。其次是AI是忠于客观的。人的总结判断往往有局限，容易忽视一些次要因素。而人工智能并不会从物理意义或者社会意义角度来解释规律，它只对样本和结果负责，这样它就可以客观反映人类通过正向分析遗漏或误判的内容。劣势

首先是对数据的数量和质量高度依赖。而人类只需要简单的几张图片就能够辨识不同品种的猫，而一个机器学习系统要识别需要读取上万张图片才能做到。此外，我们在工程上获取的数据通常是异构的，这意味要形成机器学习可读的数据源，需要我们投入大量的工程资源进行数据的治理，这将大幅增加成本。其次是人工智能任务完成的质量是和从业人员的技能水平高度相关。上文提到的三大要素中，除了算力外，数据、模型都是需要具体从业人员配置。然而供需不平衡导致市场上充斥着大量的算法工程师都还停留在调库和调参的层次和水平上，夸张一点讲，“参数基本靠蒙，结果基本靠试，效果基本靠吹”的情况也是存在的。最后就是成本了。在人工智能热门的当下，无论是组建数据中心的成本，还是招募算法工程师的成本都居高不下，这导致收益平衡点后移，减少商用的可能。

二、人工智能在工业应用中的场景

1. 工业场景及痛点

工业是由众多的场景组成的，可以从行业维度（机加工、电子产品、化工等）、产品的生命周期维度（设计、制造、销售、运维）等逐层分解。

即便是每一个细分场景，例如针对机床的维修保养服务，也是多人参与的复杂工作，存在这个场景特有的痛点：

难以找到进行设备保养的合适时间；难以判断设备故障的原因；设备故障维修的知识都在各位老钳工的脑子里，面对无法维修的设备时，只能通过人脉和经验去寻找维修资源等等；同样的，在生产计划制订的场景，存在计划排程的问题；对于安全管理的场景，存在隐患识别和排查的问题。企业是逐利的，所有的问题（包括使用体验的问题，效率的问题，准确性的问题）最终只要影响到企业收益，都是成立的真实痛点。

现在上述场景基本都是人去处理的，维护保养周期靠工人统计台时判断，安全隐患识别也需要大量的人员到现场巡查，或者在监控室目不转睛地看着；否则就容易漏掉安全隐患。

如果排程不合理会导致资源空闲，排程耗费的时间过长，投入资源过多；安全如果出事了，小则整改，大则关停追责。

2. 场景分类

在工业场景中，既有重复性的、常识性的脑力劳动，也有优化等复杂的脑力劳动。

按照需要解决的问题的目标不同，我们可以将工业场景AI应用分为以下几个类别，：

系统最优的问题：生产计划排程、结构优化、工艺参数优化等；分类或识别的问题：安全隐患的识别、故障类型的判断、质量问题识别等；推荐和预测的问题：机器维护的预测、态势预测、辅助决策等；知识管理的问题：知识识别和维护、客服机器人的应用等。

3. 典型场景的分析

因技术实现途径类似，从每个类别中，各取一个简要分析，其他就不展开了。

1）工艺参数优化

从需求有效性方面来说

工艺参数优化对于很多企业都是优先级极高的迫切需求，特别是流程化工领域更甚。

举个栗子，硝化棉等化工产品的生产工艺过程就类似于“烧菜”，加“料”（原材料）的多少，“火候”（温度、压力、搅拌等）的控制，对结果（均匀度、成分含量等）都可能产生影响，但工程上很难准确判断各因素对结果会产生何种量化的影响，它本质是一个“黑盒”系统。

传统的做法就是不断地试，做新产品要试，换批次要试，一直做到一个批次质量损失可以接受就按这个方法投产了。

因此，工艺参数优化的问题是亟需人工智能技术来解决的。

从技术可实现性来说

通常是大量对过去生产的批次进行分析，其中将投料、工艺参数数据作为自变量，质量数据作为因变量；进行训练，建立模型，从而找到其内在的量化关系。

从商业价值角度来说

即便是同一个产品、同一种工艺，在不同的环境下，例如海南的化工企业和甘肃的化工企业所处环境温湿度有很大差异。部分工艺都可能因为外界环境的变化而导致算法准确度降低或失效，模型需要针对每个具体的场景定制，很难复用。

同时，工艺参数优化会明显受到生产规模和批次的制约——生产规模越大，单批次产量越高，产品单位价值越高或者质量损失风险越高，使用AI进行工艺优化就越可行。

网上可以找到众多的相关成功案例。

以下案例来源于中国工程院院士邬贺铨的演讲。

“台湾中钢公司，他们引进了IBM的Power AI解决方案，用于分析轧钢过程中的缺陷。为了将27吨的钢坯，轧到0.5毫米的成品，预测和分析过程中的缺陷，他们收集了过去一年7000多批次的产品数据。经过数据清洗，筛选出了可能影响产品质量的特征数据，并且转换成了可供机器学习使用的数据。这些数据中，80%拿来做学习，20%拿来做检验。然后他们设计了4种数学模型，来看哪种模型更符合实际情况。最后他们根据模型分析一条产品线产生的2000多个数据，发现炉内压力对缺陷影响最大。最后中钢公司在人力资源和钢坯质量方面，都得到了很好的改进，成本大幅降低。”

2）安全隐患识别

从需求的角度来说

工厂很多危险行为（如违规操作设备、争斗打架等）是通过现场检查和视频监控才能发现的，如果能通过视频图像识别的话，就能够实时发现隐患并处理。

从技术可实现性来说

其实现大致流程就是做算例→配算法→训练→嵌入框架程序用于应用。嵌入框架程序有两种，一种是嵌入硬件的嵌入式程序，一种是服务端的web程序。此外，车牌识别，人脸识别，安全隐患识别是高度依赖于场景的。

同样的行为，角度不同、背景不同，都可能产生误判，以为着需要针对场景定制。

从商业价值角度来说

受限于危险行为场景异常复杂，无法复用且需要定制，短期内很难做到类似车牌识别系统的产品化，导致其可用场景其实非常有限的。

3）设备维护预测

从需求的角度来说

企业的设备类似于车辆，需要定期保养，更换零部件。一般汽车厂家为了免责而规定要求五千或者一万公里保养一次，而一般老司机是不按这个来的，他们会根据行驶工况选择合适的保养时机。

用于生产的机械设备通常是按工时来保养的，有的企业甚至连工时都无法统计（上下游标准不一或缺乏手段），导致错过保养时间使得设备故障频发。如果能够根据实际工况给出维护保养建议，便能有效解决这个问题。

从技术可实现性来说

其技术实现路径大致和工艺参数优化一样，不同的是自变量变成了设备的检测到工况参数，因变量变成了故障统计数据集。

从商业价值角度来说

其面临的问题和工艺参数优化一样，受到无法复用的限制，需要大量的同类型设备才能减少边际成本。一旦成功应用，可以极大节省设备运营和维护成本。

以下案例来源于富士康：

由于铣刀在高转速下进行不连续切削，刀具磨损迅速且难于监测，并且刀具磨损严重影响加工精度与产品质量。针对高速铣削刀具磨损难以在线预测，提出了一种基于深度学习的高速铣削刀具磨损预测的新方法。通过小波包变换提取铣削力信号，在不同频段上的能量分布，作为初始特征向量。采用无监督学习对稀疏自编码网络进行特征学习，并将单层网络堆栈构成深度神经网络。最后，利用有监督学习对整个深度网络进行微调训练，建立铣削刀具磨损预测模型。实验结果表明，所提出的方法对刀具磨损状态预测准确率达到93.038%。

4）知识识别维护

从需求的角度来说

传统的知识管理软件依赖于数据库的设计，系统无法识别语义，我们只能按照预设的数据结构，在一个系统中实现增删改查操作。而知识产生的时间往往和录入的时间是不一样的，我们往往得重复录入一次。

例如某产品未通过测试需要进行设计更改，其通常会走一个变更申请，由项目负责人、总工程师等人层层审批。若能够直接就审批材料进行语义分析，直接抽象测试未通过的要素、更改的方式方法等要素，就不需要再人为录入了。下一次遇到类似于的问题，相关工程师就可以查询解决方案。

从技术可实现性来说

可以利用自然语言识别技术，从业务系统中直接获取大量的文本，解析出事件执行主体、执行对象、执行方法、执行结果主要要素，再各要素语义量化解析。

从商业价值角度来说

无论是企业的技术知识库，还是服务机器人的应用，都可以减少对人员培训和素质水平的依赖。结合PDM、GIT等软件，能够构成企业完整的知识管理体系。

三、我们要怎么样去构建工业的人工智能应用

重视基础条件建设，数据先行。

前面案例已经分析到了，样本数据的数量和质量是保障人工智能任务完成的先决条件。故障预测需要大量的工况数据，危险行为识别需要大量的图像算例。

对于企业而言，需要具备自动化、数字化等基础条件，