人工智能真的无所不能吗？工业AI与商业AI的差异？工业AI的架构如何搭建？

预测性维护是一个最为普遍的 AI 应用场景

“

工业AI的应用往往是非常苛刻的，必须能用AI解决现场实际的生产问题， 提升效率、降低成本、提高质量，才能用实际价值吸引更多的投入。

”

最近几年，人工智能（AI）的热潮席卷了大学、企业，春风也吹进了工业这个一直处于默默无闻的领域，据说“工业才是 AI 的试金石”——所以大量的商业 AI 领域的企业也想进军工业领域，以证明自身的硬核，这使得默默无闻了数十年的制造业开始变得具有 了“Fashion”的氛围。

我们一直走在一个不被称为AI的AI道路上

今天我们为什么探讨的各种 AI 主要在“学习”，监督 / 非监督、强化、深度学习？在过去的几十年里，连接主义学派主要在研究“大脑”（Brain）的神经系统传递与堆叠形成的智慧，而符号主义则在研究心智（Mind）的逻辑推理获得判断的智慧，行为主义则关注“行动”（Action）反馈与执行。

经过各种曲折的过程，人们发现“学习” 是人类智慧的起源，这也是今天主要在讨论机器学习的原因。而行为主义——来自于维纳“控制论”的智能这个学派则默默无闻的工作着，只是一种自下而上的过程经常被认为不是 AI，但是，它在现代机电控制、控制工程领域却做出了杰出的贡献。

其实在模糊控制、自适应控制领域，包括数据驱动的很多控制方法上，自动化领域一 直沿袭着行为主义的“测量、反馈、控制、执行”的这个闭环思想，在对非线性、不确定扰动等工程问题进行着不懈的探索，有时候，我们需要为自己正名——就是自动化本身就是一个 AI 的学派分支。

人工智能真的是无所不能吗？

对于 AI 市场的炒作热度，工业界相对保持比较冷静的态度。贝加莱方案研究院院长陈妮亚博士是一个有多年 AI 算法研究和实践的专家，她对此表示 ：“在工业领域，AI 还有很长的路要走，并且 AI 就目前来看，能够应用的场景是有限的。”当然了，陈妮亚博士并非要给大家泼冷水，而是希望大家冷静客观、遵循科学规律来认识、学习、分析、实践 AI 的工业应用。

“因为工业用户是非常苛刻的，必须有现实的商业价值，而不能仅仅是单纯的学术研究。必须能用 AI 解决现场实际的生产问题，提升效率、降低成本、提高质量，才能用实际价值吸引更多的投入。我们方案研究院的工作聚焦于通过机械、电气控制、智能算法与模型以解决产业的实际问题。”陈妮亚博士说。

就目前而言，在整个人工智能领域中，人依旧扮演非常关键的角色来对数据信息进行预处理，并设计合适的特征值再进行训练验证，机器干的都是“蛮力”，算力比较高。因此，从这个角度来说，AI 能做什么，取决于人的需求以及对它的规划和设计。相对于模型驱动而言，数据驱动的方法更适合于解决非线性系统的问题，而这个就是 AI 擅长的。

工业AI与商业AI的差异

但是，毕竟工业与商业应用还是两个不同的世界，这使得在商业领域的成功较难在工业领域里进行复制，必须进行一些“改造”才能更好的进行应用，如表 1 我们列出了工业中的 AI 与商业中的一些不同。

工业哪些场景需要AI支持？

陈妮亚博士在贝加莱橙色讲堂中分享了她对 AI 工业应用的几个有价值场景的认识，包括了以下几个重要的方面 ：

1

智能导引

今天智能制造的推进，使得业务端更为个性化的生产需求，而这使得制造产线经常会遇到变化，因此在离散的制造业存在大量的“非 标”产线——更确切的说，几乎每个产线都是定制的，而且生产不断的变化，这会让工厂运营商出现大量的机械调整与修改，在制品物流成为了一个非常关键的一环，包括生产单元间的输送等，而机器人则具有更好的灵活性，那么给机器人配置一个“眼睛”，让它去学习工作场景（零配件、加工路径上的工装夹具、任 意位置的摆放）中的变化并指引机器人去抓取， 就变得十分必要。灵活、复杂、多变的场景，常需要 AI 算法的介入，以获得高精度的识别性能。

2

预测性维护

传统的基于模型驱动的预测性维护已经有数十年的历史，但是，其主要针对的是类似于飞机、大型燃气发电机组这类重型设备。工业领域需要特别专业的人经过数十年的积累， 通过数据驱动的学习模式可以缩短这个过程，并且可能挖掘出更多的潜在信息。借助于云计算、边缘智能的基础设施与能力，来推进更为广泛的工业场景预测性维护是一个非常有前景的领域。

3

缺陷检测

随着电子制造技术的发展，制造视觉系统的元器件本身也变得便宜了，而视觉又是具有非常多的感测能力的（中心点计算、测量、匹配…非常多的可用场景），尤其是为了保障不良品不流入下一个工序，大量的视觉缺陷检测将被用于产线，同样也是一个场景变化非常大，无法有效的构建新的程序并大量测试验证，因为对于个性化生产来说，没有足够的批量进行物理测试验证生产已经结束了，那 么就需要最为具有广泛适用性的缺陷检测模型来 对各种变化的场景进行建模， 形 成健壮的模型对 新的产品进入获得认知，进行分拣、剔除等动作。

4

参数寻优

在传统的控制中，都是针对一个静态的控制过程，并且参数往往基于安全值控制的角度来进行，那么，这并非是最优的，而是最安全可靠的，而在动态的变化中，如加速、减速过程、快速工艺切换的过程中，这些都会造成浪费，如何在系统中为各种变化的生产状态提供最优的参数，这个可以通过大量的学习来寻找最优值的组合。

整体来说，机器学习在硬件成本下降、灵活度及复杂性提高的行业大趋势中，凸显了它的优势。而传统的模型驱动会需要较长的时间与经验积累，较难在灵活的应用场景中达到简单易用的效果。

工业AI的架构如何搭建？

▎图 2 ：贝加莱可支 持的机器学习架构

贝加莱具有各种场景和组合下的机器学习架构 （图 2）。其实，普通的控制器就可以做一些简单的学习——想想，AI 就是一个程序啊！贝加莱这个控制器本来就可以高级语言编程（追溯到 1993 年），当然了，控制器本身主要业务是干控制，真正想干 AI 大的任务还是得用贝加莱集成 Hypervisor 技术的 APC，这个可以支持Windows 或 Linux 可以去处理 AI 程序开发和与控制任务（RTOS 核） 交互，PCIe 的卡槽里可以插入一个华为 ATLAS 加速器这样的大算力，然后通过 OPC UA 到云端训练， 下载到 AI 加速器上本地推理，并与运动控制、机器人进行交互，就可以干智能导引、缺陷检测与处理、预测性维护、参数寻优等活啦！当然，说起来就是这么简单，做起来还是需要兼通 AI、控制、机电的专家一同来开发。