如何讓普通的生產(chǎn)工廠插上智能的翅膀成為真正的智能工廠正在成為制造業(yè)共同思考的問題。

制造業(yè)中生產(chǎn)過程中每天產(chǎn)生海量的數(shù)據(jù)，這些數(shù)據(jù)都存儲(chǔ)在數(shù)據(jù)庫里面，而真正能夠發(fā)揮實(shí)際價(jià)值的數(shù)據(jù)卻非常少，從而造成數(shù)據(jù)資源的極大浪費(fèi)。如何對(duì)生產(chǎn)過程中的海量數(shù)據(jù)進(jìn)行處理從而發(fā)揮數(shù)據(jù)的價(jià)值，將數(shù)據(jù)不再僅僅是數(shù)據(jù)，而成為生產(chǎn)的資產(chǎn)是每個(gè)制造業(yè)管理者都關(guān)心的問題。

為了實(shí)現(xiàn)對(duì)數(shù)據(jù)的利用，降低生產(chǎn)成本提高生產(chǎn)效率，很多供應(yīng)商都提出了智能工廠的解決方案。目前社會(huì)上提到的智能工廠很多，而真正能夠做到智能化的卻很少。筆者基于多年在制造業(yè)中的工業(yè)機(jī)理模型經(jīng)驗(yàn)和在智能技術(shù)領(lǐng)域的一些實(shí)踐，介紹下目前智能技術(shù)以及其在制造業(yè)場(chǎng)景的應(yīng)用情況。

一、人工智能、云計(jì)算、大數(shù)據(jù)、

物聯(lián)網(wǎng)的關(guān)系是什么?

提到智能技術(shù)大家首先聯(lián)想到的就是人工智能、大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等。而很多人對(duì)這些名詞間的關(guān)系模棱兩可。因此有必要首先介紹下其間的聯(lián)系。為了便于讀者理解，這里不引用每個(gè)名詞的通用定義，而采用通俗易懂的方式進(jìn)行解釋。人工智能從狹義角度講就是以CNN卷積神經(jīng)網(wǎng)絡(luò)為代表的模型算法，具體的應(yīng)用圖像識(shí)別和語音識(shí)別。

目前社會(huì)上所有提到的人工智能技術(shù)包括人臉識(shí)別、自動(dòng)駕駛、語音交互、阿爾法狗、指紋識(shí)別等等均是基于CNN卷積神經(jīng)網(wǎng)絡(luò)為核心算法的應(yīng)用。因此，人工智能本質(zhì)就是一種算法。云計(jì)算本質(zhì)是一種從資源到架構(gòu)的全面彈性，通俗的講，比如對(duì)于一臺(tái)電腦，有100個(gè)任務(wù)，那么電腦在執(zhí)行這100個(gè)任務(wù)時(shí)就要有個(gè)排隊(duì)，依次進(jìn)行，而當(dāng)數(shù)據(jù)量很大時(shí)，超大的任務(wù)量將會(huì)造成電腦服務(wù)器崩潰。

而云計(jì)算就是可以將一臺(tái)電腦的服務(wù)器虛擬成多臺(tái)電腦，比如我們很多人都用過VMware的虛擬機(jī)軟件，該軟件可以把我們的PC機(jī)電腦虛擬成擁有不同內(nèi)存、存儲(chǔ)容量和網(wǎng)絡(luò)的小電腦，這樣100個(gè)任務(wù)將會(huì)同時(shí)分解到多臺(tái)電腦去執(zhí)行，這就是分布式計(jì)算，從而大大提高計(jì)算效率。大數(shù)據(jù)通俗的講就是海量的數(shù)據(jù)，具有復(fù)雜的數(shù)據(jù)關(guān)系。

物聯(lián)網(wǎng)通俗講就是通過網(wǎng)絡(luò)協(xié)議將生產(chǎn)過程中的儀器儀表、視頻、語音、文本等數(shù)據(jù)全部進(jìn)行連接。為了通俗理解他們間的關(guān)系，筆者將其關(guān)系表示如下圖所示，并以一方高人的成長歷程作為比喻。

物聯(lián)網(wǎng)、互聯(lián)網(wǎng)比喻作為一個(gè)人的成長環(huán)境，通過在社會(huì)、學(xué)校、環(huán)境中的不斷學(xué)習(xí)，將會(huì)收獲海量的知識(shí)，這些海量的知識(shí)就是大數(shù)據(jù)。要想有效的利用海量知識(shí)并發(fā)揮其價(jià)值需要各種數(shù)據(jù)模型(包括統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)、人工智能、工藝機(jī)理模型)對(duì)數(shù)據(jù)進(jìn)行訓(xùn)練，這種訓(xùn)練的過程比喻為一個(gè)軍師(或者老師)對(duì)人的指導(dǎo)、培養(yǎng)過程。而數(shù)據(jù)模型的分析訓(xùn)練需要云計(jì)算進(jìn)行快速高效的迭代，從而形成豐富的知識(shí)經(jīng)驗(yàn)，成為一方領(lǐng)域的高人。而云計(jì)算就相當(dāng)于人類的大腦。

二、數(shù)據(jù)模型包括哪些?

如何對(duì)模型進(jìn)行選擇?

由以上分析可知，一方高人的形成包括數(shù)據(jù)采集層、數(shù)據(jù)存儲(chǔ)層、數(shù)據(jù)模型層、數(shù)據(jù)計(jì)算層，其中數(shù)據(jù)采集和數(shù)據(jù)存儲(chǔ)依托于目前的MES系統(tǒng)已經(jīng)能夠很容易的實(shí)現(xiàn)。數(shù)據(jù)計(jì)算依托于阿里云、華為云、百度云的計(jì)算服務(wù)也能容易做到。目前的核心限制環(huán)節(jié)在于數(shù)據(jù)模型層，即如何將生產(chǎn)中產(chǎn)生的大數(shù)據(jù)通過數(shù)據(jù)模型轉(zhuǎn)換為有價(jià)值的信息。因此，筆者在本節(jié)著重對(duì)數(shù)據(jù)模型的選擇進(jìn)行介紹。

對(duì)于數(shù)據(jù)模型的分類仁者見仁智者見智，沒有統(tǒng)一的定義，筆者結(jié)合多年的工作經(jīng)驗(yàn)，認(rèn)為主要分為以下四類，包括統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)以及工藝模型。

由于篇幅關(guān)系，本文將不再具體解釋每個(gè)模型的具有原理和算法，后續(xù)將會(huì)詳細(xì)討論。數(shù)據(jù)模型詳細(xì)具體分類如下圖所示，由圖可知，統(tǒng)計(jì)分析模型主要包括線性回歸、多元線性回歸、非線性回歸、spc分析、相關(guān)性分析等;機(jī)器學(xué)習(xí)模型主要包括邏輯回歸、支持向量機(jī)、k-means聚類、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、決策樹、貝葉斯模型、隨機(jī)森林等;深度學(xué)習(xí)(人工智能)主要包括CNN卷積神經(jīng)網(wǎng)絡(luò)網(wǎng)絡(luò)等;工藝模型主要涉及冶金或者化工行業(yè)的物理化學(xué)反應(yīng)，包括熱力學(xué)和動(dòng)力學(xué)相關(guān)理論知識(shí)，生物發(fā)酵化學(xué)反應(yīng)以及基于邊界條件的最優(yōu)解等問題。

以上介紹了數(shù)據(jù)模型的分類，那么如何對(duì)模型進(jìn)行選擇呢?

由于每個(gè)模型有其特殊的需求，本文主要根據(jù)數(shù)據(jù)的類型、數(shù)據(jù)量以及應(yīng)用業(yè)務(wù)場(chǎng)景的不同將其分為分類、回歸、聚類、降維、深度學(xué)習(xí)五大類，如下圖所示。通過該圖結(jié)合生產(chǎn)的數(shù)據(jù)類型、數(shù)據(jù)量以及數(shù)據(jù)實(shí)現(xiàn)的目標(biāo)從而有效的選擇需要的數(shù)據(jù)模型。

三、智能技術(shù)在制造業(yè)中有哪些應(yīng)用?

對(duì)于智能技術(shù)，筆者認(rèn)為從廣義角度講，凡是能夠代替人工操作并能夠有效提高工作效率的都可稱作為智能技術(shù);從狹義角度講，智能技術(shù)主要是以機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等復(fù)雜算法為核心，并將數(shù)據(jù)轉(zhuǎn)換為有價(jià)值信息的技術(shù)。

因此，智能技術(shù)在制造業(yè)中的應(yīng)用從廣義角度講可以概括為運(yùn)營管理、智能模型、智能裝備等方面，每個(gè)方面包含內(nèi)容如下圖所示。其中運(yùn)營管理包括財(cái)務(wù)管理、供應(yīng)鏈、資金管理、人力資源、協(xié)同辦公、智能物流、設(shè)備管理、能源管理、安環(huán)管理和自動(dòng)報(bào)表等。智能模型主要包括統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)、工藝模型、企業(yè)大數(shù)據(jù)、成分預(yù)測(cè)、設(shè)備預(yù)警、智能調(diào)度、輔助決策以及人工智能等。智能裝備主要包括機(jī)器人、自動(dòng)化裝備等。

從狹義角度講，智能技術(shù)在制造業(yè)中的應(yīng)用主要包括以下7個(gè)方面，其中統(tǒng)計(jì)分析主要依托于柱狀圖、餅狀圖、散點(diǎn)圖等實(shí)現(xiàn)對(duì)生產(chǎn)重要數(shù)據(jù)的實(shí)時(shí)展示和輔助決策等;圖像智能識(shí)別技術(shù)主要應(yīng)用在車牌識(shí)別、人臉識(shí)別、鋼鐵企業(yè)表面質(zhì)檢檢測(cè)系統(tǒng)、標(biāo)記號(hào)碼自動(dòng)識(shí)別等;語音智能識(shí)別技術(shù)主要依托于科大訊飛等成熟產(chǎn)品，實(shí)現(xiàn)在局部區(qū)域進(jìn)行人機(jī)對(duì)話操作，從而減少人員數(shù)量;基于實(shí)時(shí)數(shù)據(jù)的智能預(yù)測(cè)主要基于生產(chǎn)過程實(shí)時(shí)的工藝數(shù)據(jù)和檢化驗(yàn)數(shù)據(jù)依托于智能模型對(duì)終點(diǎn)成分進(jìn)行預(yù)測(cè)判定，以及根據(jù)設(shè)備重要工藝參數(shù)進(jìn)行智能故障預(yù)警等?；跉v史數(shù)據(jù)的智能預(yù)測(cè)主要是針對(duì)無法實(shí)時(shí)獲取生產(chǎn)實(shí)時(shí)數(shù)據(jù)的類型，需要根據(jù)歷史數(shù)據(jù)通過智能模型對(duì)終點(diǎn)成分、溫度、壓力以及設(shè)備故障等進(jìn)行預(yù)測(cè)報(bào)警，還包括通過歷史數(shù)據(jù)的判定分析，結(jié)合智能模型，發(fā)現(xiàn)現(xiàn)場(chǎng)操作人員的數(shù)據(jù)作弊問題。基于聚類分析的專家系統(tǒng)主要包括通過對(duì)歷史數(shù)據(jù)多維度的分析，通過聚類算法實(shí)現(xiàn)對(duì)產(chǎn)品質(zhì)量以及新產(chǎn)品性能等進(jìn)行智能預(yù)測(cè)?；谶吔鐥l件的最有決策問題主要針對(duì)于一定限制條件下，對(duì)于某個(gè)目標(biāo)通過建立線性方程組實(shí)現(xiàn)線性規(guī)劃求解，從而實(shí)現(xiàn)最佳成本優(yōu)化以及不同價(jià)格物料的最優(yōu)匹配，典型的應(yīng)用場(chǎng)景為配料過程。對(duì)于更加具體的應(yīng)用場(chǎng)景，將會(huì)在后續(xù)文章進(jìn)行詳細(xì)介紹。