工业人工智能工业应用中的人工智能
系统框架
李杰 (JayLee)
美国智能维护系统中心(IMS),美国辛辛那提大学
摘要
人工智能正以超越人们想象的方式影响着工业生产和我们的生活,但是采用人工智能来实时解决生产的实际问题仍是当前必须面对且不能忽视的挑战。为了给工业系统中的人工智能的发展与实施提供一个清晰的路线图，本文提出了工业人工智能的系统框架和使能技术，综述了工业人工智能关键使能技术的重要性，阐述了如何系统地应用这些使能技术来创造产生新价值的机会并避免出现问题。
文章部分摘录如下：
1 概述
全球智能制造创新领导力竞赛正在兴起，很多国家都在制定人工智能战略，通过投资、人才培养、科学研究、制定计划以及激励措施来刺激经济和技术增长（表1列出了各国人工智能发展计划），这些举措使制造业正在经历了前所未有的转型。制造商也已开始认识到大数据分析的战略重要性，因此数据正成为增强制造竞争力的关键，实时分析制造数据可以提供更强的洞察力，并有助于在提高制造效率，预测需求，自动化生产等方面提供更好的决策支持。但就目前而言，制造业中大多数设备依然无法在非人工干 预下做出合理的决策。许多行业仍不愿在实际应用中部署智能模型，一个普遍的原因是不同的工程师在为同一问题提供解决方案时，可能会使用不同的人工智能算法获得迥异的结 果。工业领域的系统性，快速性和继承性等特征使得这种情况很大程度上是不可被接受 的。此外，限制人工智能在工业落地的其他因素还包括：1）人工智能的大多数成功应用 主要在于图像处理，自然语言处理，社交网络等场景，但是从工业环境中制造设备获得的 大数据的结构和形式与其有着明显的不同。2）尽管许多制造企业已经开始采用人工智能 技术，但缺乏系统性的技术路线图和设计框架，不具备成功地建立系统的能力。3）由于 不同的工业设备记录数据的异构性，导致了标准化数据与模型的不可用。4）失效数据的缺失是制造业中人工智能技术推广受限的另一个重要原因。
表1 各国人工智能发展计划
发布时间
国家或地区
国家倡议/计划
2017 年 3月
加拿大
Pan-Canadian Artificial Intelligence Strategy -CIFAR
2017 年 3月
日本
Artificial Intelligence TechnologyStrategy
2017 年 5月
新加坡
AISingapore
2017 年 7月
中国
新一代人工智能发展规划
2017 年 10月
阿拉伯联合酋长国
National Artificial Intelligence Strategy2031
2017 年 12月
芬兰
Finland’s AIstrategy
2018 年 1月
肯尼亚
Blockchain an AI TaskForce
2018 年 1月
台湾
Taiwan AI ActionPlan
2018 年 1月
丹麦
Danish National Strategy for DigitalGrowth
2018 年 3月
法国
AI forHumanity
2018 年 4月
英国
AI SectorDeal
2018 年 5月
美国
White House Summit onAI
2018 年 5月
瑞典
Sweden’s AIstrategy
2018 年 5月
韩国
AI R&DStrategy
2018 年 6月
印度
National Strategy forAI
2018 年 6月
墨西哥
Towards an AI strategy inMexico
2018 年 8月
欧盟理事会
EU’s AIstrategy
2018 年 11月
德国
AIa pand forGermany
2019 年 2月
美国
American AIinitiative
人工智能在制造业中的应用需要许多关键的基础技术和系统创新，笔者提出了在工业应用中实施人工智能的系统结构，并提出了“工业人工智能”一词。工业人工智能被定义为“一门系统学科，致力于为可持续发展的工业应用开发，验证和部署各种机器 学习算法”。工业人工智的提出，旨在定义发展智能制造系统的需求、挑战、技术和方法 的有序思维策略，从业者可依照此系统性指南去制定工业人工智能发展与部署的策略。如图1所示，工业人工智能可以通过包括数据技术（datatechnology,DT），分析技术（analyticstechnology, AT），平台技术（platform technology, PT）和运营技术（operationtechnology, OT）在内的四种技术来构建工业智能系统。这 4 项技术在信 息物理系统 (Cyber Physical System, CPS)的背景下可视为是成功实现智能感知层(connection)、智能分析层(conversion)、网络层(cyber)、智能认知层(cognition)和智 能决策与执行层(configuration)的使能技术。
图1 工业人工智能四大使能技术与CPS架构
２ 工业4.0 时代的四大使能技术
数据技术 (DT)：数据技术要解决的是工业数据的3B问题：Broken(数据碎片化)、 Bad(数据质量差)、Background(数据场景性强)。此外还包含了改善数据质量，提高数据建模的标准化程度等内涵。
分析技术 (AT)：分析技术所采集到的数据转换为有用的信息，揭示了工业系统的隐 藏模式及未知的相互关联性和其他有用信息，可用于机器诊断预测和健康管理等方面 。
平台技术 (PT)：平台技术是工业人工智能系统的载体，平台架构的设计是实现敏捷 性、复杂事件处理等智能制造特质的主要决定因素。近些年来，云平台有了长足发展，云平台可提供快速的服务部署，高度客制化、知识集成、高效的可视化并具有高度可扩展 性。
运营技术 (OT)：运营技术是指根据获取的信息所做出的一系列决策和行动。通过预 测模型得到的知识会转化为运维、管理行动，从而实现从经验驱动到数据驱动生产的转变。
3 工业人工智能在工业价值创造中的机会空间
制造系统中的问题可以分为“可见”和“不可见”两大类，比如机器性能下降等可视为“不可见”的问题，而“可见”问题通常是由不可见因素的累积引起的，如部件故障等。工业人工智能系统通过对“不可见”问题建模，获得对不可见特性的洞察，建立 避免和解决它们的方法，实现无忧制造。根据这个思路，我们可以将工业人工智能在工业价值创造中的机会空间分为四个部分：
图2 工业人工智能在工业价值创造中的机会空间
（1） 第一个机会空间旨在解决生产系统的“可见”问题，这需要进行生产系统的持续精益改善和标准化制造体系的持续完善。
（2） 第二个机会空间旨在避免生产系统的“可见”问题。通过数据挖掘，洞察产生 问题的深层次原因，从而对原有系统进行增值改善。如使用六西格玛工具对设备故障进行根因分析，找到故障影响因素并建立管理机制进行干预。
（3） 第三个机会空间旨在对隐性问题进行显性化。利用创新的方法和技术，进行相 关关系挖掘来量化“不可见”问题，提升制造系统的价值创造能力。如设备的健康衰退评估就是对设备健康程度这一“不可见”问题的量化，从而为预测性 维护提供决策支持。
（4） 第四个机会空间旨在寻找和满足不可见的价值缺口，杜绝不可见因素的影响， 实现无忧制造。这需要建立更高维度的知识从而实现制造系统产业链的闭环整合，在系统的上游和设计端进行优化来杜绝“不可见”问题的发生。
目前大多数制造企业侧重于解决第一和第二机会空间的问题，工业人工智能技术更应该应用于第三和第四机会空间，来解决和避免“不可见”问题，实现制造系统的智能化转型。
4 案例分析:智能带锯机
带锯机主要用于对金属物料的加工切削，其核心部件带锯会在加工过程中逐渐磨损， 造成加工效率和质量的下降。带锯的衰退和剩余寿命的减少是这一过程中的不可见信息。工业人工智能的主要目标是建立无忧制造系统，把锯带衰退和健康状态等不可见问题的显 性化，实现价值创造。在此案例中，每台带锯机都采集了工业控制器和外部传感器中的大量数据，包括生产状态、锯带振动等信号，形成了带锯的全生命信息档案。使用 人工智能的分析技术对其进行数据分析，找到健康特征、工艺参数和加工质量之间的关 系，实现对“不可见”问题的深层次洞察，在保障加工质量的前提下延长带锯的使用寿 命，并对设备的预防性维护提供决策支持。
图3 案例分析：基于工业人工智能的智能带锯机系统设计
5 结论
当前，工业4.0计划正试图将工业过程和产品从经验导向中解放出来，并朝着基于事实的工业智能体系发展。工业人工智能系统框架的构建，有助于挖掘智能制造对客户、人类及环境的更多潜在价值，从而提升中国在世界工业中的综合竞争力。
作者简介:
李杰，男，1957年生,美国辛辛那提大学特聘教授、美国国家科学基金会智能维护系统中心与工业人工智能中心创始主任。研究方向为工业人工智能与工业大数据系统。出版专著《工业大数据》、《从大数据到智能制造》、《CPS新一代的工业智能》、《云上的工业智能》及《工业人工智能》。２０１９年获吴文俊人工智能科学技术奖。
