国产欧美日韩精品a在线观看-国产欧美日韩精品一区二区三区-国产欧美日韩精品综合-国产欧美中文字幕-一区二区三区精品国产-一区二区三区精品国产欧美

在IT與OT的融合過程中，有兩種不同的聲音，一種認(rèn)為人工智能作用不大，必須掌握工業(yè)機(jī)理模型；另一種夸大AI的作用，顯然前者通常來自于OT領(lǐng)域的專家，而后者多半來自IT領(lǐng)域的專家，這其中各有道理卻又有一定的局限。

邊緣計算從IT角度的任務(wù)是搭建通用的計算架構(gòu)，對于應(yīng)用而言，AI如何在邊緣得到應(yīng)用則是“邊緣計算”是否可以落地并真正發(fā)揮作用的關(guān)鍵。無論對于商業(yè)、管理還是工業(yè)現(xiàn)場的應(yīng)用來說，應(yīng)用為王仍然是計算架構(gòu)的發(fā)展根基。

在工業(yè)邊緣智能中，需要澄清工業(yè)智能與商業(yè)智能的差異、實現(xiàn)工業(yè)邊緣智能的方法路徑，這樣才能有效地推進(jìn)邊緣智能的發(fā)展。本文即從工業(yè)AI與商業(yè)AI 差異、工業(yè)邊緣智能的角色與意義、實現(xiàn)方法與架構(gòu)， 結(jié)合案例做簡要的分析，以與產(chǎn)業(yè)專家共同探討。

1 工業(yè)AI與商業(yè)AI的差異

工業(yè)場景中的AI應(yīng)用與商業(yè)AI場景有較大的區(qū)別，主要體現(xiàn)在以下幾方面：

1.1 數(shù)據(jù)維度不同

工業(yè)場景中的應(yīng)用，不同于高維度數(shù)據(jù)的大數(shù)據(jù)，在圖像、語言與聲音中，富含多維度數(shù)據(jù)，這本身就適合AI發(fā)揮其力量，而工業(yè)數(shù)據(jù)更多是低維度的數(shù)據(jù)，其數(shù)據(jù)函數(shù)經(jīng)常會呈現(xiàn)線性關(guān)系，因此對于工業(yè)數(shù)據(jù)來說，很多時候，機(jī)理模型即可有效處理，這也是為何機(jī)理建模在工業(yè)里有著悠久歷史的原因。

1.2 數(shù)據(jù)類型不同

工業(yè)的數(shù)據(jù)屬于典型的“小數(shù)據(jù)”，即，數(shù)據(jù)量經(jīng)常比較小，就像故障數(shù)據(jù)，我們需要對大型傳動機(jī)組的軸承進(jìn)行故障數(shù)據(jù)采集，如果頻繁出現(xiàn)故障，那么這個機(jī)組本身的制造商將會失去市場。這些小數(shù)據(jù)卻擁有較強(qiáng)的特征和指向性，因此與大數(shù)據(jù)相比，小數(shù)據(jù)更能體現(xiàn)有效的價值，而大數(shù)據(jù)更多適應(yīng)于趨勢性。對于工業(yè)來說，小數(shù)據(jù)的學(xué)習(xí)更具有產(chǎn)業(yè)價值。

圖1為商業(yè)AI與工業(yè)AI場景中數(shù)據(jù)類型的差異，可以看到對于工業(yè)里的數(shù)據(jù)，多是較低維度的數(shù)據(jù)，數(shù)據(jù)量通常較小，屬于典型的“小數(shù)據(jù)”場景。 

圖1 商業(yè)AI與工業(yè)AI場景中數(shù)據(jù)類型的差異

1.3 異構(gòu)數(shù)據(jù)

工業(yè)數(shù)據(jù)的來源多樣，有直接采集的傳感器信號數(shù)據(jù)、有經(jīng)過處理的（處理方式也會有差異）傳感器數(shù)據(jù)，并且通過不同的總線對象字典格式存儲和傳輸，也有來自程序中的中間數(shù)據(jù)、結(jié)果數(shù)據(jù)、分析類數(shù)據(jù)，這些數(shù)據(jù)本身結(jié)構(gòu)多樣，需要統(tǒng)一處理，才能被學(xué)習(xí)系統(tǒng)使用，因此，本身數(shù)據(jù)的標(biāo)準(zhǔn)與規(guī)范需要統(tǒng)一的界定。如采用OPC UA的統(tǒng)一信息建模來獲得數(shù)據(jù)及其屬性和類型的定義，包括周期、采樣頻率的界定，或者建立統(tǒng)一的標(biāo)準(zhǔn)接口。

1.4 工業(yè)AI對于應(yīng)用的需求差異

工業(yè)AI與商業(yè)AI不同且必須予以考慮的：

（1）可解釋性：由于傳統(tǒng)制造業(yè)建立在發(fā)展比較成熟的物理學(xué)，即機(jī)械還原論的基礎(chǔ)之上，其本身的可解釋性來自于科學(xué)定律、形成的定理、物理化學(xué)方程， 就其可解釋性而言，是毋庸置疑的。但是，必須意識到，現(xiàn)實的世界更多的是“非線性”的，而傳統(tǒng)的機(jī)理處理更多在線性區(qū)，或在擬合的線性區(qū)具有良好的表現(xiàn)，這是因為此區(qū)域數(shù)據(jù)的處理成本較低，實現(xiàn)起來對于算力的要求也并不高。

工業(yè)機(jī)理建模通常來說具有非常強(qiáng)的可解釋性、確定性，即，通過一個輸入可以明確計算一個輸出結(jié)果， 具有強(qiáng)確定性，而對于基于歸納法思維的數(shù)據(jù)建模，模型只能獲得近似，并且僅能對趨勢、判定進(jìn)行分析，很難對精準(zhǔn)的輸出進(jìn)行預(yù)測。

（2）周期性數(shù)據(jù)：周期性是整個工業(yè)任務(wù)中的顯著特點，這些參數(shù)被有效地建立關(guān)聯(lián)，提取有效的特征值。周期性會產(chǎn)生大量的數(shù)據(jù)，但是，對于有效性，確定采樣周期、數(shù)據(jù)預(yù)處理都是首先予以考慮的。

（3）安全性需求：AI在工業(yè)的應(yīng)用中出現(xiàn)安全問題將會帶來嚴(yán)重的后果，因此，可解釋性、確定性都是為了服務(wù)于安全性。安全不僅包括了設(shè)備本身的損壞、資產(chǎn)安全性，更為重要的是關(guān)系到人身安全，這些是很多商業(yè)AI并不涉及到的問題，也是工業(yè)專家對AI應(yīng)用較為謹(jǐn)慎的原因。

（4）高性能要求：在工業(yè)里，一個判斷的錯誤， 無論是將真判定為假，或?qū)⒓倥卸檎娑际菚袧撛陲L(fēng)險，會出現(xiàn)錯誤或造成浪費(fèi)。對于工業(yè)來說，學(xué)習(xí)都會有較大的成本損耗在里面，如：對于機(jī)理建模、精益已經(jīng)較高的制造良品率來說，一個錯誤就會讓AI的投入失去意義，用戶對于AI的意義就會打很大的問號。

2 邊緣智能的角色與意義

邊緣計算實際上首先是滿足于全局的優(yōu)化、調(diào)度和策略，這些在傳統(tǒng)工業(yè)控制與運(yùn)營管理中已經(jīng)有涉及， 只是，傳統(tǒng)的邊緣計算架構(gòu)更多是一種離散、專業(yè)屬性的實現(xiàn)方法，通常具有一定的封閉性，這是如今IT融合中需要由新的廠商來提供全新架構(gòu)的地方。

2.1 邊緣計算發(fā)揮的優(yōu)勢

邊緣計算要發(fā)揮的優(yōu)勢在以下幾個方面：

（1）開放架構(gòu)降低基礎(chǔ)設(shè)施成本

打破原有的架構(gòu)、采用新的計算架構(gòu)來進(jìn)行連接， 對于流程工業(yè)或是離散工業(yè)都有意義。傳統(tǒng)來說，工業(yè)生產(chǎn)的抗干擾、低功耗、安全性、惡劣環(huán)境等多種要求，使得工業(yè)系統(tǒng)往往是基于專用系統(tǒng)或采用封閉架構(gòu)而搭建，具有個性化定制的系統(tǒng)特征，但是，對于非現(xiàn)場層級的邊緣計算而言，則可以基于開放架構(gòu)來實現(xiàn)， 進(jìn)行全局的優(yōu)化。

（2）邊緣架構(gòu)與智能的全局集成

對于數(shù)字化與協(xié)同來說，在思想上是建立在全局， 而不是單機(jī)控制上，邊緣架構(gòu)就會發(fā)揮作用，從部署的地點來說，必然要部署在邊緣側(cè)。

（3）打通周期與非周期之間的障礙

如果可以在邊緣側(cè)打通傳統(tǒng)工業(yè)控制系統(tǒng)與開放架構(gòu)之間的障礙，就能夠讓開放世界的資源為工業(yè)所用， 無論是開發(fā)語言、硬件資源、數(shù)字化設(shè)計軟件，都可以與工業(yè)控制系統(tǒng)實現(xiàn)集成，貫穿整個垂直鏈條、水平鏈條，實現(xiàn)有效的連接。

2.2 邊緣智能對于傳統(tǒng)制造產(chǎn)業(yè)的意義

（1）如何替代“技師”的經(jīng)驗

在目前很多產(chǎn)業(yè)里，即使發(fā)展了許多年的產(chǎn)業(yè)，其工藝Know-How還是會掌握在經(jīng)驗豐富的技師手里，  或者說，在很多場景中，人的經(jīng)驗仍然是必不可少的， 甚至包括很多被認(rèn)為是先進(jìn)領(lǐng)域如半導(dǎo)體缺陷識別，依然是依靠人的經(jīng)驗，通過學(xué)習(xí)的方式需要消耗較多的人員來標(biāo)定缺陷，這樣的人又很難有機(jī)會與AI專家一起來嘗試，企業(yè)也沒有機(jī)會去給予嘗試。

在分析制造場景時，我們可以從兩個大的視角來分析，一方面要看傳統(tǒng)行業(yè)如何借助于新興技術(shù)來實現(xiàn)優(yōu)化，另一方面，實現(xiàn)角度，我們必須分析其顯著的特征，如何與新興的智能技術(shù)更有效地結(jié)合，這兩個分析，可以使我們清晰地認(rèn)識到如何讓智能在傳統(tǒng)領(lǐng)域落地，更有效地幫助企業(yè)獲得新生。

而在工業(yè)的傳統(tǒng)工藝測試驗證中，本身就有“DoE”環(huán)節(jié)，即Design of Experiments，它對于質(zhì)量與流程相關(guān)性建立最小測試模型，篩選顯著的因子并對其進(jìn)行組合測試，使這個組合具有再現(xiàn)性，分析出有效因子，并有75%以上的貢獻(xiàn)率，而繼續(xù)進(jìn)行。如果發(fā)現(xiàn)已經(jīng)沒有顯著因子，可以判定為成功的DoE設(shè)計。

由此，我們可以看到，其實傳統(tǒng)的制造業(yè)也是可以基于有效的數(shù)據(jù)測試驗證分析來實現(xiàn)這些質(zhì)量相關(guān)性、工藝相關(guān)性的分析，基于數(shù)據(jù)的方式，必須在了解制造設(shè)計過程相關(guān)性的領(lǐng)域知識基礎(chǔ)之上來實現(xiàn)， 更高效。

（2）如何應(yīng)對變化的材料與工藝

材料的變化是各個領(lǐng)域的難題，人們是否能夠?qū)ふ业礁鼮楦咝У姆绞絹矸治霾牧系奶匦裕⑵ヅ溆行У目刂茀?shù)，這些變化如何被有效地構(gòu)建模型，對于其無法測量或測量昂貴的領(lǐng)域，是否可以采用新的測量技術(shù)， 或者新的工藝模型形成的方法？

（3）能否尋找到更好的處理方法

在流程工業(yè)，如化學(xué)、制藥、生物等場景里，通過離線的分析，對質(zhì)量進(jìn)行管控是一種滯后的控制，是否能夠?qū)ふ腋行У哪Ｐ蛯|(zhì)量、工藝適配性進(jìn)行自主的學(xué)習(xí)？

總之，工業(yè)智能在制造業(yè)中的應(yīng)用肩負(fù)幾個方向的責(zé)任：

（1）如何為傳統(tǒng)的產(chǎn)業(yè)賦予新能

很多時候，人們把印刷、食品、制藥這些產(chǎn)業(yè)視為夕陽產(chǎn)業(yè)，認(rèn)為這些產(chǎn)業(yè)本身經(jīng)歷百年，已經(jīng)發(fā)展到了一個非常成熟的狀態(tài)，似乎也沒有什么發(fā)展空間，但是，這完全不是事實，至少在大部分情況下都是一種歧見

（2）從傳統(tǒng)的單機(jī)到連線生產(chǎn)，新的邊緣計算架構(gòu)能否提高效率？

3 針對工業(yè)AI的架構(gòu)設(shè)計

事實上，從工業(yè)視角來看邊緣智能，對于傳統(tǒng)的自動化廠商而言，也是一個借助IT技術(shù)來擴(kuò)展其數(shù)據(jù)應(yīng)用的路徑，有著豐富的控制應(yīng)用實踐，邊緣智能也可以與實時控制結(jié)合，將優(yōu)化的結(jié)果如智能模型的本地推理、參數(shù)優(yōu)化的結(jié)果部署到控制任務(wù)來執(zhí)行，以及將智能的判定用于產(chǎn)線的報警、不良品剔除等任務(wù)，這些都是IT 與OT融合的典型應(yīng)用。

3.1 通信集成

對于連接的打通，OPC UA over TSN、降低工程量、模塊化的網(wǎng)絡(luò)、扁平化設(shè)計，才能實現(xiàn)邊緣智能， 這屬于基礎(chǔ)設(shè)施層面的問題。

對于OPC UA的角色，更多在于信息建模，以及將數(shù)字化設(shè)計與運(yùn)營管理和實時控制緊密結(jié)合，通過數(shù)字化設(shè)計軟件與控制任務(wù)的軟件可以實現(xiàn)對接。

3.2 跨平臺方法

3.2.1 系統(tǒng)之間的融合——Hypervisor

為了在開放操作系統(tǒng)如Linux和Windows與RTOS之間進(jìn)行隔離，采用I型Hypervisor，Hypervisor是一種虛擬的方法，如圖2所示，以其作為中間件，將Windows與Linux運(yùn)行開放任務(wù)，Runtime運(yùn)行實時 控制任務(wù)，可以在X86的多核上分別運(yùn)行兩個不同的任務(wù)。

圖2 Hypervisor技術(shù)將CPU資源分別用于開放任務(wù)和實時任務(wù)

3.2.2 Java/Python與控制之間的銜接技術(shù)

為了有效的應(yīng)用軟件來開放應(yīng)用，將開放的環(huán)境如Linux上的Eclipse與自動化的Automation Studio（貝加萊的自動化任務(wù)開發(fā)平臺）之間通過exOS進(jìn)行對接，使得基于Java、Python開發(fā)的開放應(yīng)用與控制任務(wù)之間實現(xiàn)匹配，這是一個有效的邊緣結(jié)合方式， 在Windows/Linux上可以運(yùn)行機(jī)器學(xué)習(xí)算法，而在Runtime上可以運(yùn)行實時控制任務(wù)。

圖3中的架構(gòu)讓IT與OT的任務(wù)可以在應(yīng)用層面得以銜接，進(jìn)而發(fā)揮各自的優(yōu)勢，如：機(jī)器學(xué)習(xí)的模型可以對實時任務(wù)進(jìn)行“觀測”，并對其產(chǎn)生的數(shù)據(jù)進(jìn)行質(zhì)量相關(guān)性分析、參數(shù)最優(yōu)匹配的學(xué)習(xí)，以收斂整個控制任務(wù)的質(zhì)量、能耗、時間到合乎效率的方向。

圖3 在應(yīng)用架構(gòu)上的邊緣智能實現(xiàn)

3.3 基于云計算、邊緣推理的架構(gòu)

自動化廠商除了本身可以提供邊緣智能的結(jié)合應(yīng)用，還可以通過OPC UA/MQTT與第三方云端系統(tǒng)實現(xiàn)連接，作為邊緣側(cè)，將現(xiàn)場數(shù)據(jù)上行至云端進(jìn)行訓(xùn)練， 而將訓(xùn)練好的模型部署在本地，由本地的Hypervisor 架構(gòu)中所運(yùn)行的AI加速器，或本地架構(gòu)的算力進(jìn)行高實時性要求的本地推理，并將結(jié)果與執(zhí)行系統(tǒng)如機(jī)器人、運(yùn)動控制實時結(jié)合，實現(xiàn)如不良品剔除、標(biāo)記等制造任務(wù)，形成靈活的邊緣智能實現(xiàn)架構(gòu)。

圖4以貝加萊的工業(yè)PC運(yùn)行雙系統(tǒng)為例，通過與華為或Intel的AI加速器的連接，可以進(jìn)行本地的智能推 理，并可以實時與控制任務(wù)，如機(jī)器人、伺服驅(qū)動器、I/O形成執(zhí)行，將任務(wù)實時處理。

對于個性化生產(chǎn)的質(zhì)量迭代、快速換型中的參數(shù)匹配、預(yù)測性維護(hù)中的應(yīng)對機(jī)制而言，這一架構(gòu)可以解決現(xiàn)場的邊緣智能與實時任務(wù)緊密結(jié)合。

圖4 云-邊-端的協(xié)同架構(gòu)

4 工業(yè)智能應(yīng)用案例

對于工業(yè)的邊緣智能而言，有了架構(gòu)，需結(jié)合實際應(yīng)用來說明其有效性，在本小節(jié)，將以光伏晶片切割裝備上的預(yù)測性維護(hù)作為一個案例，分析其如何實現(xiàn)邊緣智能。

4.1 應(yīng)用背景

在光伏晶片的生產(chǎn)中，晶棒需要被切割為薄片， 進(jìn)行后道的清洗、制絨、刻蝕、PECVD的過程，單晶硅切片設(shè)備通過金剛線纏繞于主軸上，晶棒被“鋸”成一片片的單晶硅片，這個纏繞可以達(dá)到3000~4000片的密度，意味著每一次切割過程可以同時切割3000~4000 片。如果設(shè)備出現(xiàn)故障，則意味著一根晶棒會變成廢品，這對于生產(chǎn)廠商而言會有較大的損失，因此如何進(jìn)行早期設(shè)備健康預(yù)警，有著非常現(xiàn)實的商業(yè)價值。

4.2 機(jī)器學(xué)習(xí)的切割設(shè)備分析過程（如圖5所示） 

圖5 機(jī)器學(xué)習(xí)的切割設(shè)備分析過程

首先，對振動信號進(jìn)行短時傅里葉變換，提取出時頻分析，將原始的一維時域振動曲線轉(zhuǎn)換為三維的時頻，如圖6所示。橫坐標(biāo)為時域，縱坐標(biāo)為頻域，顏色維度則代表著能量大小，越高亮即此時頻點能量越大。

圖6 短時傅里葉變換后的振動信號（a）正常；（b）異常

可以看出，在時頻圖上，正常數(shù)據(jù)的高亮部分與異常數(shù)據(jù)的亮度分布是不同的。利用圖像處理的特征提取方法，可以進(jìn)一步地提取高亮的分布信息。最后，將提取的特征值輸入到基于支持向量機(jī)的分類器中，則分類器可自動輸出設(shè)備健康狀況是正常或異常。在實際測試中，對多線切割機(jī)上采集到的大批振動數(shù)據(jù)進(jìn)行相應(yīng)處理，得到特征向量集合，并進(jìn)行分類。其中部分維度的數(shù)據(jù)及其分類結(jié)果如圖7所示，可見，由支持向量機(jī)的分類器可精準(zhǔn)地將數(shù)據(jù)分為兩類，從而檢出故障數(shù)據(jù)。

圖7 基于支持向量機(jī)的數(shù)據(jù)分類， 正常（綠），異常（紅）

經(jīng)過短時傅里葉變化及圖像特征提取后，正常與異常的振動信號之間的區(qū)別被提煉得明確、清晰，易于分類。因此，后續(xù)采用的AI分類器，不需要過于復(fù)雜的架構(gòu)，即可實現(xiàn)幾乎100%的檢測精度，提供了一個高可靠的預(yù)診斷方案。

4.3 實現(xiàn)架構(gòu)

在這個應(yīng)用中，振動分析是一種比較高效的方法， 但是，這個架構(gòu)中，并未使用到非常復(fù)雜的架構(gòu)，僅在本地邊緣執(zhí)行側(cè)運(yùn)行基于X86的PC，以及控制系統(tǒng)。可以看到，邊緣智能本身是可以在現(xiàn)有的X86架構(gòu)中去實現(xiàn)，而控制則可以在Runtime中實現(xiàn)。

5 工業(yè)邊緣智能應(yīng)用展望

在實際項目中，根據(jù)需求，工業(yè)智能應(yīng)用實現(xiàn)方法可以多樣，除了預(yù)測性維護(hù)，在參數(shù)尋優(yōu)、缺陷分析領(lǐng)域也有著大量的應(yīng)用潛力，但是，工業(yè)領(lǐng)域的邊緣智能需將商業(yè)AI的算法、模型與工業(yè)知識、機(jī)理模型緊密結(jié)合，才能完整地發(fā)揮效果。

工業(yè)邊緣智能必須結(jié)合工業(yè)知識，工業(yè)的缺陷分析應(yīng)用場景非常多：

（1）生產(chǎn)中的多種缺陷分析：例如制藥領(lǐng)域的燈檢，對于液體制劑的容器的封蓋、瓶身質(zhì)量、裂紋、懸浮物、金屬異物檢測，需要非常強(qiáng)的機(jī)器學(xué)習(xí)能力，以應(yīng)對各種化學(xué)制劑、生物制劑、中藥制劑的質(zhì)量分析， 這不僅關(guān)乎成本，也關(guān)乎人身安全。

（2）安裝過程中的缺陷檢測：個性化對單品質(zhì)量的要求變得更高，需要一定的動態(tài)響應(yīng)能力，即快速的迭代，這適合邊緣智能的應(yīng)用場景，在各種消費(fèi)電子、醫(yī)療器械、日用化學(xué)品的生產(chǎn)過程中，由于訂單的變化較快，邊緣側(cè)必須快速學(xué)習(xí)、即時響應(yīng)，雖然并不需要控制的微秒級，但是，在越短的時間響應(yīng)，其因為測量的滯后性帶來的不良品率就會大幅降低。

（3 ）工藝參數(shù)尋優(yōu)：對于經(jīng)常變更的材料而言，無論是流程工業(yè)中的生產(chǎn)，還是離散工業(yè)中的金屬、玻璃、塑料、紙張等，都需要適配相關(guān)的參數(shù)來獲得高品質(zhì)，這正是邊緣智能發(fā)揮的地方，在這個場景中，要結(jié)合工藝建模，利用數(shù)據(jù)的算法實現(xiàn)參數(shù)的收斂。

工業(yè)邊緣必須結(jié)合工業(yè)的現(xiàn)場知識和工業(yè)本身的控制能力，自上而下進(jìn)行全局優(yōu)化和數(shù)據(jù)處理。

作者簡介：

宋華振（1975-），男，陜西咸陽人，碩士，現(xiàn)任貝加萊工業(yè)自動化（中國）有限公司技術(shù)傳播經(jīng)理,主要從事工業(yè)通信技術(shù)、行業(yè)解決方案推廣。兼任SAC/TC124/SC4委員、SAC/TC159/WG18委員、邊緣計算產(chǎn)業(yè)聯(lián)盟專家委員會專家、自動化學(xué)會集成自動化分委會委員，曾參與出版《面向中國制造業(yè)2025的智能化轉(zhuǎn)型》、《美國制造創(chuàng)新網(wǎng)絡(luò)研究院解讀》等書籍。

摘自《自動化博覽》2021年2月刊