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，一種認為人工智能作用不大，必須掌握工業(yè)機理模型；另一種夸大AI的作用，顯然前者通常來自于OT領域的專家，而后者多半來自IT領域的專家，這其中各有道理卻又有一定的局限。

邊緣計算從IT角度的任務是搭建通用的計算架構，對于應用而言，AI如何在邊緣得到應用則是“邊緣計算”是否可以落地并真正發(fā)揮作用的關鍵。無論對于商業(yè)、管理還是工業(yè)現(xiàn)場的應用來說，應用為王仍然是計算架構的發(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， 結合案例做簡要的分析，以與產業(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)線性關系，因此對于工業(yè)數(shù)據(jù)來說，很多時候，機理模型即可有效處理，這也是為何機理建模在工業(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組的軸承進行故障數(shù)據(jù)采集，如果頻繁出現(xiàn)故障，那么這個機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)更多適應于趨勢性。對于工業(yè)來說，小數(shù)據(jù)的學習更具有產業(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)、結果數(shù)據(jù)、分析類數(shù)據(jù)，這些數(shù)據(jù)本身結構多樣，需要統(tǒng)一處理，才能被學習系統(tǒng)使用，因此，本身數(shù)據(jù)的標準與規(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)一的標準接口。

1.4 工業(yè)AI對于應用的需求差異

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，即機械還原論的基礎之上，其本身的可解釋性來自于科學定律、形成的定理、物理化學方程， 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)機理建模通常來說具有非常強的可解釋性、確定性，即，通過一個輸入可以明確計算一個輸出結果， 具有強確定性，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、判定進行分析，很難對精準的輸出進行預測。

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

（3）安全性需求：AI在工業(yè)的應用中出現(xiàn)安全問題將會帶來嚴重的后果，因此，可解釋性、確定性都是為了服務于安全性。安全不僅包括了設備本身的損壞、資產安全性，更為重要的是關系到人身安全，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應用較為謹慎的原因。

（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，或將假判定為真都是會有潛在風險，會出現(xiàn)錯誤或造成浪費。對于工業(yè)來說，學習都會有較大的成本損耗在里面，如：對于機理建模、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、調度和策略，這些在傳統(tǒng)工業(yè)控制與運營管理中已經(jīng)有涉及， 只是，傳統(tǒng)的邊緣計算架構更多是一種離散、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）開放架構降低基礎設施成本

打破原有的架構、采用新的計算架構來進行連接， 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來實現(xiàn)， 進行全局的優(yōu)化。

（2）邊緣架構與智能的全局集成

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

（3）打通周期與非周期之間的障礙

如果可以在邊緣側打通傳統(tǒng)工業(yè)控制系統(tǒng)與開放架構之間的障礙，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)制造產業(yè)的意義

（1）如何替代“技師”的經(jīng)驗

在目前很多產業(yè)里，即使發(fā)展了許多年的產業(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， 甚至包括很多被認為是先進領域如半導體缺陷識別，依然是依靠人的經(jīng)驗，通過學習的方式需要消耗較多的人員來標定缺陷，這樣的人又很難有機會與AI專家一起來嘗試，企業(yè)也沒有機會去給予嘗試。

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更有效地結合，這兩個分析，可以使我們清晰地認識到如何讓智能在傳統(tǒng)領域落地，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，它對于質量與流程相關性建立最小測試模型，篩選顯著的因子并對其進行組合測試，使這個組合具有再現(xiàn)性，分析出有效因子，并有75%以上的貢獻率，而繼續(xù)進行。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)這些質量相關性、工藝相關性的分析，基于數(shù)據(jù)的方式，必須在了解制造設計過程相關性的領域知識基礎之上來實現(xiàn)， 更高效。

（2）如何應對變化的材料與工藝

材料的變化是各個領域的難題，人們是否能夠尋找到更為高效的方式來分析材料的特性，并匹配有效的控制參數(shù)，這些變化如何被有效地構建模型，對于其無法測量或測量昂貴的領域，是否可以采用新的測量技術， 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、制藥、生物等場景里，通過離線的分析，對質量進行管控是一種滯后的控制，是否能夠尋找更有效的模型對質量、工藝適配性進行自主的學習？

總之，工業(yè)智能在制造業(yè)中的應用肩負幾個方向的責任：

（1）如何為傳統(tǒng)的產業(yè)賦予新能

很多時候，人們把印刷、食品、制藥這些產業(yè)視為夕陽產業(yè)，認為這些產業(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)的單機到連線生產，新的邊緣計算架構能否提高效率？

3 針對工業(yè)AI的架構設計

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技術來擴展其數(shù)據(jù)應用的路徑，有著豐富的控制應用實踐，邊緣智能也可以與實時控制結合，將優(yōu)化的結果如智能模型的本地推理、參數(shù)優(yōu)化的結果部署到控制任務來執(zhí)行，以及將智能的判定用于產線的報警、不良品剔除等任務，這些都是IT 與OT融合的典型應用。

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、扁平化設計，才能實現(xiàn)邊緣智能， 這屬于基礎設施層面的問題。

對于OPC UA的角色，更多在于信息建模，以及將數(shù)字化設計與運營管理和實時控制緊密結合，通過數(shù)字化設計軟件與控制任務的軟件可以實現(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運行開放任務，Runtime運行實時 控制任務，可以在X86的多核上分別運行兩個不同的任務。

圖2 Hypervisor技術將CPU資源分別用于開放任務和實時任務

3.2.2 Java/Python與控制之間的銜接技術

為了有效的應用軟件來開放應用，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開發(fā)平臺）之間通過exOS進行對接，使得基于Java、Python開發(fā)的開放應用與控制任務之間實現(xiàn)匹配，這是一個有效的邊緣結合方式， 在Windows/Linux上可以運行機器學習算法，而在Runtime上可以運行實時控制任務。

圖3中的架構讓IT與OT的任務可以在應用層面得以銜接，進而發(fā)揮各自的優(yōu)勢，如：機器學習的模型可以對實時任務進行“觀測”，并對其產生的數(shù)據(jù)進行質量相關性分析、參數(shù)最優(yōu)匹配的學習，以收斂整個控制任務的質量、能耗、時間到合乎效率的方向。

圖3 在應用架構上的邊緣智能實現(xiàn)

3.3 基于云計算、邊緣推理的架構

自動化廠商除了本身可以提供邊緣智能的結合應用，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，將現(xiàn)場數(shù)據(jù)上行至云端進行訓練， 而將訓練好的模型部署在本地，由本地的Hypervisor 架構中所運行的AI加速器，或本地架構的算力進行高實時性要求的本地推理，并將結果與執(zhí)行系統(tǒng)如機器人、運動控制實時結合，實現(xiàn)如不良品剔除、標記等制造任務，形成靈活的邊緣智能實現(xiàn)架構。

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

對于個性化生產的質量迭代、快速換型中的參數(shù)匹配、預測性維護中的應對機制而言，這一架構可以解決現(xiàn)場的邊緣智能與實時任務緊密結合。

圖4 云-邊-端的協(xié)同架構

4 工業(yè)智能應用案例

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

4.1 應用背景

在光伏晶片的生產中，晶棒需要被切割為薄片， 進行后道的清洗、制絨、刻蝕、PECVD的過程，單晶硅切片設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。如果設備出現(xiàn)故障，則意味著一根晶棒會變成廢品，這對于生產廠商而言會有較大的損失，因此如何進行早期設備健康預警，有著非常現(xiàn)實的商業(yè)價值。

4.2 機器學習的切割設備分析過程（如圖5所示） 

圖5 機器學習的切割設備分析過程

首先，對振動信號進行短時傅里葉變換，提取出時頻分析，將原始的一維時域振動曲線轉換為三維的時頻，如圖6所示。橫坐標為時域，縱坐標為頻域，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的分類器中，則分類器可自動輸出設備健康狀況是正常或異常。在實際測試中，對多線切割機上采集到的大批振動數(shù)據(jù)進行相應處理，得到特征向量集合，并進行分類。其中部分維度的數(shù)據(jù)及其分類結果如圖7所示，可見，由支持向量機的分類器可精準地將數(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，不需要過于復雜的架構，即可實現(xiàn)幾乎100%的檢測精度，提供了一個高可靠的預診斷方案。

4.3 實現(xiàn)架構

在這個應用中，振動分析是一種比較高效的方法， 但是，這個架構中，并未使用到非常復雜的架構，僅在本地邊緣執(zhí)行側運行基于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)邊緣智能應用展望

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

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

（1）生產中的多種缺陷分析：例如制藥領域的燈檢，對于液體制劑的容器的封蓋、瓶身質量、裂紋、懸浮物、金屬異物檢測，需要非常強的機器學習能力，以應對各種化學制劑、生物制劑、中藥制劑的質量分析， 這不僅關乎成本，也關乎人身安全。

（2）安裝過程中的缺陷檢測：個性化對單品質量的要求變得更高，需要一定的動態(tài)響應能力，即快速的迭代，這適合邊緣智能的應用場景，在各種消費電子、醫(yī)療器械、日用化學品的生產過程中，由于訂單的變化較快，邊緣側必須快速學習、即時響應，雖然并不需要控制的微秒級，但是，在越短的時間響應，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，還是離散工業(yè)中的金屬、玻璃、塑料、紙張等，都需要適配相關的參數(shù)來獲得高品質，這正是邊緣智能發(fā)揮的地方，在這個場景中，要結合工藝建模，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）有限公司技術傳播經(jīng)理,主要從事工業(yè)通信技術、行業(yè)解決方案推廣。兼任SAC/TC124/SC4委員、SAC/TC159/WG18委員、邊緣計算產業(yè)聯(lián)盟專家委員會專家、自動化學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的智能化轉型》、《美國制造創(chuàng)新網(wǎng)絡研究院解讀》等書籍。

摘自《自動化博覽》2021年2月刊