工業(yè)人工智能的應(yīng)用前景及其邊緣計(jì)算應(yīng)用

01人工智能的工業(yè)應(yīng)用前景Gartner把人工智能的應(yīng)用分成五個(gè)復(fù)雜等級：（1）響應(yīng)對象遵循簡單規(guī)則，但可應(yīng)對不斷變化的環(huán)境，如無人機(jī)；（2）分類裝置或系統(tǒng)能識別物件的類型，并能在受控的環(huán)境中采取簡單的操作對物品進(jìn)行處理，如倉儲機(jī)器人；（3）響應(yīng)對象通過對問題和情境的理解服務(wù)于另一對象，如無人駕駛汽車、個(gè)人助理；（4）從多個(gè)資源采集信息進(jìn)行學(xué)習(xí)以解決復(fù)雜問題，如IBM的Watson，全自動軍用無人機(jī)；（5）創(chuàng)建者發(fā)動范式轉(zhuǎn)移或思考方式的轉(zhuǎn)變，如創(chuàng)造一種新的業(yè)務(wù)模型。最后一種人工智能的應(yīng)用不僅是人們使用的工具，還具有潛力創(chuàng)建危害人類的動作，改變?nèi)伺c技術(shù)的關(guān)系以及人在社會和經(jīng)濟(jì)中的角色。因此，對于這一類人工智能的應(yīng)用，開發(fā)者必須事先深思熟慮。對于這五類人工智能應(yīng)用，其組織形式有三種，即單獨(dú)的人工智能、聯(lián)合的人工智能和群體的人工智能。單獨(dú)的人工智能系統(tǒng)是一個(gè)獨(dú)立的實(shí)體，能夠獨(dú)立地解決問題；企業(yè)通過監(jiān)督實(shí)體的運(yùn)行對其進(jìn)行集中控制。在一個(gè)聯(lián)合的人工智能應(yīng)用結(jié)構(gòu)中，一個(gè)實(shí)體的多個(gè)版本雖然以相同的方式工作，但處理的是不同的問題（例如機(jī)器人顧問、個(gè)人助理)；企業(yè)可以對實(shí)體進(jìn)行集中控制或給予更多的自治權(quán)。在群體AI應(yīng)用結(jié)構(gòu)中，多個(gè)實(shí)體共同為處理同一個(gè)問題工作（例如多無人機(jī)燈光秀，美國空軍用噴氣式飛機(jī)釋放Perdix山鶉微型無人機(jī)的實(shí)驗(yàn)）；實(shí)體機(jī)器執(zhí)行自治的控制，或者只需要少量的人工管理。工業(yè)人工智能或者人工智能的工業(yè)應(yīng)用涵蓋從低級的人工智能應(yīng)用（如自動化）到具有決策能力的高端人工智能；既可以是集中控制的人工智能，也可以是分布式的人工智能。工業(yè)人工智能應(yīng)用最常見的起點(diǎn)是自動化，但不能就此止步。人工智能更強(qiáng)大的用途是幫助人類決策和互動。人工智能可以對信息進(jìn)行分類，并以比人類更高的速度進(jìn)行預(yù)測，因此用人工智能的方法處理工業(yè)物聯(lián)網(wǎng)設(shè)備產(chǎn)生的大量數(shù)據(jù)，可轉(zhuǎn)變?yōu)閺?qiáng)大的分析和決策工具。大多數(shù)工業(yè)人工智能項(xiàng)目按其服務(wù)目標(biāo)大體可分為四類：（1）工業(yè)資產(chǎn)管理的人工智能應(yīng)用，包括設(shè)備自動化、設(shè)備穩(wěn)定運(yùn)行和設(shè)備運(yùn)行狀況監(jiān)控；（2）流程的人工智能應(yīng)用，包括通過跨多個(gè)資產(chǎn)設(shè)備或跨多個(gè)流程的自動化和穩(wěn)定運(yùn)行，以提高效率、改善質(zhì)量和實(shí)現(xiàn)產(chǎn)量最大化；（3）為實(shí)現(xiàn)卓越運(yùn)營和/或業(yè)務(wù)敏捷性的人工智能應(yīng)用，包括能源成本優(yōu)化、預(yù)測性維護(hù)、物流和調(diào)度、研發(fā)等；（4）在CAD/CAM中應(yīng)用人工智能，優(yōu)化設(shè)計(jì)結(jié)果。1.1工業(yè)資產(chǎn)管理的人工智能應(yīng)用IBM的Watson物聯(lián)網(wǎng)是人工智能應(yīng)用于資產(chǎn)管理的典型范例。其Maximo企業(yè)資產(chǎn)管理（EAM）軟件系統(tǒng)運(yùn)用Watson物聯(lián)網(wǎng)采集大量實(shí)時(shí)數(shù)據(jù)，再用人工智能的軟件工具對數(shù)據(jù)進(jìn)行挖掘和分析，對工廠的關(guān)鍵物理資產(chǎn)（無論是分立的機(jī)器、復(fù)雜的功能資產(chǎn)系統(tǒng)，還是人力資產(chǎn)）及其運(yùn)維，都能做出更好、更及時(shí)的決策。另外，此類資產(chǎn)生命周期管理和維護(hù)解決方案，使用實(shí)時(shí)數(shù)據(jù)收集、診斷和分析工具來延長資產(chǎn)的可用生命周期，提升整體維護(hù)的卓越實(shí)踐，滿足日益復(fù)雜的健康、安全和環(huán)境（HSE）要求，并將風(fēng)險(xiǎn)管理嵌入日常業(yè)務(wù)流程來控制操作風(fēng)險(xiǎn)等，都可以從人工智能的應(yīng)用得到很好的效果。具有人工智能的企業(yè)資產(chǎn)管理系統(tǒng)還可以幫助解決有經(jīng)驗(yàn)的操作員和運(yùn)營工程師退休導(dǎo)致的人才和知識流失的問題。系統(tǒng)通過學(xué)習(xí)和固化經(jīng)過驗(yàn)證的工作流程和卓越實(shí)踐，發(fā)掘作為工廠管理運(yùn)維中堅(jiān)力量的技術(shù)員工長期積累的知識和關(guān)鍵技能，從而達(dá)到以較少的人力資源做更有效率和成本效益的工作的效果。1.2流程的人工智能應(yīng)用人工智能應(yīng)用于流程包含以下方面：（1）人工智能應(yīng)用于設(shè)計(jì)和工程流程是用兼容人工智能的數(shù)字平臺取代基于文檔的信息交換來支持設(shè)計(jì)和工程。只要把相關(guān)來源的信息都加以數(shù)字化處理，接下去就可以利用機(jī)器學(xué)習(xí)或人工智能算法，將以前依靠手工完成的任務(wù)轉(zhuǎn)換為自動操作，這將降低開發(fā)成本。人工智能設(shè)計(jì)和工程流程的目標(biāo)是建立一個(gè)集成的“系統(tǒng)的系統(tǒng)”，從產(chǎn)品開發(fā)的需求、設(shè)計(jì)、制造，一直到用戶使用產(chǎn)品各個(gè)階段構(gòu)成閉環(huán)，通過工業(yè)物聯(lián)網(wǎng)實(shí)現(xiàn)運(yùn)行的實(shí)時(shí)監(jiān)控，然后部署人工智能系統(tǒng)分析數(shù)據(jù)、上升為知識，并利用這些知識來改進(jìn)產(chǎn)品的設(shè)計(jì)、制造和使用。（2）人工智能應(yīng)用于操作流程是用實(shí)時(shí)精確的工業(yè)人工智能自動運(yùn)行平臺對關(guān)鍵生產(chǎn)流程和資產(chǎn)管理實(shí)施標(biāo)準(zhǔn)化的操作，達(dá)到提高效率、減少燃料和能源消耗、提高質(zhì)量、降低成本和改進(jìn)決策的最終目標(biāo)。美國OSIsoft公司采用云原生的平臺即服務(wù)（PaaS）的策略，創(chuàng)建了可供預(yù)裝數(shù)據(jù)中心、邊緣和云端運(yùn)行的安全的工業(yè)數(shù)據(jù)基礎(chǔ)架構(gòu)OSIsoftCloudServices（OCS）。他們還與匹茨堡的Petuum公司技術(shù)合作，將創(chuàng)新的高級人工智能自動運(yùn)行套件集成到OCS中，開展了工業(yè)人工智能的項(xiàng)目服務(wù)。圖1顯示了Petuum工業(yè)人工智能自動運(yùn)行平臺的系統(tǒng)功能。它可從多種來源獲取數(shù)據(jù)，包括來自控制系統(tǒng)的數(shù)據(jù)、機(jī)械裝置的數(shù)據(jù)、非結(jié)構(gòu)化數(shù)據(jù)、圖像數(shù)據(jù)、結(jié)構(gòu)化數(shù)據(jù)庫、時(shí)間序列數(shù)據(jù)庫、歷史數(shù)據(jù)庫、客戶關(guān)系管理系統(tǒng)（CRM）數(shù)據(jù)、企業(yè)資源規(guī)劃系統(tǒng)（ERP）數(shù)據(jù)等。它提供復(fù)雜的數(shù)據(jù)處理、數(shù)據(jù)清洗和機(jī)器學(xué)習(xí)/深度學(xué)習(xí)的傳遞途徑，以在一系列工業(yè)用例中實(shí)現(xiàn)對線性數(shù)據(jù)、暫態(tài)數(shù)據(jù)、長程數(shù)據(jù)和非線性數(shù)據(jù)等模式敏感的高級人工智能，從而在對流程和資產(chǎn)進(jìn)行數(shù)據(jù)分析、操作規(guī)范化的基礎(chǔ)上，通過自動運(yùn)行獲得卓越運(yùn)行的效果。圖1Petuum工業(yè)人工智能自動運(yùn)行平臺的系統(tǒng)功能Petuum工業(yè)AI平臺已經(jīng)在水泥、采礦、金屬、化工、煉油、采油和天然氣采集等多個(gè)工業(yè)行業(yè)的資產(chǎn)管理和生產(chǎn)流程中獲得成功應(yīng)用。Cemex是全球知名建筑材料公司，在水泥廠的回轉(zhuǎn)窯和熟料冷卻系統(tǒng)中，將OSIsoftPI系統(tǒng)與Petuum工業(yè)人工智能自動運(yùn)行軟件整合，發(fā)揮了更好的效能。人工智能平臺直接用于控制系統(tǒng)，為重要的過程變量提供精確的實(shí)時(shí)預(yù)測，為關(guān)鍵控制變量設(shè)置規(guī)范化的運(yùn)行區(qū)間，并在保持適用的靜態(tài)和動態(tài)約束的同時(shí)實(shí)現(xiàn)在操作人員監(jiān)控下的自動運(yùn)行，不僅提高產(chǎn)量，還節(jié)約能源高達(dá)7%。這改變了水泥行業(yè)的格局，并向安全、標(biāo)準(zhǔn)化運(yùn)營的數(shù)字化轉(zhuǎn)型邁出了一步，為今后加強(qiáng)高質(zhì)量產(chǎn)品組合，將成本降至最低，實(shí)現(xiàn)可持續(xù)發(fā)展目標(biāo)提供了堅(jiān)實(shí)基礎(chǔ)。1.3為實(shí)現(xiàn)卓越運(yùn)營和/或業(yè)務(wù)敏捷性的人工智能應(yīng)用運(yùn)用工業(yè)人工智能滿足企業(yè)卓越運(yùn)營和/或業(yè)務(wù)敏捷性的要求，是通過工業(yè)物聯(lián)網(wǎng)從工廠的生產(chǎn)線采集生產(chǎn)過程的數(shù)據(jù)和機(jī)械裝置的數(shù)據(jù)，并將其與ERP系統(tǒng)數(shù)據(jù)集成，采用全新的人工智能套件、機(jī)器學(xué)習(xí)和流分析，幫助生產(chǎn)管理人員和業(yè)務(wù)管理人員理解設(shè)備、人員、供應(yīng)商和客戶之間的復(fù)雜關(guān)系，了解企業(yè)當(dāng)前生產(chǎn)和市場的實(shí)時(shí)狀況，預(yù)測未來可能會發(fā)生的狀況，既能確保工廠的產(chǎn)品能按質(zhì)按量向客戶交付，還能應(yīng)付市場的變化及時(shí)調(diào)整生產(chǎn)計(jì)劃，并與生產(chǎn)系統(tǒng)貫通，提前做好完成新生產(chǎn)任務(wù)的必要技術(shù)和原材料準(zhǔn)備，以保證計(jì)劃的實(shí)施?？偠灾?，在生產(chǎn)運(yùn)行中保證其效率、成本控制和產(chǎn)出率；在業(yè)務(wù)運(yùn)營中支持業(yè)務(wù)人員的操作以確保業(yè)務(wù)敏捷性的實(shí)施。用戶要求運(yùn)用人工智能分析工業(yè)物聯(lián)網(wǎng)采集的數(shù)據(jù)流和ERP、CRM等系統(tǒng)的常備數(shù)據(jù)時(shí)，能提供一種無需專業(yè)技能的簡化方式，無論是數(shù)據(jù)科學(xué)家還是業(yè)務(wù)經(jīng)理都可以使用這種分析方法來快速選擇、啟動、轉(zhuǎn)換和操作物聯(lián)網(wǎng)數(shù)據(jù)。美國SASAnalytics公司的軟件有許多案例，在這些方面獲得了用戶的認(rèn)可。1.4在CAD/CAM中應(yīng)用人工智能在計(jì)算機(jī)輔助設(shè)計(jì)和制造過程中結(jié)合應(yīng)用人工智能的效果明顯。例如在采用CAD做電路布線、外觀設(shè)計(jì)、采用CAM做產(chǎn)品加工路徑設(shè)計(jì)和運(yùn)動軌跡規(guī)劃，都可以應(yīng)用人工智能，還可以集成到控制器中執(zhí)行。由于設(shè)計(jì)軟件數(shù)據(jù)結(jié)構(gòu)明確，對于機(jī)器學(xué)習(xí)來說便于學(xué)習(xí)，也便于生成語義。據(jù)了解西門子正在這個(gè)方向深耕。OpenAI新近推出兩個(gè)多模態(tài)模型，一個(gè)是結(jié)合計(jì)算機(jī)視覺CV的DELL-E，另一個(gè)是與自然語言處理NLP結(jié)合的CLIP，它們可以通過文本直接生成相對應(yīng)的圖像。人工智能的長期目標(biāo)是構(gòu)建多模態(tài)的神經(jīng)網(wǎng)絡(luò)，即人工智能可以學(xué)習(xí)以文本和視覺為主的跨模態(tài)的概念，由此更好地理解世界。DELL-E和CLIP使我們更接近“多模態(tài)人工智能系統(tǒng)”的目標(biāo)，這對于在CAD/CAM領(lǐng)域中應(yīng)用人工智能，會有大的推進(jìn)。02在工業(yè)邊緣分析中應(yīng)用人工智能的方法用人工分析一條生產(chǎn)裝配線上所有傳感器生成的信息可能需要花費(fèi)很長的時(shí)間，由此可以理解為什么往往只有不到一半的結(jié)構(gòu)化數(shù)據(jù)被用于決策。至于非結(jié)構(gòu)化數(shù)據(jù)被分析或使用的比例更低，譬如一臺IP攝像頭24小時(shí)產(chǎn)生的近1012兆字節(jié)的視頻數(shù)據(jù)中只有10%被用來進(jìn)行分析。這些數(shù)據(jù)表明，盡管我們有能力收集越來越多的信息，但在數(shù)據(jù)分析方面仍存在疏漏。靠質(zhì)檢人員的視覺來檢查生產(chǎn)流水線上產(chǎn)品的微小缺陷，既耗費(fèi)大量的勞力，還容易產(chǎn)生視力疲勞和人為錯(cuò)誤。同樣，高鐵軌道緊固件的人工目視檢查，只能在列車停運(yùn)后的下半夜進(jìn)行，不僅費(fèi)時(shí)，而且難度大。對高壓電線和變電站設(shè)備進(jìn)行人工檢查也使人員面臨額外的風(fēng)險(xiǎn)。人類無法分析所有采集的數(shù)據(jù)，可借助將人工智能納入工業(yè)物聯(lián)網(wǎng)的方法去解決。按照建模的目標(biāo)，機(jī)器學(xué)習(xí)運(yùn)用統(tǒng)計(jì)計(jì)算可以發(fā)現(xiàn)數(shù)據(jù)中蘊(yùn)含的趨勢、模式、特征、屬性和結(jié)構(gòu)，以新的觀察結(jié)果為決策提供依據(jù)；機(jī)器學(xué)習(xí)還可以通過一定的算法如神經(jīng)網(wǎng)絡(luò)等自動學(xué)習(xí)和改進(jìn)，無需編程。通過工業(yè)物聯(lián)網(wǎng)和/或直接在邊緣可編程工業(yè)控制器（或其它具有數(shù)據(jù)采集功能的邊緣計(jì)算裝置）采集大量原始數(shù)據(jù)后，如何對這些數(shù)據(jù)進(jìn)行分析和挖掘？盡管現(xiàn)在邊緣可編程工業(yè)控制器具有強(qiáng)大的運(yùn)算能力，但也難以支撐復(fù)雜的分析運(yùn)算，特別是需要經(jīng)過一定時(shí)間的采集數(shù)據(jù)，并經(jīng)過一定時(shí)間的訓(xùn)練才可能建立人工智能模型，因此建模和訓(xùn)練的任務(wù)最好是放在云服務(wù)器或本地服務(wù)器中完成。圖2描述了這種在邊緣實(shí)行人工智能應(yīng)用的三步曲，即首先在邊緣進(jìn)行數(shù)據(jù)采集，其次把大量原始數(shù)據(jù)發(fā)往云端，利用云端的人工智能軟件工具實(shí)施建模和訓(xùn)練，待模型經(jīng)過驗(yàn)證符合預(yù)定的要求和判據(jù)后，再下裝至邊緣可編程工業(yè)控制器或邊緣計(jì)算機(jī)，執(zhí)行人工智能模型的推理、決策。這樣做的優(yōu)點(diǎn)是：數(shù)據(jù)采集的低時(shí)延、通信量大幅度削減，人工智能建模的速度和精度由于云服務(wù)器的算力而得以顯著提升，在邊緣執(zhí)行人工智能模型分析決策的及時(shí)性。當(dāng)然，如果用戶對關(guān)鍵數(shù)據(jù)非常敏感，不允許將數(shù)據(jù)送往公有云去處理和訓(xùn)練，那么只好利用本地的服務(wù)器。圖2實(shí)施邊緣分析的三個(gè)步驟人工智能模型需要在高級神經(jīng)網(wǎng)絡(luò)和消耗大量資源的機(jī)器學(xué)習(xí)或深度學(xué)習(xí)算法上進(jìn)行訓(xùn)練，這些算法需要更強(qiáng)大的處理能力，如支持并行計(jì)算、功能強(qiáng)大的GPU處理器，以便分析數(shù)量巨大的訓(xùn)練數(shù)據(jù)。訓(xùn)練一個(gè)人工智能模型包括選擇一個(gè)機(jī)器學(xué)習(xí)模型，并根據(jù)采集到的和預(yù)處理的數(shù)據(jù)進(jìn)行訓(xùn)練。為了確保準(zhǔn)確性，在此過程中還需要對參數(shù)進(jìn)行評估和調(diào)整。有許多訓(xùn)練模型和工具可供選擇，包括現(xiàn)成的深度學(xué)習(xí)設(shè)計(jì)框架，如PyTorch、TensorFlow和Caffe。訓(xùn)練通常在指定的人工智能訓(xùn)練機(jī)器或云計(jì)算服務(wù)上進(jìn)行（如AWSDeepLearningAMIs、AmazonSageMakerAutopilot、谷歌云人工智能、AzureMachineLearning等），而不是在現(xiàn)場進(jìn)行。在國內(nèi)，華為云一站式AI開發(fā)平臺ModelArts也是很好的選擇，其通用預(yù)訓(xùn)練模型架構(gòu)EIBackbore能讓模型在下游任務(wù)中獲得良好性能。在云端訓(xùn)練好AI模型后便可將此模型部署在邊緣計(jì)算機(jī)上，可以根據(jù)新采集和預(yù)處理的數(shù)據(jù)快速有效地做出分析推斷和預(yù)測。盡管如此，用戶還需要一個(gè)轉(zhuǎn)換工具來轉(zhuǎn)換訓(xùn)練好的模型，使其運(yùn)行在專門的邊緣處理器/加速器上，如IntelOpenVINO或NVIDIACUDA。用戶需要根據(jù)邊緣計(jì)算的需要來選擇合適的處理器。推理分析按照不同的數(shù)據(jù)分析能力可分為低、中、高三種不同的邊緣計(jì)算級別和要求。在邊緣和云之間傳輸數(shù)據(jù)不僅昂貴、耗時(shí)，還會產(chǎn)生延遲。對于低級別的邊緣計(jì)算，應(yīng)用程序只向云發(fā)送少量有用數(shù)據(jù)，這減少了延遲時(shí)間、帶寬消耗、數(shù)據(jù)傳輸費(fèi)用、功耗和硬件成本。一個(gè)沒有加速器的基于ARM的芯片就足以用于采集和分析數(shù)據(jù)，做出快速推理或決策。對于中級別的邊緣計(jì)算，比如需要處理各種IP攝像機(jī)的數(shù)據(jù)流，只有具有足夠的處理幀速的處理器，才能用于計(jì)算機(jī)視覺或視頻分析?；谌斯ぶ悄苣Ｐ秃陀美男阅芤?，還應(yīng)滿足廣泛的數(shù)據(jù)復(fù)雜性，例如大型公共監(jiān)控網(wǎng)絡(luò)的人臉識別應(yīng)用。大多數(shù)工業(yè)邊緣計(jì)算應(yīng)用還需要考慮對功耗的限制，或采用無風(fēng)扇散熱設(shè)計(jì)。在此級別上可以使用高性能CPU、入門級GPU或VPU。例如，Intel酷睿i7系列CPU，通過OpenVINO工具包和基于AI/ML加速器的軟件，提供了一個(gè)高效的計(jì)算機(jī)視覺解決方案，才可在邊緣執(zhí)行推理。高級別的邊緣計(jì)算涉及到使用更復(fù)雜模式識別的人工智能專家系統(tǒng)，數(shù)據(jù)處理的負(fù)載更重，如為了通過公共安全系統(tǒng)自動視頻監(jiān)控的行為分析來檢測安全事件或潛在威脅事件。高級別的邊緣計(jì)算的分析推理通常使用加速器，包括高性能的GPU、VPU、TPU或FPGA，這些加速器耗能多（200瓦或更多），對散熱的要求更高。有幾種工具可以用于不同的硬件平臺，幫助加速應(yīng)用程序開發(fā)過程或提高人工智能算法的整體性能。深度學(xué)習(xí)框架是一種允許用戶更容易和快速地構(gòu)建深度學(xué)習(xí)模型，而無需深入底層算法細(xì)節(jié)的工具，它以一種清晰而簡潔的方式向用戶提供界面和軟構(gòu)件庫，用戶只要從中選擇一組合適的預(yù)先構(gòu)建