工业人工智能及应用研究现状及展望_工业ai项目立项的必要性、项目目标、核心攻关点、技术方案、技术创新点、组织方式

工业人工智能及应用研究现状及展望

人工智能技术与咨询 

来源：《自动化学报》，作者李杰等

摘 要 工业4.0 将工业制造流程以及产品质量优化从以前依照经验和观察进行判断转变为以事实为基础,通过分析数据进而挖掘潜在价值的完整智能系统.人工智能技术的快速发展在工业4.0 的实现中扮演着关键的角色.然而,传统的人工智能技术通常着眼于日常生活、社会交流和金融场景,而非解決工业界实际所遇到的问题.相比而言,工业人工智能技术基于工业领域的具体问题,利用智能系统提升生产效率、系统可靠性并优化生产过程,更加适合解决特定的工业问题同时帮助从业人员发现隐性问题,并让工业设备有自主能力来实现弹性生产并最终创造更大价值.本文首先介绍工业人工智能的相关概念,并通过实际的工业应用案例如元件级的滚珠丝杠、设备级的带锯加工机与机器群等不同层次的问题来展示工业人工智能架构的可行性与应用前景.

关键词 工业人工智能,智能制造,自动化,工业4.0

目前,很多国家正积极发展着眼于工业4.0 的智能制造技术,许多领域的龙头公司均通过投资和科研来开发其核心方法即人工智能技术.在2017 年,加拿大首开先例宣布政府将以12.5 亿加币投资人工智能[1].同年的七月,中国发表了次世代人工智能发展计划,以1 500 亿人民币的投资来帮助国内人工智能产业的发展,以期在人工智能方面占领一席之地[2].次年8 月,德国推行5 点数字策略期望在2025 年成为人工智能的领军者[3].2019 年二月,美国政府推行了类似的人工智能政策来刺激产业发展[4].工业人工智能也体现在流程工艺上,如钢铁或炼油制造产业等.从零部件级到设备端的预测维护均有相应的研究成果,以石油业为例,石油管线衰退评估是个重要的课题,其中管线孔蚀现象是最主要、影响最大的损坏机制,孔蚀的成长性与不确定性让衰退预测变得更为困难,为了可以良好地评估管线内部侵蚀的情况,如何用一个好的衰退模型对孔蚀作预测是主要的研究方向.在分析的方法上,可以分成基于物理模型和数据驱动这两大类,而传统基于物理模型虽能在长期预测上有一定的优势,但是其根本是简化的物理公式或假设,对于例如管蚀这种复杂且高度不确定的机制会较为困难,数据驱动模型则可以较好地处理这类问题[5].在更高层级的平台整合或是工业人工智能应用层面,也有相关企业正着手进行研究,例如埃克森美孚持续的改进自有的全球资讯系统,在标准化、安全化或是生命周期评估等方向上都有相应成果,同时也在改进生产排程、工程应用工具等方面有相关研究[6].今年埃克森美孚与CPLANE.ai 公司宣布将携手合作进行工业协作,在环境法规日趋严格与开采成本提高的情况下,将会对其发展有着重要的影响.另一方面,我国的首钢钢铁也有相应的工业人工智能应用在流程工艺上成功的案例,通过智能平台可以用少量的技工调控其所有的炼钢炉,同时也能回收在制造过程中产生的90 %废弃物和废水,实现每年九百万吨以上高品质钢铁的产出.

对于基于智能技术的工业4.0 来说,这些措施都促使工业界产生前所未有的转变,智能工厂所装备的智能感知器在各个生产过程中产生大量的数据,因此数据变成增强产业竞争力的重要关键[7].通过实时数据分析来为决策者提供更全面的信息来做决策、提高生产效率、预测生产需求、自动化制造与库存品优化[8].然而,根据现行的工业4.0 技术,数据处理过程仍需人类专家的介入来做决策,人工智能方案通常要能满足及时决策与最少的人员介入的目标[9−10].因此,智能制造需要结合工业互联网[11]、大数据分析[12]、云端计算[13]与网络实体系统[14]等技术来实现弹性且有效率的数据处理.

即使有着诸多优势,产业界仍对这样的方案存有疑虑,主要的原因是对于同样的问题,工程师在使用不同的算法会给出不同的方案,而这样的情况会违反三个必须的特征:系统性、快速性与可继承性.

另一方面,人工智能应用的主要成功来自于图像处理、自然语言处理、社群网络、机器人等方面,在工业环境下的制造设备所产出的数据架构和形式与前述大不相同,造成可应用性的局限[15−19].

其次,尽管部分产业已开始进行相关工作,但缺乏全面的技术蓝图与架构来有效地结合自身的发展策略.

第三个可能的原因是缺乏标准化的数据.目前,不同类型的机台所产出的数据大不相同,形式也有差异,造成数据不一致.

第四个原因是故障数据难以取得,这个是阻碍人工智能技术发展的主要原因之一.在具体场景中,工业界难以允许机台发生故障.另一方面,健康与故障的数据有时难以区分,这些因素都阻碍了人工智能技术的应用.

针对上述问题,如何有效利用人工智能完成实际生产应用的任务,是当前工业人工智能研究的热点问题之一.2006 年,Anghel 等基于极大极小概率回归模型,在实际数据上准确地预测出污染物排放中各气体浓度[20].2015 年,Min 针对遗传算法在供应链管理中的应用,回顾了以往的成功案例,提出了供应链管理中最适用于遗传算法的领域[21].同年,Hu 等通过多目标优化算法,实现轧制规程的优化,提高热轧带钢的产品质量[22].2018 年,Yang 等通过对文字数据的知识提取以及可视化处理提取到有用的信息并应用在汽车零部件数字化预装的质量改进[23].同年,Cupek 等针对传统方法难以准确预测小批量多变量生产的问题,采用了基于K 均值聚类的方法,实现了性能指标的自动估测[24].同年,Mundada等通过神经网络和模拟退火算法准确预测出了不同磨铣作业的工件表面粗糙度[25].2019 年,Liu 等对钢带表面缺陷进行了研究,基于GoogLeNet,提出了可以用于实时分类的方法,并在6 种表面缺陷的钢带数据上实现了98.57%的准确率[26].2020 年,Kesse 等提出了一种智能化惰性气体焊算法用于帮助操作人员选择理想的系数从而达到良好的焊接质量[27].同年,Li 等提出了基于深度学习的寿命预测方法,并在实际生产中用于切割液晶屏的刀具上表现了较好的准确性[28].同年,Kalil 等建立了一个用在切削刀具上的磨损监测系统,通过对刀具的边缘图像处理,达到94.3%的磨损以及破碎检测率[29].

由于人工智能的实际应用需要一系列关键的基础技术与创新思维,李杰教授提出了一套系统性的方法来实现人工智能并命名为工业人工智能[30−33].工业人工智能由一套完整的技术体系与标准化方法架构所组成,其核心技术包含数据技术、分析技术、平台技术与运筹技术,Cyber physical system (CPS)的5C 架构则作为实现这个闭环过程的功能框架[30−34].

1 CPS 的5C 技术体系与方法架构

自从计算机的诞生以来,赛博空间与实体空间的组合快速成为人类日常生活不可或缺的一部分,从高度普及的家用电器到日益成熟的无人机,从发电站的调度安排到实时的人体机能监控,无不体现了赛博空间与实体空间的深度融合[35].而CPS 作为一种整合网络世界和物理世界的多维度的变革性智能技术体系[36],以大数据、网络与海量计算为基础,通过核心的智能感知、分析、挖掘、评估、预测、优化等技术手段,融合计算、通信与控制,做到以数据为模型驱动的自治和智能支持促进工业的智能化发展.如图1 所示,5C 作为CPS 在制造领域的架构为其在制造领域的开发和部署提供了完整的指导方针.5C 分别代表Connection (智能感知层)、Conversion (智能分析层)、Cyber (网络层)、Cognition (智能认知层)、Configuration (智能决策与执行层),具体含义如下:

图1 CPS 在制造领域的支撑技术[32-34]
Fig.1 Enabling technologies for realization of CPS in manufacturing[32-34]

1)智能感知层(Connection):如何以高效率和高可靠性来采集数据是在机器或是组件层面上的首要任务.如从数据的来源、采集和管理方式来确保质量和全面性,构建CPS 上层的数据环境基础.除结构环境和采集通道外,另一核心的概念是按照目标和分析的需求自动地选择所偏好的数据采集方式.

2)智能分析层(Conversion):在工业环境中,数据来源于各种不同类型的资源,这些代表着机器的不同状况,但必须将原先采集到的低价值数据转化为有意义且实际的信息.在这层中可以对数据进行特征工程、分类和优先级排列等工作来确保数据的可解释性,其中也包括对数据的前处理.

3)网络层(Cyber):即网络化的管理,网络环境中信息的融合和建模,将机台状况、周围环境与群体结合,包括精确同步、关联建模、变化记录、分析预测等以构建能够指导实体空间的分析环境.

4)智能认知层(Cognition):依据不同的需求进行数据评估与预测,与其他数据作比较,并能提供解决方案,同时结合数据可视化工具和决策优化算法工具为用户提供决策.

5)智能执行层(Configuration):依照目标的不同与前一层的分析结果,对决策进行优化,并将结果回馈给管理系统,使管理人员能基于信