本文对人工智能技术的原理、技术分类及其技术特征进行简单的介绍；列举一些人工智能技术在工业典型场景中的应用并对于如何搭建这样一套工具或者平台提出自己的一些建议。
2016年 AlphaGo 横空出世，人工智能、机器学习技术名噪一时。
随着时间的发展，人工智能在工程应用上愈发成熟，车牌自动识别、智能客服机器人、广告推荐等一系列的应用在工程和商业上均取得成功。
而在工业领域，人工智能也没有停下发展的步伐，预测性维护、质量控制、智能化排产等领域也一直在探索工程落地和商业可行的进程中取得长足的进展。大量的科技巨头和专家预测人工智能将带来第四次革命，继农业革命，工业革命，信息革命后从底层改变我们的工作和生活。
作为当前最热门的风口领域之一，人工智能在工业场景中的应用深度和广度与消费领域相比仍有较大差距。
因为场景通用性差、投资建设成本高等原因，导致商用化上仍局限于部分高端制造的场景，无法做到像OA、ERP、CRM等系统同水平的普及。
对于AI+工业互联网融合的产品探索者而言，下一步最关键的问题还是具体场景落地和商用化的问题。
本文是我从科普的角度，将所学习的人工智能技术以及关于在工业场景中的应用的思考进行一些总结和整理，如有不对的地方还请各路大神砖家指正。
大到经济的运行，小到苹果落在“倒霉”的牛顿头上，世界上所有事物的发展都是由客观规律驱动的。它大概是这样一个模型：
就苹果砸脑袋这件事儿而言，万有引力和牛顿力学是驱动事物发展的客观规律，我们可以通过它精准的判断苹果落下来需要多少秒、砸在脑袋上有多大的动量等具体结果。
对于经济问题来说，这个模型就会复杂的多了。
比如现在受疫情影响下，我们要讨论成都的房价涨跌的问题。虽然能够马上判断房价会受到了包括了供需平衡等经济学模型等客观规律的支配；但是很明显的，即便是我们知道了疫情进展、政府投资计划、主城5区新增户籍人口等所有的详细数据，我们还是无法准确的判断未来半年和一年房价究竟会上浮多少，或是下跌多少。
这里就反映出一个问题：系统运营的规律越是复杂，就越难以通过归纳和推导的手段总结出客观存在的规律。
机器学习技术使得计算机可以从海量的案例中通过训练归纳总结出其内在规律。
在创新工场CEO李开复著的《人工智能》一书中，对机器学习有一个定义：
机器学习……是一种用数学模型对真实世界中的特定问题进行建模，以解决该领域内相似问题的过程。这样的技术特征使得其在解决很多我们在生活、生产中，用传统的方法难以解决或解决成本很高问题。
进入九十年代，以概率统计建模、学习和计算为主的算法潮流开始占据主流。与此同时，人工智能的研究也开始逐渐分化为几个主要的学科：
人工智能要解决一个具体的项目，需要至少三个关键要素：
上述条件是人工智能执行一个成功任务的基本要求。亚马逊的Principal Scientist夏威将此比喻为：
如果把一个成功的人工智能算法比作一只善战的部队的话，数据就是粮草，计算力就是兵力，而模型则是战略和战#术指挥的策略；战略和战#术的重要性自不必说，但没有了粮草和兵力，再好的战略也只是空中楼阁。计算力可以理解为兵力，有了强大的兵力，才有了实现战略的机动性和可能性。
优势
劣势
工业是由众多的场景组成的，可以从行业维度（机加工、电子产品、化工等）、产品的生命周期维度（设计、制造、销售、运维）等逐层分解。
即便是每一个细分场景，例如针对机床的维修保养服务，也是多人参与的复杂工作，存在这个场景特有的痛点：
企业是逐利的，所有的问题（包括使用体验的问题，效率的问题，准确性的问题）最终只要影响到企业收益，都是成立的真实痛点。
现在上述场景基本都是人去处理的，维护保养周期靠工人统计台时判断，安全隐患识别也需要大量的人员到现场巡查，或者在监控室目不转睛地看着；否则就容易漏掉安全隐患。
如果排程不合理会导致资源空闲，排程耗费的时间过长，投入资源过多；安全如果出事了，小则整改，大则关停追责。
在工业场景中，既有重复性的、常识性的脑力劳动，也有优化等复杂的脑力劳动。
按照需要解决的问题的目标不同，我们可以将工业场景AI应用分为以下几个类别，：
因技术实现途径类似，从每个类别中，各取一个简要分析，其他就不展开了。
1）工艺参数优化
从需求有效性方面来说
工艺参数优化对于很多企业都是优先级极高的迫切需求，特别是流程化工领域更甚。
举个栗子，硝化棉等化工产品的生产工艺过程就类似于“烧菜”，加“料”（原材料）的多少，“火候”（温度、压力、搅拌等）的控制，对结果（均匀度、成分含量等）都可能产生影响，但工程上很难准确判断各因素对结果会产生何种量化的影响，它本质是一个“黑盒”系统。
传统的做法就是不断地试，做新产品要试，换批次要试，一直做到一个批次质量损失可以接受就按这个方法投产了。
因此，工艺参数优化的问题是亟需人工智能技术来解决的。
从技术可实现性来说
通常是大量对过去生产的批次进行分析，其中将投料、工艺参数数据作为自变量，质量数据作为因变量；进行训练，建立模型，从而找到其内在的量化关系。
从商业价值角度来说
即便是同一个产品、同一种工艺，在不同的环境下，例如海南的化工企业和甘肃的化工企业所处环境温湿度有很大差异。部分工艺都可能因为外界环境的变化而导致算法准确度降低或失效，模型需要针对每个具体的场景定制，很难复用。
同时，工艺参数优化会明显受到生产规模和批次的制约——生产规模越大，单批次产量越高，产品单位价值越高或者质量损失风险越高，使用AI进行工艺优化就越可行。
网上可以找到众多的相关成功案例。
以下案例来源于中国工程院院士邬贺铨的演讲。
“台湾中钢公司，他们引进了IBM的Power AI解决方案，用于分析轧钢过程中的缺陷。为了将27吨的钢坯，轧到0.5毫米的成品，预测和分析过程中的缺陷，他们收集了过去一年7000多批次的产品数据。经过数据清洗，筛选出了可能影响产品质量的特征数据，并且转换成了可供机器学习使用的数据。
这些数据中，80%拿来做学习，20%拿来做检验。然后他们设计了4种数学模型，来看哪种模型更符合实际情况。最后他们根据模型分析一条产品线产生的2000多个数据，发现炉内压力对缺陷影响最大。最后中钢公司在人力资源和钢坯质量方面，都得到了很好的改进，成本大幅降低。”
2）安全隐患识别
从需求的角度来说
工厂很多危险行为（如违规操作设备、争斗打架等）是通过现场检查和视频监控才能发现的，如果能通过视频图像识别的话，就能够实时发现隐患并处理。
从技术可实现性来说
其实现大致流程就是做算例→配算法→训练→嵌入框架程序用于应用。嵌入框架程序有两种，一种是嵌入硬件的嵌入式程序，一种是服务端的web程序。此外，车牌识别，人脸识别，安全隐患识别是高度依赖于场景的。
同样的行为，角度不同、背景不同，都可能产生误判，以为着需要针对场景定制。
从商业价值角度来说
受限于危险行为场景异常复杂，无法复用且需要定制，短期内很难做到类似车牌识别系统的产品化，导致其可用场景其实非常有限的。
3）设备维护预测
从需求的角度来说
企业的设备类似于车辆，需要定期保养，更换零部件。一般汽车厂家为了免责而规定要求五千或者一万公里保养一次，而一般老司机是不按这个来的，他们会根据行驶工况选择合适的保养时机。
用于生产的机械设备通常是按工时来保养的，有的企业甚至连工时都无法统计（上下游标准不一或缺乏手段），导致错过保养时间使得设备故障频发。如果能够根据实际工况给出维护保养建议，便能有效解决这个问题。
从技术可实现性来说
其技术实现路径大致和工艺参数优化一样，不同的是自变量变成了设备的检测到工况参数，因变量变成了故障统计数据集。
从商业价值角度来说
其面临的问题和工艺参数优化一样，受到无法复用的限制，需要大量的同类型设备才能减少边际成本。一旦成功应用，可以极大节省设备运营和维护成本。
以下案例来源于富士康：
由于铣刀在高转速下进行不连续切削，刀具磨损迅速且难于监测，并且刀具磨损严重影响加工精度与产品质量。针对高速铣削刀具磨损难以在线预测，提出了一种基于深度学习的高速铣削刀具磨损预测的新方法。通过小波包变换提取铣削力信号，在不同频段上的能量分布，作为初始特征向量。采用无监督学习对稀疏自编码网络进行特征学习，并将单层网络堆栈构成深度神经网络。最后，利用有监督学习对整个深度网络进行微调训练，建立铣削刀具磨损预测模型。实验结果表明，所提出的方法对刀具磨损状态预测准确率达到93.038%。
4）知识识别维护
从需求的角度来说
传统的知识管理软件依赖于数据库的设计，系统无法识别语义，我们只能按照预设的数据结构，在一个系统中实现增删改查操作。而知识产生的时间往往和录入的时间是不一样的，我们往往得重复录入一次。
例如某产品未通过测试需要进行设计更改，其通常会走一个变更申请，由项目负责人、总工程师等人层层审批。若能够直接就审批材料进行语义分析，直接抽象测试未通过的要素、更改的方式方法等要素，就不需要再人为录入了。下一次遇到类似于的问题，相关工程师就可以查询解决方案。
从技术可实现性来说
可以利用自然语言识别技术，从业务系统中直接获取大量的文本，解析出事件执行主体、执行对象、执行方法、执行结果主要要素，再各要素语义量化解析。
从商业价值角度来说
无论是企业的技术知识库，还是服务机器人的应用，都可以减少对人员培训和素质水平的依赖。结合PDM、GIT等软件，能够构成企业完整的知识管理体系。
重视基础条件建设，数据先行。
前面案例已经分析到了，样本数据的数量和质量是保障人工智能任务完成的先决条件。故障预测需要大量的工况数据，危险行为识别需要大量的图像算例。
对于企业而言，需要具备自动化、数字化等基础条件，
对于行业和政府而言，需要全行业或全地域企业具备基本的自动化、数字化基础。消费领域之所以AI做得风生水起关键是各应用都大量埋点，获得了大量行为数据。
明确各自定位，参与分工。工业场景之多，复杂度之深，行业壁垒之高，意味着这不是一个赢者通吃的垄断的市场，需要构建生态并由多方参与。
人人都搞AI的时代并不是因为人类进化都变聪明了，而是tesorflow、opencv等AI工具的诞生。对算法的高度封装使得我们可以专注于解决业务问题，算法从深奥的数学问题变成了”调库和调参“+业务洞察的基本操作。
下图是tensorflow的操作页面——前端配置页面已经高度成熟，算法的配置可以通过对模块的拖拉拽就能实现，甚至连调库的操作都不需要。
未来工业AI领域将逐渐形成分工是大概率事件，参与者主要包括底层框架开发者和场景贡献者。
框架开发者软件、AI技术背景更强，他们搭建全行业通吃的应用框架，各行各业传统的服务商基于框架构建场景。这样企业就能以更低的成本获取场景，市场也各司其职，实现价值最大化。
尊重业务，深入业务。
与AI、互联网日新月异的技术和商业模式的发展相比，工业的发展显得相对缓慢和笨重；然而，工业无论是设计、工艺还是制造过程管理的知识和经验，都是由各个工业国家在经过数以百年的实践总结而来的，消费领域对需求和业务的处理方式无法直接复用在工业场景中。
工业互联网也好，工业AI也好，产品经理需要深入理解工业场景和业务。
人工智能技术在解决众多工业问题场景中有独特的优势，但目前工业场景与人工智能还缺乏深入融合，应用的范围甚至还不到消费领域的1%。
对于工业互联网从业者而言，以工程化和商用化为目标，还应深度关注业务和场景落地的问题，同时还需要探索降低场景制订边际成本方法。
http://blog.sina.com.cn/s/blog_cfa68e330102zvrg.html
免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：is@yisu.com进行举报，并提供相关证据，一经查实，将立刻删除涉嫌侵权内容。
