日本在线www-日本在线播放一区-日本在线不卡免费视频一区-日本在线不卡视频-成人影院久久久久久影院-成人影院一区二区三区

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揮作用的關鍵。無論對于商業、管理還是工業現場的應用來說，應用為王仍然是計算架構的發展根基。

在工業邊緣智能中，需要澄清工業智能與商業智能的差異、實現工業邊緣智能的方法路徑，這樣才能有效地推進邊緣智能的發展。本文即從工業AI與商業AI 差異、工業邊緣智能的角色與意義、實現方法與架構， 結合案例做簡要的分析，以與產業專家共同探討。

1 工業AI與商業AI的差異

工業場景中的AI應用與商業AI場景有較大的區別，主要體現在以下幾方面：

1.1 數據維度不同

工業場景中的應用，不同于高維度數據的大數據，在圖像、語言與聲音中，富含多維度數據，這本身就適合AI發揮其力量，而工業數據更多是低維度的數據，其數據函數經常會呈現線性關系，因此對于工業數據來說，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里有著悠久歷史的原因。

1.2 數據類型不同

工業的數據屬于典型的“小數據”，即，數據量經常比較小，就像故障數據，我們需要對大型傳動機組的軸承進行故障數據采集，如果頻繁出現故障，那么這個機組本身的制造商將會失去市場。這些小數據卻擁有較強的特征和指向性，因此與大數據相比，小數據更能體現有效的價值，而大數據更多適應于趨勢性。對于工業來說，小數據的學習更具有產業價值。

圖1為商業AI與工業AI場景中數據類型的差異，可以看到對于工業里的數據，多是較低維度的數據，數據量通常較小，屬于典型的“小數據”場景。 

圖1 商業AI與工業AI場景中數據類型的差異

1.3 異構數據

工業數據的來源多樣，有直接采集的傳感器信號數據、有經過處理的（處理方式也會有差異）傳感器數據，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據、結果數據、分析類數據，這些數據本身結構多樣，需要統一處理，才能被學習系統使用，因此，本身數據的標準與規范需要統一的界定。如采用OPC UA的統一信息建模來獲得數據及其屬性和類型的定義，包括周期、采樣頻率的界定，或者建立統一的標準接口。

1.4 工業AI對于應用的需求差異

工業AI與商業AI不同且必須予以考慮的：

（1）可解釋性：由于傳統制造業建立在發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，現實的世界更多的是“非線性”的，而傳統的機理處理更多在線性區，或在擬合的線性區具有良好的表現，這是因為此區域數據的處理成本較低，實現起來對于算力的要求也并不高。

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

（3）安全性需求：AI在工業的應用中出現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AI并不涉及到的問題，也是工業專家對AI應用較為謹慎的原因。

（4）高性能要求：在工業里，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，會出現錯誤或造成浪費。對于工業來說，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化、調度和策略，這些在傳統工業控制與運營管理中已經有涉及， 只是，傳統的邊緣計算架構更多是一種離散、專業屬性的實現方法，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 邊緣計算發揮的優勢

邊緣計算要發揮的優勢在以下幾個方面：

（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， 對于流程工業或是離散工業都有意義。傳統來說，工業生產的抗干擾、低功耗、安全性、惡劣環境等多種要求，使得工業系統往往是基于專用系統或采用封閉架構而搭建，具有個性化定制的系統特征，但是，對于非現場層級的邊緣計算而言，則可以基于開放架構來實現， 進行全局的優化。

（2）邊緣架構與智能的全局集成

對于數字化與協同來說，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工業控制系統與開放架構之間的障礙，就能夠讓開放世界的資源為工業所用， 無論是開發語言、硬件資源、數字化設計軟件，都可以與工業控制系統實現集成，貫穿整個垂直鏈條、水平鏈條，實現有效的連接。

2.2 邊緣智能對于傳統制造產業的意義

（1）如何替代“技師”的經驗

在目前很多產業里，即使發展了許多年的產業，其工藝Know-How還是會掌握在經驗豐富的技師手里，  或者說，在很多場景中，人的經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，一方面要看傳統行業如何借助于新興技術來實現優化，另一方面，實現角度，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領域落地，更有效地幫助企業獲得新生。

而在工業的傳統工藝測試驗證中，本身就有“DoE”環節，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性，分析出有效因子，并有75%以上的貢獻率，而繼續進行。如果發現已經沒有顯著因子，可以判定為成功的DoE設計。

由此，我們可以看到，其實傳統的制造業也是可以基于有效的數據測試驗證分析來實現這些質量相關性、工藝相關性的分析，基于數據的方式，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， 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，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，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，工業智能在制造業中的應用肩負幾個方向的責任：

（1）如何為傳統的產業賦予新能

很多時候，人們把印刷、食品、制藥這些產業視為夕陽產業，認為這些產業本身經歷百年，已經發展到了一個非常成熟的狀態，似乎也沒有什么發展空間，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AI的架構設計

事實上，從工業視角來看邊緣智能，對于傳統的自動化廠商而言，也是一個借助IT技術來擴展其數據應用的路徑，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，將優化的結果如智能模型的本地推理、參數優化的結果部署到控制任務來執行，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、模塊化的網絡、扁平化設計，才能實現邊緣智能， 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，以及將數字化設計與運營管理和實時控制緊密結合，通過數字化設計軟件與控制任務的軟件可以實現對接。

3.2 跨平臺方法

3.2.1 系統之間的融合——Hypervisor

為了在開放操作系統如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，將開放的環境如Linux上的Eclipse與自動化的Automation Studio（貝加萊的自動化任務開發平臺）之間通過exOS進行對接，使得基于Java、Python開發的開放應用與控制任務之間實現匹配，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，進而發揮各自的優勢，如：機器學習的模型可以對實時任務進行“觀測”，并對其產生的數據進行質量相關性分析、參數最優匹配的學習，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

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與第三方云端系統實現連接，作為邊緣側，將現場數據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，并將結果與執行系統如機器人、運動控制實時結合，實現如不良品剔除、標記等制造任務，形成靈活的邊緣智能實現架構。

圖4以貝加萊的工業PC運行雙系統為例，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、快速換型中的參數匹配、預測性維護中的應對機制而言，這一架構可以解決現場的邊緣智能與實時任務緊密結合。

圖4 云-邊-端的協同架構

4 工業智能應用案例

對于工業的邊緣智能而言，有了架構，需結合實際應用來說明其有效性，在本小節，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，有著非常現實的商業價值。

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，正常數據的高亮部分與異常數據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據進行相應處理，得到特征向量集合，并進行分類。其中部分維度的數據及其分類結果如圖7所示，可見，由支持向量機的分類器可精準地將數據分為兩類，從而檢出故障數據。

圖7 基于支持向量機的數據分類， 正常（綠），異常（紅）

經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別被提煉得明確、清晰，易于分類。因此，后續采用的AI分類器，不需要過于復雜的架構，即可實現幾乎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，僅在本地邊緣執行側運行基于X86的PC，以及控制系統。可以看到，邊緣智能本身是可以在現有的X86架構中去實現，而控制則可以在Runtime中實現。

5 工業邊緣智能應用展望

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

工業邊緣智能必須結合工業知識，工業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 ）工藝參數尋優：對于經常變更的材料而言，無論是流程工業中的生產，還是離散工業中的金屬、玻璃、塑料、紙張等，都需要適配相關的參數來獲得高品質，這正是邊緣智能發揮的地方，在這個場景中，要結合工藝建模，利用數據的算法實現參數的收斂。

工業邊緣必須結合工業的現場知識和工業本身的控制能力，自上而下進行全局優化和數據處理。

作者簡介：

宋華振（1975-），男，陜西咸陽人，碩士，現任貝加萊工業自動化（中國）有限公司技術傳播經理,主要從事工業通信技術、行業解決方案推廣。兼任SAC/TC124/SC4委員、SAC/TC159/WG18委員、邊緣計算產業聯盟專家委員會專家、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2025的智能化轉型》、《美國制造創新網絡研究院解讀》等書籍。

摘自《自動化博覽》2021年2月刊