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

近年來，人工智能的應用場合已經從過往的依賴超級計算機轉移到邊緣計算，這不僅得益于算法的巨大改進，而且得益于邊緣計算算力的巨大進步和分布式計算框架的形成。這里，筆者就人工智能的工業應用前景以及工業人工智能在邊緣計算中的應用做一定的擴展。

1 人工智能的工業應用前景

Gartner把人工智能的應用分成五個復雜等級：

（1）響應對象遵循簡單規則，但可應對不斷變化的環境，如無人機；

（2）分類裝置或系統能識別物件的類型，并能在受控的環境中采取簡單的操作對物品進行處理，如倉儲機器人；

（3）響應對象通過對問題和情境的理解服務于另一對象，如無人駕駛汽車、個人助理；

（4）從多個資源采集信息進行學習以解決復雜問題，如IBM的Watson，全自動軍用無人機；

（5）創建者發動范式轉移或思考方式的轉變，如創造一種新的業務模型。

最后一種人工智能的應用不僅是人們使用的工具，還具有潛力創建危害人類的動作，改變人與技術的關系以及人在社會和經濟中的角色。因此，對于這一類人工智能的應用，開發者必須事先深思熟慮。

對于這五類人工智能應用，其組織形式有三種， 即單獨的人工智能、聯合的人工智能和群體的人工智能。單獨的人工智能系統是一個獨立的實體，能夠獨立地解決問題；企業通過監督實體的運行對其進行集中控制。在一個聯合的人工智能應用結構中，一個實體的多個版本雖然以相同的方式工作，但處理的是不同的問題（例如機器人顧問、個人助理)；企業可以對實體進行 集中控制或給予更多的自治權。在群體AI應用結構中， 多個實體共同為處理同一個問題工作（例如多無人機燈光秀，美國空軍用噴氣式飛機釋放Perdix山鶉微型無人機的實驗）；實體機器執行自治的控制，或者只需要少量的人工管理。

工業人工智能或者人工智能的工業應用涵蓋從低級的人工智能應用（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。

工業人工智能應用最常見的起點是自動化，但不能就此止步。人工智能更強大的用途是幫助人類決策和互動。人工智能可以對信息進行分類，并以比人類更高的速度進行預測，因此用人工智能的方法處理工業物聯網設備產生的大量數據，可轉變為強大的分析和決策工具。

大多數工業人工智能項目按其服務目標大體可分為四類：（1）工業資產管理的人工智能應用，包括設備自動化、設備穩定運行和設備運行狀況監控；（2）流程的人工智能應用，包括通過跨多個資產設備或跨多個流程的自動化和穩定運行，以提高效率、改善質量和實現產量最大化；（3）為實現卓越運營和/或業務敏捷性的人工智能應用，包括能源成本優化、預測性維護、物流和調度、研發等；（4）在CAD/CAM中應用人工智  能，優化設計結果。

1.1 工業資產管理的人工智能應用

IBM的Watson物聯網是人工智能應用于資產管理的典型范例。其Maximo企業資產管理（EAM）軟件系統運用Watson物聯網采集大量實時數據，再用人工智能的軟件工具對數據進行挖掘和分析，對工廠的關鍵物理資產（無論是分立的機器、復雜的功能資產系統， 還是人力資產）及其運維，都能做出更好、更及時的決策。另外，此類資產生命周期管理和維護解決方案，使用實時數據收集、診斷和分析工具來延長資產的可用生命周期，提升整體維護的卓越實踐，滿足日益復雜的健康、安全和環境（HSE）要求，并將風險管理嵌入日常業務流程來控制操作風險等，都可以從人工智能的應用得到很好的效果。

具有人工智能的企業資產管理系統還可以幫助解決有經驗的操作員和運營工程師退休導致的人才和知識流失的問題。系統通過學習和固化經過驗證的工作流程和卓越實踐，發掘作為工廠管理運維中堅力量的技術員工長期積累的知識和關鍵技能，從而達到以較少的人力資源完成更有效率和成本效益的工作的效果。

1.2 流程的人工智能應用

人工智能應用于流程包含以下方面：（1）人工智能應用于設計和工程流程是用兼容人工智能的數字平臺取代基于文檔的信息交換來支持設計和工程。只要把相關來源的信息都加以數字化處理，接下去就可以利用機器學習或人工智能算法，將以前依靠手工完成的任務轉換為自動操作，這將降低開發成本。人工智能設計和工程流程的目標是建立一個集成的“系統的系統”，從產品開發的需求、設計、制造，一直到用戶使用產品各個階段構成閉環，通過工業物聯網實現運行的實時監控， 然后部署人工智能系統分析數據、上升為知識，并利用這些知識來改進產品的設計、制造和使用。（2）人工智能應用于操作流程是用實時精確的工業人工智能自動運行平臺對關鍵生產流程和資產管理實施標準化的操作，達到提高效率、減少燃料和能源消耗、提高質量、降低成本和改進決策的最終目標。

美國OSIsoft公司采用云原生的平臺即服務（PaaS）的策略，創建了可供預裝數據中心、邊緣和云端運行的安全的工業數據基礎架構OSIsoft Cloud Services（OCS）。他們還與匹茨堡的Petuum公司技術合作，將創新的高級人工智能自動運行套件集成到OCS中，開展工業人工智能的項目服務。

圖1顯示了Petuum工業人工智能自動運行平臺的系統功能。它可從多種來源獲取數據，包括來自控制系統的數據、機械裝置的數據、非結構化數據、圖像數據、結構化數據庫、時間序列數據庫、歷史數據庫、客戶關系管理系統（CRM）數據、企業資源規劃系統（ERP）數據等。它提供復雜的數據處理、數據清洗和機器學習/深度學習的傳遞途徑，以在一系列工業用例 中實現對線性數據、暫態數據、長程數據和非線性數據等模式敏感的高級人工智能，從而在對流程和資產進行數據分析、操作規范化的基礎上，通過自動運行獲得卓越運行的效果。

圖1 Petuum工業人工智能自動運行平臺的系統功能（來源：Petuum）

Petuum工業AI平臺已經在水泥、采礦、金屬、化工、煉油、采油和天然氣采集等多個工業行業的資產管理和生產流程中獲得成功應用。Cemex是全球知名建筑材料公司，在水泥廠的回轉窯和熟料冷卻系統中，將OSIsoft PI系統與Petuum工業人工智能自動運行軟件整合，發揮了更好的效能。人工智能平臺直接用于控制系統，為重要的過程變量提供精確的實時預測，為關鍵控制變量設置規范化的運行區間，并在保持適用的靜態和動態約束的同時實現在操作人員監控下的自動運行， 不僅提高產量，還節約能源高達7%。這改變了水泥行業的格局，并向安全、標準化運營的數字化轉型邁出了一步，為今后加強高質量產品組合，將成本降至最低， 實現可持續發展目標提供了堅實基礎。

1.3  為實現卓越運營和/或業務敏捷性的人工智能應用

運用工業人工智能滿足企業卓越運營和/或業務敏 捷性的要求，是通過工業物聯網從工廠的生產線采集生產過程的數據和機械裝置的數據，并將其與ERP系統數據集成，采用全新的人工智能套件、機器學習和流分析，幫助生產管理人員和業務管理人員理解設備、人員、供應商和客戶之間的復雜關系，了解企業當前生產和市場的實時狀況，預測未來可能會發生的狀況，既能確保工廠的產品能按質按量向客戶交付，還能應付市場的變化及時調整生產計劃，并與生產系統貫通，提前做好完成新生產任務的必要技術和原材料準備，以保證計劃的實施。總而言之，在生產運行中保證其效率、成本控制和產出率；在業務運營中支持業務人員的操作以確保業務敏捷性的實施。

用戶要求運用人工智能分析工業物聯網采集的數據流和ERP、CRM等系統的常備數據時，能提供一種無需專業技能的簡化方式，無論是數據科學家還是業務經理都可以使用這種分析方法來快速選擇、啟動、轉換和操作物聯網數據。美國SAS Analytics公司的軟件有許多案例，在這些方面獲得了用戶的認可。

1.4 在CAD/CAM中應用人工智能

在計算機輔助設計和制造過程中結合應用人工智能的效果明顯。例如在采用CAD做電路布線、外觀設計， 采用CAM做產品加工路徑設計和運動軌跡規劃時，都 可以應用人工智能，還可以集成到控制器中執行。由于設計軟件數據結構明確，對于機器學習來說便于學習， 也便于生成語義。據了解，西門子正在這個方向深耕。OpenAI新近推出兩個多模態模型，一個是結合計算機視覺CV的DELL-E，另一個是與自然語言處理NLP結合的CLIP，它們可以通過文本直接生成相對應的圖像。人工智能的長期目標是構建多模態的神經網絡，即人工智能可以學習以文本和視覺為主的跨模態的概念，由此更好地理解世界。DELL-E和CLIP使我們更接近“多模態人工智能系統”的目標，這對于在CAD/CAM領域中應用人工智能，會有大的推進。

2 在工業邊緣分析中應用人工智能的方法

用人工分析一條生產裝配線上所有傳感器生成的信息可能需要花費很長的時間，由此可以理解為什么往往只有不到一半的結構化數據被用于決策。至于非結構化數據被分析或使用的比例更低，譬如一臺IP攝像頭24小時產生的近1012兆字節的視頻數據中只有10%被用來進行分析。這些數據表明，盡管我們有能力收集越來越多的信息，但在數據分析方面仍存在疏漏。靠質檢人員的視覺來檢查生產流水線上產品的微小缺陷，既耗費大量的勞力，還容易產生視力疲勞和人為錯誤。同樣，高鐵軌道緊固件的人工目視檢查，只能在列車停運后的下半夜進行，不僅費時，而且難度大。對高壓電覽和變電站設備進行人工檢查也使人員面臨額外的風險。

人類無法分析所有采集的數據，可借助將人工智能納入工業物聯網的方法去解決。按照建模的目標，機器學習運用統計計算可以發現數據中蘊含的趨勢、模式、特征、屬性和結構，以新的觀察結果為決策提供依據； 機器學習還可以通過一定的算法如神經網絡等自動學習和改進，無需編程。

通過工業物聯網和/或直接在邊緣可編程工業控制 器（或其它具有數據采集功能的邊緣計算裝置）采集大量原始數據后，如何對這些數據進行分析和挖掘？ 盡管現在邊緣可編程工業控制器具有強大的運算能力，但也難以支撐復雜的分析運算，特別是需要經過一定時間的采集數據，并經過一定時間的訓練才可能建立人工智能模型，因此建模和訓練的任務最好是放在云服務器或本地服務器中完成。圖2描述了這種在邊緣實行人工智能應用的三步曲，即首先在邊緣進行數據采集，其次把大量原始數據發往云端，利用云端的人工智能軟件工具實施建模和訓練，待模型經過驗證符合預定的要求和判據后，再下裝至邊緣可編程工業控制器或邊緣計算機，執行人工智能模型的推理、決策。這樣做的優點是：數據采集的低時延、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器的算力而得以顯著提升，在邊緣執行人工智能模型分析決策的及時性。當然，如果用戶對關鍵數據非常敏感，不允許將數據送往公有云去處理和訓練，那么只好利用本地的服務器。

圖2 實施邊緣分析的三個步驟（來源：IEB）

人工智能模型需要在高級神經網絡和消耗大量資源的機器學習或深度學習算法上進行訓練，這些算法需要更強大的處理能力，如支持并行計算、功能強大的GPU處理器， 以便分析數量巨大的訓練數據。訓練一個人工智能模型包括選擇一個機器學習模型，并根據采集到的和預處理的數據進行訓練。為了確保準確性，在此過程中還需要對參數進行評估和調整。有許多訓練模型和工具可供選擇，包括現成的深度學習設計框架，如PyTorch、TensorFlow和Caffe。訓練通常在指定的人工智能訓練機器或云計算服務上進行（如AWS Deep Learning AMIs、Amazon SageMaker Autopilot、谷歌云人工智能、Azure Machine Learning等），而不是在現場進行。在國內，華為云一站式AI開發平臺ModelArts也是很好的選擇，其通用預訓練模型架構EI-Backbore能讓模型在下游任務中獲得良好性能。

在云端訓練好AI模型后便可將此模型部署在邊緣計算機上，可以根據新采集和預處理的數據快速有效地做出分析推斷和預測。盡管如此，用戶還需要一個轉換工具來轉換訓練好的模型，使其運行在專門的邊緣處理器/加速器上，如Intel OpenVINO或NVIDIA CUDA。用戶需要根據邊緣計算的需要來選擇合適的處理器。推理分析按照不同的數據分析能力可分為低、中、高三種不同的邊緣計算級別和要求。

在邊緣和云之間傳輸數據不僅昂貴、耗時，還會產生延遲。對于低級別的邊緣計算，應用程序只向云發送少量有用數據，這減少了延遲時間、帶寬消耗、數據傳輸費用、功耗和硬件成本。一個沒有加速器的基于ARM的芯片就足以用于采集和分析數據，做出快速推 理或決策。

對于中級別的邊緣計算，比如需要處理各種IP攝像機的數據流，只有具有足夠的處理幀速的處理器，才能用于計算機視覺或視頻分析。基于人工智能模型和用例的性能要求，還應滿足廣泛的數據復雜性，例如大型公共監控網絡的人臉識別應用。大多數工業邊緣計算應用還需要考慮對功耗的限制，或采用無風扇散熱設計。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，提供了一個高效的計算機視覺解決方案，才可在邊緣執行推理。

高級別的邊緣計算涉及到使用更復雜模式識別的人工智能專家系統，數據處理的負載更重，如為了通過公共安全系統自動視頻監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，幫助加速應用程序開發過程或提高人工智能算法的整體性能。深度學習框架是一種允許用戶更容易和快速地構建深度學習模型，而無需深入底層算法細節的工具，它以一種清晰而簡潔的方式向用戶提供界面和軟構件庫，用戶只要從中選擇一組合適的預先構建并經優化的構件來定義模型，然后就可以通過處理大量的數據來訓練模型。

硬件供應商提供的人工智能加速器工具包是專門為在其平臺上加速機器學習和計算機視覺等人工智能應用而設計的。如Intel OpenVINO，Intel的開放視覺推理和神經網絡優化工具包，旨在幫助開發人員在Intel 平臺上構建強大的計算機視覺應用程序。OpenVINO 還支持對深度學習模型進行更快的推理。又如NVIDIA CUDA運算平臺可為嵌入式系統、數據中心、云平臺和基于NVIDIA CUDA構建的超級計算機上的GPU提供高性能并行計算，加速應用程序運行。

3 后記

在國內，人工智能是繼智能制造、工業4.0、工業 互聯網之后被大家熱炒的話題。不過人工智能在國內真正付諸于實踐的還是一些金融服務、醫療和人臉識別等領域，鮮見人工智能的工業應用。盡管也有個別公司的工業人工智能應用獨樹一幟，如北京寄云科技公司的工業數據分析模型開發和部署平臺（DaStudio 和DaRuntime）利用機器學習對工業數據進行分析建 模，但總的來說與歐美工業發達國家工業人工智能頻頻喜獲應用突破形成鮮明的對比。這從另一個側面反映了一個老問題：為什么一涉及到信息技術的前沿， 在我國總是難以落實到工業制造？筆者希望讓大家特別是工業人了解，人工智能的工業應用不是憑熱炒就能生效的技術，而是需要有恰當的入口、合適的方法和持之以恒沉到工業現場的毅力，才可能進入大有用武之地的境界。AP

作者簡介：

彭 瑜，教授級高工，上海工業自動化儀表研究院技術顧問，PLCopen中國組織名譽主席。

摘自《自動化博覽》2021年2月刊