一文讲透工业场景中的AI应用

AI或者自动化，终究是技术或工具，它要解决的是问题。相对于AI的狂飙猛进而言，自动化的确低调。AI总要隔三差五的惊艳登场掀起一场革命的浪潮——即使这个浪潮已经很多次了，也不会让吃瓜群众失去兴致。连自动化圈，都时不时露出羡慕的目光，尽管心里会不以为然。毕竟，谁不喜欢待在聚光灯下享受世人崇敬的眼光。                                                                                                                                                                                                                                                                                                                                                                                                                                                                                              本文作者宋华振，（中国）有限公司技术传播经理

像ChatGPT引发的狂潮——各界大佬都被它震惊了，均表示真正的革命时代即将到来，以至于辛顿都表示忌惮，要阻止ChatGPT这样的怪兽--这听起来比较符合科幻片里的“天网”。如果有一天真的世界被一个智能体，而且，它还以无处不在的分布式智能存在，可以穿越各种安全机制-从各个漏洞进入不同的系统，它掌控一辆车，掌控一个发电厂，甚至操控一台轰炸机，那么的确想想就可怕。

01     “工具而非目的”    

不过，对于AI的这种热烈推崇，以及预期的绘声绘色的前景描绘，似乎主要还是来自于圈外—就是自媒体、资本，以及热衷于谈论科技的吃瓜群众。与之相反，AI业界的伙计们似乎还没有那么嚣张—最常见的恐吓就是AI将让某些职业的人群失业。但是，据计算当年电话刚开始发明出来，如果要让当时的美国人每家都装个电话，全美国的妇女都得去干接线员的工作—程控交换机让多少接线员失业呢？再想想我们这些自动化经常干的都是自动的机器和产线的事情。然而，人们不是还该上班就上班，该失业就失业。正如前段时间听韦博士在混沌学院演讲所提到的“人们对AI的这种恐惧无非是对自身缺乏信心”。

其实发展工业科技必须意识到，即便AI如何的强大，它毕竟是一个工具和方法的问题，它并非目的。不是谁的AI更厉害，就能更好的应用—毕竟工业还要考虑经济性、易用性、稳定与可靠。谁能够更好的以经济的手段解决问题，才是好的技术—制造业不是炫技场，而是要有实实在在的收益。

创新，都是以经济性为前提的，如果构建AI系统经济，或基于分布式计算资源的AI边际成本已经很低，那么，谁也不会拒绝AI的应用—着眼点无非是用在哪里的问题。

02     “同源而生，何必艳羡”

干自动化的，也很喜欢讨论AI，相对其他专业，这个离AI最近。不过，大部分人对AI的历史似乎也不甚了解。最近几次自动化圈的开会，发现都挺羡慕人家AI专业，很多学校都开始成立人工智能学院或专业。首先，AI专业前沿又时髦，代表科技的前沿，在部委、企业都是热门话题，大师讲座也逢制造业的场子必讲AI，一大堆专家高谈阔论AI如何帮你降本增效，提高良品率，虽然听得云山雾罩，但总归还是有一种朦胧的美感—不明觉厉霸气侧漏的既视感。其次，这个方向就业肯定比较好，百万年薪，赢取白富美，走上人生巅峰。再者，作为重点发展方向与战略新兴产业，也能获得更多的纵向课题与项目资金支持，这可是实打实的好处。

其实，自动化所对应的机电工程领域，它本身也是作为人工智能的三大学派之一，即，行为主义学派而独立存在的。不过，连接主义学派和符号主义学派本身是一种“自上而下”的方式，更接近人们理解的智能，因此，自下而上的行为主义学派，就不那么被他们归于同类。但就历史上而言，行为主义的代表诺伯特.维纳的《控制论》更早一些，也不大愿意与达特茅斯夏令营这帮小伙子们混在一起，而这些年轻人也更希望能够开山立派。但是，基于感知、决策、执行的整体思想却是相同的。

03     “临渊羡鱼，不如退而结网”

AI或者自动化，终究是技术或工具，它要解决的是问题。并且，就实而论，在工业领域，如果用KPI考核业绩，可能自动化技术带给产业的回报更高-但这就像《人工智能通识课》里作者讲的“一个技术真正有了作用的时候，它就不值钱了”。

AI毕竟是个工具和方法问题，它不是目的，而目的是解决制造业中的“质量、成本、交付”问题。我们要问的问题是“目的是什么？”，什么工具是合适的-评价指标来自于“经济性”。工程师总是在约束条件下寻找技术与经济的可行性.没有人会拒绝一个好用的工具和方法，因为，创新往往来自于此。

04     工业场景中的AI应用

虽然，我觉得AI在工业里总是干点锦上添花的事情，不过工业场景对于“确定性”还是存在着较大的执念的。记得很久以前和一位专家谈起了印刷的套色。我们控制系统要让它达到+/-0.1mm甚至更低的精度，一位数据方向的朋友曾经问“那么，我们能不能从+/-0.5mm开始进行迭代，一步步迭代到你们所需的+/-0.1mm呢？”。想了想只好说“这…用户是不允许这样干的，他们需要的是+/-0.1mm必须要达到，否则，你就不应该提供这样的系统”。还有人非要跟我争通过AI如何提高风力发电机组的发电效率，我听了半天都感到困惑，那我们干自动化的已经把“最大叶尖速比λ值”搞到了最大了，我就在想这究竟如何更大效率呢？难道是风向变化我没有及时发现—但是，这个我不是还有偏航系统吗？难道是电网同步协调问题我没有解决好？那我不是还有并网同步来协调相位吗？

还有那个光伏的追日系统，我的L大哥非要跟我讲那个是人工智能，我就以我有限的天体物理知识分析，这个地球在每天和太阳的那个角度啊！它的变化其实是个固定的函数-如果实在不行你可以加个传感器来感测一下吗？你看日晷这个行不行-我把日晷那个影子给你检测出来，作为一个输入可以吗？

图2-工业AI的特殊性需求

商业AI的“黑盒”机制对于工业是不能轻松接受的,相关性并不代表因果性，因此，它具有“不确定性”。这是数据相关性分析与机理的因果性差异的地方…机理模型具有“确定性”、“完全可预测性”、“完全可解释性”的特点，对于工业来说，也是一种算力经济的方法。

图3-基于AI的PID参数自学习

其实，将AI用于最优参数的学习是控制系统的常用方法，不过，当我钻研了这个问题后，有一个非常直接的问题就在上图中…AI的这些PID动态参数，它真的可以直接就下载（实时）到控制器去执行吗？这其实并非现实-在流程工业也许这是可行的，但离散的制造业里的机器动作，可能也并非现实的，这不很危险，潜在的风险包括安全性问题，也包括带来控制的波动-因为，毕竟这是一个优化的参数，但对象能否接受这种“波动”，这还是需要验证的。当然策略是趋势性调节，或者可能更多时候还是以离线的方式，在停机或下一批次任务中可以进行这样的运行，但，实时的却是不能想当然就去干的。

但是，尽管我们认为AI在工业有很多约束条件-但，这不是全盘否认，因为…毕竟人类认知的世界是有限的，机理模型本身是有限的。而另一方面，世界的本质是非线性的，线性只是特殊情况而已。现在的机理模型只是运行在一个拟合的线性或数学可描述的（已知）的区间，对于更为广泛的机器效率提升，还是要寻找更好的参数匹配。另外在控制而言，局部最优与全局最优又是有差异的…而AI可以在全局的策略调度、节拍匹配、参数适配方面，进一步挖掘制造中的潜能。从这个意义上来说，它一定是有作用的，无非要考虑：

工业与商业AI的差异厘清，这有助于选择合适的方法、算法解决合适的问题；

在AI与机理间寻找最为合适的结合点，毕竟世界也不是非黑即白的—灰色的盒子也是好的盒子。

这不是能不能干的问题，而是如何干的问题…。

干自动化的为啥有优势

纯干AI，自动化的人当然没有啥优势，不过，如果能够来干点自动化，那么至少有很多地方，自动化干起来还是有优势的：

（1）数据源的问题：在制造业现场，自动化自身的数据源，包括信号采集与处理，像一个PLC的IO

处理模块种类往往会牵扯到大量不同的信号处理，在控制之外，这些信号也会作为信息被反馈给管理系统。另外，在控制中产生的中间数据同样可以作为信息被处理。而这些数据通常就被存放于控制系统的RAM中。就数据优势而言，可能AI反倒没有这么直接的。

图4-自动化干AI的优势总结

（2）结构化数据问题：其实，采用OPCUA的框架，数据也被格式化为工业所需的标准数据，无论是从现场到控制层的总线，还是从控制层到管理层的OPC UA协议，这些都是工业自动化优势所在。

（3）机理建模与数据建模的混用问题：其实，对于AI而言，相关性的判断也是需要对机理有基础的了解的，否则，这种无序的探索也是代价高昂的。除了本身的机理模型问题，来自于机电专家，且机电专家也和数据专家可以融合

（4）执行问题：这同样是工业里最大的一个问题，AI并不能在线（On-line）来执行，这可能是与商业不同，因为，即使获得了更好的参数，也必须在离线的方式下进行，直接在线的方式必须是在确保安全可靠的情况下才可以。

因此，自动化的AI必须聚焦在工业场景本身上，而不要去试图和AI企业在图形图像、语言、文本这种人家擅长的领域去竞争。

05     “工欲善其事，必先利其器”

对于自动化的企业而言，迎接AI是一种自然而然的事情。实现AI与自动化的融合办法也很多，这主要取决于整个任务对于“周期性”的等级需求上。

基于开放平台的自动化厂商，通常会选择接口比较方便，就像贝家的exOS为Linux平台的AI应用和RTOS平台上的Real-Time任务建立了连接。通过exOS，Linux上基于Python、Java等编写的AI算法可以被导入至实时任务，相互之间可以交互数据。

如图，PLC和工业PC上的Tensorflow学习任务可经由Pub/Sub机制进行数据的交互。这样的架构下，我们就可以在不需要花费太高的代价下，将AI的资源（算法/代码）进行集成调用。

另外一些自动化厂商，也会自己集成一些AI算法，或在PLC上集成AI加速器的模块，各有各的场景。实现起来都不是什么事—毕竟，对于自动化行业来说，关注点是解决问题，AI只是个工具。

对于自动化，追求经济性应用是技术推广的关键，要解决现实问题而不造成高成本。自动化应用AI经济性主要是体现在训练模型虽然需要算力，但应用模型本地推理就还好。

06     AI与自动化的和谐相处

最和谐的相处模式就是“执子之手与子偕老”，自动化呢，还是有点过于低调—这个很早就讨论过，这与行业的属性有关。因为，自动化的人，他首先得有问题，才能有解决问题的方法，因此，它必须是解决问题的。而AI这帮人呢，他们来到制造业呢，是先有榔头找钉子。我觉得这个比喻倒也贴切。因此，自动化和AI的人就完全是两个解决问题的思维模式。

人们喜欢流行的，前沿的，这没有错，但是，产业里还是要实事求是的解决问题为先导。非要把原本控制干的事情美化为人工智能、工业互联网，显得高大上。这种于产业并无实质的贡献，无非是名字听上去高大上了的事情，还是少干为妙—总是听有人说我们的产业太过浮躁，既然这都是众所周知的，但仍然干这些花活。

究竟而言，自动化是一个工程领域，它还是要解决实际问题的，产业里还有很多很多的问题要解决，我们还有很多卡脖子的事情要干。

编辑：黄飞