没有合适的资源?快使用搜索试试~ 我知道了~
工业人工智能及应用研究现状及展望.docx
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
0 下载量 30 浏览量
2023-02-23
16:53:45
上传
评论
收藏 1.8MB DOCX 举报
温馨提示
试读
21页
工业人工智能及应用研究现状及展望.docx
资源推荐
资源详情
资源评论
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 1500
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]
下载: 全尺寸图片 幻灯片
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息做出正确的决策, 保证时效性和管理
的协同性.
在实际的工业领域中通过智能技术来发挥制造系统的最大价值需要系统化、结构化地
建立信息世界和物理世界的纽带, 找到对解决问题最重要的影响参数而不是盲目地积累数
据, 最终形成闭环优化. 另一方面, 如何在技术层面来执行 CPS 架构则是另一重大课题. 工
业人工智能 4 个核心技术中, 平台与数据技术是工业智能化的首要条件, 有效的数据连接与
传输和成熟的平台技术是其系统实现的前提, 分析技术是设备展现智能化的灵魂, 而运筹技
术是创造价值的关键, 以下将对这 4 个核心技术分别做讨论:
1.1 数据技术(Data technology)
工业人工智能的基础来自于数据本身, 高质量的数据是成功的关键, 为从设备中取得
具有代表性且质量良好的数据, 此类技术将着重在解决以下几类问题:
1) 数据采集与传输;
2) 数据的储存、管理与大量数据的实时处理;
3) 边缘计算.
第一类的问题依靠传感器与通讯技术的进步, 和工业数据的内在物理意义. 为进一步
了解设备特性, 传感器的加装可以有效的获取具代表性的信息, 在更为复杂且关键的工业过
程如半导体产业更是如此. 通过传感器来进行数据采集, 而传感器的选择、位置安装、改良
与研发应用都是在 DT 数据技术层面中所要面对的关键问题.
传感器技术的长足进步也引发第二类问题, 大量的数据考验着从业者如何去传输、储
存、管理, 因此需要先进的通讯技术和设备来进行稳定的传输. 现行的设备与通讯技术大多
可以满足其基本需求, 常用的通讯协议包括 MTconnect、Modbus 等. 在数据管理和储存方
面, 应用云端和数据库技术来进行高效率的储存、搜寻和实时处理, 并用当下热门的边缘计
算来实现数据挖掘的实时性并节省储存空间. 基于这些技术, 此类关键问题着重于保证数据
的稳定性和安全性, 以及节省计算资源与储存空间.
1.2 分析技术(Analytic technology)
分析技术是工业人工智能的灵魂. 分析技术用于发现数据的潜在模式、数据间的关系
与制造本身的未被发掘的隐含信息, 这些此前未被发现的信息都将为后续的决策提供依据.
此外, 其有用的分析结果可累积成为数据库, 一方面可避免因人事变更或是流动造成其经验
或是技能流失, 另一方面, 也可以提升产业的核心竞争力. 分析技术主要着重在两个方面:
1) 特征工程: 数据预处理、特征提取、特征筛选
2) 机器学习和模式识别
特征是对数据中有用信息的数学总结. 特征工程在分析技术是重要的一环, 通过数学
方法来得到代表性的信息, 如对时域或是频域进行特征提取方便后续的建模工作
[37-38]
. 在实
现特征工程的过程中, 首要考虑的是数据的可靠性. 在采集数据的过程中, 会有各种不确定
性的因素存在, 如不同来源信号的采样频率不同, 以及采集过程中可能存在损坏点等问题,
需要先进行预处理排除, 以得到较好的数据进行分析
[39-40]
. 在完成提取特征的步骤后, 往往
会再进行特征筛选, 进一步去除不必要、不相关的特征, 只保留对分析目标有用的特征. 在
特征筛选中, 最具代表性的主成分分析(PCA)与费雪准则(Fisher criterion)被广泛用在各工业
场景. 费雪准则主要对应分类问题, 该方法通过对原始特征中的每一个特征来评价分类的有
效性. 接下来的步骤为模型建立, 主要是用机器学习、模型识别算法来辨认数据潜在的模式
并挖掘其中的关系. 常用的算法如回归算法、分类、聚类、估计算法等, 各自对应不同类型
的问题与应用场景. 目前热门的深度学习与迁移学习等技术也在诸多实际问题中取得了良
好的成果. 以上主要介绍的是特征工程中的手动特征提取. 手动特征提取的局限性在于需要
利用领域知识对特定问题从零构建特征. 目前热门的深度学习与迁移学习等技术让自动特
征提取在诸多实际问题中取得了良好的成果
[41-51]
. 自动特征提取能够根据不同的应用以及数
据更有效率地建模, 同时还能提供更好的模型表现以及预防数据泄露. 通过深度学习实施的
自动特征提取可以在几天内赶上以前人工花几个月甚至几年的工作成果, 而且工业门槛更
低, 特征覆盖更全面, 可以把大数据的优势应用在更多设备上建模. 因此, 对于从业人员来
说, 需要考虑的关键问题在于如何在不同的应用场景下选用适合的算法.
1.3 平台技术(Platform technology)
平台技术是其他技术的载体, 在工业人工智能的架构下, 其主要包含如下方面:
1) 数据存储平台: 数据的安全存储与快速检索;
2) 智能计算平台: 智能平台的计算能力、计算效率和可扩展性;
3) 用户接口平台: 用户接口和功能扩展.
云平台的应用可以帮助企业实现对于数据的统一管理的需求并支持不同客群的快速数
据检索和信息共享
[52]
. 云平台可以解决 ERP (企业资源计划系统)、MES (制造企业生产过程
执行管理系统)和 SCM (供应商管理系统)等造成的信息隔离, 从而对多来源信息进行有效管
理
[53-54]
. 信息集中化更方便实现智能分析和快速部署算法, 平行计算等核心技术可以大幅降
低时间成本, 提高计算效率. 在这方面, 先进的 GPU 与 TPU 技术提供了相关的解决方案,
与串行处理的 CPU 相比, GPU 拥有数以千计的处理核心, 让其在并行运算上有极大的优势,
而 TPU 又名张量处理器是一款可编程的 AI 加速器, 可用于加速模型测试过程所需的运算.
剩余20页未读,继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3675
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
开通VIP
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功