AI一出現(xiàn)即被作為先進(jìn)科技的代表受到各界關(guān)注，工業(yè)界也認(rèn)同AI作為未來技術(shù)發(fā)展的方向。然而AI如何落地工業(yè)?能不能為工業(yè)企業(yè)帶來實際的價值?AI與工業(yè)的融合會遇到怎樣的挑戰(zhàn)?這些都是當(dāng)下需要思考的問題。
工業(yè)AI與數(shù)字化并行
工業(yè)AI與通用AI本質(zhì)上沒有區(qū)別，其實就是設(shè)備的通訊，采集和計算能力達(dá)到一定的要求后，通過軟件對這些能力進(jìn)行整合后加以分析，對工業(yè)中出現(xiàn)的具體問題進(jìn)行自動解決。
工業(yè)AI的落地與目前各企業(yè)推行的工業(yè)數(shù)字化并沒有太多沖突，很多企業(yè)直接將AI當(dāng)作數(shù)字化進(jìn)程的一部分。筆者在近期與業(yè)內(nèi)人士溝通中也發(fā)現(xiàn)，在探討數(shù)據(jù)采集時就會聊到算法與分析，然后就直接下結(jié)論說產(chǎn)品用到了人工智能。目前，業(yè)內(nèi)也沒有明確規(guī)定，要求算法或數(shù)據(jù)量達(dá)到怎樣的復(fù)雜程度才能算做是人工智能。專注于數(shù)值計算和系統(tǒng)工程建模的Mathworks給人工智能算法做了一個比較清晰的分類，分為深度學(xué)習(xí)，機器學(xué)習(xí)和增強學(xué)習(xí)三個類型，工業(yè)應(yīng)用屬于增強型學(xué)習(xí)，也就是已知特定目標(biāo)，依靠算法進(jìn)行自我優(yōu)化，通過訓(xùn)練不斷接近既定目標(biāo)，其它的判斷能力完全忽略。后面提到的能效管理和預(yù)測性維護(hù)基本都屬于此類算法，工業(yè)圖像AI前景依舊模糊。
AI運作機理 來源：Mathworks
能效管理、生產(chǎn)改善、預(yù)測性維護(hù)、視覺識別是目前工業(yè)AI落地的主要應(yīng)用場景，這幾個應(yīng)用無疑都是算法和數(shù)據(jù)的密集區(qū)，表現(xiàn)形式大多以平臺為主，工業(yè)自動化領(lǐng)域的中大型企業(yè)在近兩年無一例外地在軟件，云，通訊技術(shù)三大方面進(jìn)行了大量投資，施耐德電氣的AVEVA，EcoStruxure? Energy Machine advisor，西門子的Mindsphere， ABB Ability? EDCS，PTC的ThingWorx等，全都繞不過這幾大應(yīng)用，目的都是在實現(xiàn)設(shè)備全面互聯(lián)后謀求降本增效的新方法，盡量剔除生產(chǎn)中的不確定因素，實現(xiàn)生產(chǎn)的可靠和可控。
來源：施耐德電氣
A 類應(yīng)用：能效管理與生產(chǎn)改善
從過去的算法到現(xiàn)在的AI，工業(yè)設(shè)備的核心模塊并沒有太多改變，通訊或者網(wǎng)聯(lián)能力是提升最多的部分，但算力目前還遠(yuǎn)遠(yuǎn)不夠拿來“挖礦”，所以大量的數(shù)據(jù)和AI算法都被植入到云和邊緣服務(wù)器之中。 這也成為了工業(yè)云和邊緣服務(wù)器市場火爆的原因。
能效管理是工業(yè)AI應(yīng)用中的上品，多以云平臺的形式出現(xiàn)，通過上傳采集到的能耗數(shù)據(jù)，加以比對分析，然后結(jié)合生產(chǎn)狀況自動調(diào)節(jié)用電負(fù)荷，降低無謂的能源消耗，幫助工廠節(jié)約資金，此類應(yīng)用可謂目前整個工業(yè)AI應(yīng)用的黃金地帶，未來會有相當(dāng)多的視覺和傳感產(chǎn)品向這個領(lǐng)域集成，輔助AI進(jìn)行決策。對于用戶而言，能效優(yōu)化好處顯而易見。
具體理由如下：
1.此類應(yīng)用多以軟件升級為主，即便添加邊緣服務(wù)器或采集設(shè)備，升級改造也要相對容易。
2.投資回報率很高，以浩亭的“小盒子”數(shù)據(jù)采集設(shè)備MICA為例，很少的投入每個月就能換來10%的能耗節(jié)約，真金白銀看得見。
浩亭MICA 來源：浩亭
3.多以捆綁式服務(wù)推進(jìn)市場，大廠的電氣類產(chǎn)品基本上都附帶了此類服務(wù)，如ABB，施耐德電氣的產(chǎn)品完成度都非常高，開關(guān)柜設(shè)備一般都捆綁能效管理服務(wù)，不僅提升產(chǎn)品的附加值，也能快速鋪貨。
當(dāng)然也正是因為大廠布局，小廠在此類應(yīng)用中會更弱勢，雖然技術(shù)可能差別并不大，但會因為采集節(jié)點少，讓AI在某些情況下看起來不那么智能，盡管大廠也在推行開放架構(gòu)，但實際應(yīng)用中還會遇到一些限制，單體產(chǎn)品性價比可以很高，但放到大系統(tǒng)里設(shè)備沒有協(xié)同優(yōu)勢，這是很多技術(shù)型企業(yè)沒能在IIOT領(lǐng)域爆發(fā)的原因，市場沒做進(jìn)去，產(chǎn)品一迭代甚至還會落后。
除了直接的配電管理，還有一些泛能效管理類應(yīng)用，如Festo和安沃馳的氣缸閥數(shù)字化解決方案，通過智能分析來控制氣門的開合，來改善氣缸的能效等。
Festo氣缸閥島 來源：費斯托
生產(chǎn)改善和能效管理在這方面特點很類似，全天候數(shù)據(jù)收集，經(jīng)過分析比對，然后采取不同的策略持續(xù)對生產(chǎn)效率進(jìn)行改善，鑒于OEE(機器和人員綜合利用率)并不完全是機器行為，所以人工干預(yù)會稍大，此類應(yīng)用需要廠商對目標(biāo)行業(yè)的生產(chǎn)情況有深刻的理解，定制化需求也更強，所以AI的算法會分很多小品種，通用性會比能效管理稍弱一些，如羅克韋爾自動化的工業(yè)瘦客戶端管理平臺Thin manager?，和施耐德電氣的Transware?透明工廠套件都屬于此類。
羅克韋爾自動化thin manager 來源：羅克韋爾自動化
B類應(yīng)用 預(yù)測性維護(hù)
預(yù)測性維護(hù)很早就被提出，但在工業(yè)領(lǐng)域中一直不溫不火。相比能效管理帶來的實際收益，同樣是以算法為核心的預(yù)測性維護(hù)的好處目前依舊很難評估，這也導(dǎo)致這個領(lǐng)域的進(jìn)展稍慢一些。預(yù)測性維護(hù)必然會導(dǎo)致一定的投入，但這種投入的說服力沒有能效管理那么強。
這里的主要問題在于，AI算法必須要比定期維護(hù)更加優(yōu)秀，必須證明對算法的投入要比定期維護(hù)更節(jié)約，但是如果部件就是按照定期維護(hù)時間進(jìn)行壽命設(shè)計，或者部件更換成本不是很敏感時，預(yù)測性維護(hù)的價值就會打折，而且和生產(chǎn)改進(jìn)一樣，方案公司必須對目標(biāo)行業(yè)有足夠的把握，否則在一些比較關(guān)鍵的工程中預(yù)測性維護(hù)看起來會相當(dāng)冒險。
目前此類應(yīng)用實踐比較成功的都是面向價格昂貴的大型設(shè)備，這些龐然大物始終處在昂貴的更換費用和人命關(guān)天的作業(yè)環(huán)境之中，實時了解它們的運行狀況和在最佳時機更換維護(hù)確實非常符合這些行業(yè)的需要。
來源：Mathworks
頁巖氣開發(fā)專用車輛的能源存儲設(shè)備，高速鐵路列車的齒輪箱，風(fēng)力發(fā)電機的軸承，這些昂貴且不容易更換的的設(shè)備才是預(yù)測性維護(hù)的真正發(fā)力市場。
這里要說明的是，預(yù)測性維護(hù)的提出很大程度上是針對工業(yè)機器人行業(yè)，發(fā)那科和思科合作開發(fā)的ZDT零宕機系統(tǒng)，安川電機的AI子公司AI Cube Inc開發(fā)的面向制造現(xiàn)場的預(yù)測維護(hù)方案等都曾紅極一時，但隨著工業(yè)機器人和機器人部件成本的大幅下降，工業(yè)機器人預(yù)測性維護(hù)的呼聲變得很弱，國內(nèi)機器人廠商由于與四大家族機器人在應(yīng)用領(lǐng)域方面存在明顯差異，所以預(yù)測性維護(hù)基本也都不去考慮。
C類市場 工業(yè)視覺與圖像識別
通用AI在視覺領(lǐng)域與安防領(lǐng)域的確獲得較快發(fā)展。據(jù)相關(guān)統(tǒng)計數(shù)據(jù)顯示：2018年視覺占到了整個AI應(yīng)用的22%，但工業(yè)應(yīng)用占比非常少。之所以將視覺應(yīng)用排到最后，也是因為工業(yè)讀碼和追溯目前技術(shù)已經(jīng)很完善，AI不會有太大市場，但在缺陷檢測，形貌測量，電力危險監(jiān)測等場合還是會用到AI，這些領(lǐng)域的光學(xué)技術(shù)一般會涉及到結(jié)構(gòu)光，激光，3D及紅外熱成像，但目前市場仍處在很初級的起步階段。就目前工業(yè)視覺的發(fā)展?fàn)顩r來看，大家感興趣的似乎是升級圖像傳感器，對AI并不感冒。一個比較好的現(xiàn)象是機器視覺廠商開始試圖將FPGA或ASIC芯片嵌入到視覺系統(tǒng)中，進(jìn)一步提升圖像數(shù)據(jù)的搬運能力，這雖然是一個好現(xiàn)象，但成本敏感的工業(yè)視覺市場能否大規(guī)模落地還有待觀察。
歐姆龍的圖像對位技術(shù) 來源：歐姆龍
目前工業(yè)視覺中能歸類到AI的基本上都是抓取類應(yīng)用，如歐姆龍的Adept 機器人抓取方案用到的對位技術(shù)，圖像識別算法在方案中所占權(quán)重很大，歐姆龍的優(yōu)勢也在于產(chǎn)品足夠的全面，這樣整體方案就能做到更好的優(yōu)化，從收購邁斯肯也能看出歐姆龍有意強化這方面的優(yōu)勢，所以接下來工業(yè)界的并購會更頻繁的發(fā)生。
其他視覺方案，包括傳感融合式的視覺應(yīng)用，如ISRA的激光與相機結(jié)合的抓取方案，當(dāng)然其核心也是算法，最大優(yōu)勢在于不依靠云或邊緣服務(wù)器，ATOS等三位掃描其實也是類似的應(yīng)用，由于都是服務(wù)于特定的工作場景，所以目前只能作為AI落地的潛力股。
還有一類應(yīng)用是視覺輔助設(shè)備，例如研華最近推出的SKY-642 GPU服務(wù)器，用到了英偉達(dá)的GPU，但這種產(chǎn)品不會限定于工業(yè)，通用行業(yè)也一樣可以使用，所以也不能為專門的工業(yè)應(yīng)用作參考。
節(jié)點為王 數(shù)據(jù)共享
工業(yè)AI時代，企業(yè)的工業(yè)互聯(lián)網(wǎng)的能力會進(jìn)一步放大，企業(yè)之間差距會因為數(shù)據(jù)量的多寡進(jìn)一步拉大，誰的數(shù)據(jù)節(jié)點多，誰的優(yōu)勢自然很大，每個節(jié)點不僅帶動了產(chǎn)品的迭代，甚至?xí)绊懏a(chǎn)品的銷售。在最近舉辦的工業(yè)網(wǎng)絡(luò)專家計劃論壇上，西門子特別強調(diào)了自己在全球的安裝節(jié)點達(dá)到了1800萬，這樣的數(shù)字意味深長。類似手機終端的節(jié)點爭奪戰(zhàn)在工業(yè)互聯(lián)網(wǎng)時代可能會上演，AI好不好用直接對應(yīng)采集節(jié)點夠不夠多。工業(yè)數(shù)據(jù)節(jié)點的爭奪遠(yuǎn)遠(yuǎn)沒達(dá)到手機那樣慘烈的程度，所以相對消費產(chǎn)業(yè)目前還是一片藍(lán)海。
西門子Mindsphere 來源：西門子
此外，今年的達(dá)沃斯論壇上提出了另外一種呼聲，就是倡導(dǎo)工業(yè)數(shù)據(jù)共享，讓工業(yè)AI加速落地，目前看來這樣的想法還不太現(xiàn)實，但如果有比較好的分配方案，也許這種具有想象力的共享合作會成為再次推動產(chǎn)業(yè)前進(jìn)的契機。
最后補充一點，本文沒說到仿真和數(shù)字化雙胞胎是因為仿真技術(shù)的好壞完全取決于廠商與上游企業(yè)的關(guān)系，上游給到的數(shù)據(jù)越多越詳細(xì)，仿真工具也就自然越強大，因此又會變回特定場景應(yīng)用，這樣仿真就只能作為訓(xùn)練工具，再加上成本等因素，那么AI在這里的應(yīng)用需求也會變得較弱。
