|
AI一出現即被作為先進科技的代表受到各界關注，工業界也認同AI作為未來技術發展的方向。然而AI如何落地工業？能不能為工業企業帶來實際的價值？AI與工業的融合會遇到怎樣的挑戰？這些都是當下需要思考的問題。 工業AI與數字化并行 工業AI與通用AI本質上沒有區別，其實就是設備的通訊，采集和計算能力達到一定的要求后，通過軟件對這些能力進行整合后加以分析，對工業中出現的具體問題進行自動解決。 工業AI的落地與目前各企業推行的工業數字化并沒有太多沖突，很多企業直接將AI當作數字化進程的一部分。筆者在近期與業內人士溝通中也發現，在探討數據采集時就會聊到算法與分析，然后就直接下結論說產品用到了人工智能。目前，業內也沒有明確規定，要求算法或數據量達到怎樣的復雜程度才能算做是人工智能。專注于數值計算和系統工程建模的Mathworks給人工智能算法做了一個比較清晰的分類，分為深度學習，機器學習和增強學習三個類型，工業應用屬于增強型學習，也就是已知特定目標，依靠算法進行自我優化，通過訓練不斷接近既定目標，其它的判斷能力完全忽略。后面提到的能效管理和預測性維護基本都屬于此類算法，工業圖像AI前景依舊模糊。 據羿戓設計所了解，能效管理、生產改善、預測性維護、視覺識別是目前工業AI落地的主要應用場景，這幾個應用無疑都是算法和數據的密集區，表現形式大多以平臺為主，工業自動化領域的大中型企業在近兩年無一例外地在軟件、云、通訊技術三大方面進行了大量投資，施耐德電氣的**EVA，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用，目的都是在實現設備全面互聯后謀求降本增效的新方法，盡量剔除生產中的不確定因素，實現生產的可靠和可控。 A 類應用：能效管理與生產改善 從過去的算法到現在的AI，工業設備的核心模塊并沒有太多改變，通訊或者網聯能力是提升最多的部分，但算力目前還遠遠不夠拿來“挖礦”，所以大量的數據和AI算法都被植入到云和邊緣服務器之中。這也造就了工業云和邊緣服務器火爆的市場。 能效管理是工業AI應用中的上品，多以云平臺的形式出現，通過上傳采集到的能耗數據，加以比對分析，然后結合生產狀況自動調節用電負荷，降低無謂的能源消耗，幫助工廠節約資金，此類應用可謂目前整個工業AI應用的黃金地帶，未來會有相當多的視覺和傳感產品向這個領域集成，輔助AI進行決策。對于用戶而言，能效優化好處顯而易見。 具體理由如下： 1.此類應用多以軟件升級為主，即便添加邊緣服務器或采集設備，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”數據采集設備MICA為例，很少的投入每個月就能換來10%的能耗節約，真金白銀看得見。 3.多以捆綁式服務推進市場，大廠的電氣類產品基本上都附帶了此類服務，如ABB，施耐德電氣的產品完成度都非常高，開關柜設備一般都捆綁能效管理服務，不僅提升產品的附加值，也能快速鋪貨。 當然也正是因為大廠布局，小廠在此類應用中會更弱勢，雖然技術可能差別并不大，但會因為采集節點少，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，但實際應用種還會遇到一些限制，單體產品性價比可以很高，但放到大系統里設備沒有協同優勢，這是很多技術型企業沒能在IIOT領域爆發的原因，市場沒做進去，產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用，如Festo和安沃馳的氣缸閥數字化解決方案，通過智能分析來控制氣門的開合，來改善氣缸的能效等。 生產改善和能效管理在這方面特點很類似，全天候數據收集，經過分析比對，然后采取不同的策略持續對生產效率進行改善，不同的是人工干預會稍大，此類應用需要廠商對目標行業的生產情況有深刻的理解，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。 B類應用：預測性維護 預測性維護很早就被提出，但在工業領域中一直不溫不火。相比能效管理帶來的實際收益，同樣是以算法為核心的預測性維護的好處目前依舊很難評估，這也導致這個領域的進展稍慢一些。預測性維護必然會導致一定的投入，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更加優秀，必須證明對算法的投入要比定期維護更節約，但是如果部件就是按照定期維護時間進行壽命設計，或者部件更換成本不是很敏感時，預測性維護的價值就會打折，而且和生產改進一樣，方案公司必須對目標行業有足夠的把握，否則在一些比較關鍵的工程中預測性維護看起來會相當冒險。 目前此類應用實踐比較成功的都是面向價格昂貴的大型設備，這些龐然大物始終處在昂貴的更換費用和人命關天的作業環境之中，實時了解它們的運行狀況和在最佳時機更換維護確實非常符合這些行業的需要。 頁巖氣開發專用車輛的能源存儲設備，高速鐵路列車的齒輪箱，風力發電機的軸承，這些昂貴且不容易更換的的設備才是預測性維護的真正發力市場。 這里要說明的是，預測性維護的提出很大程度上是針對工業機器人行業，發那科和思科合作開發的ZDT零宕機系統，安川電機的AI子公司AI Cube Inc開發的面向制造現場的預測維護方案等都曾紅極一時，但隨著工業機器人和機器人部件成本的大幅下降，工業機器人預測性維護的呼聲變得很弱，國內機器人廠商由于與四大家族機器人在應用領域方面存在明顯差異，所以預測性維護基本也都不去考慮。 C類市場：工業視覺與圖像識別 通用AI在視覺領域與安防領域的確獲得較快發展。據相關統計數據顯示：2018年視覺占到了整個AI應用的22%，但工業應用占比非常少。之所以將視覺應用排到最后，也是因為工業讀碼和追溯目前技術已經很完善，AI不會有太大市場，但在缺陷檢測，形貌測量，電力危險監測等場合還是會用到AI，這些領域的光學技術一般會涉及到結構光，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。就目前工業視覺的發展狀況來看，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中，進一步提升圖像數據的搬運能力，這雖然是一個好現象，但成本敏感的工業視覺市場能否大規模落地還有待觀察。 目前工業視覺中能歸類到AI的基本上都是抓取類應用，如歐姆龍的Adept 機器人的抓取方案，圖像識別算法在方案中所占權重很大，歐姆龍的優勢也在于產品足夠的全面，這樣方案就能做到更好的優化，從收購邁斯肯也能看出歐姆龍有意強化這方面的優勢，所以接下來工業界的并購會更頻繁的發生。 其他視覺方案，包括傳感融合式的視覺應用，如ISRA的激光與相機結合的抓取方案，當然其核心也是算法，最大優勢在于不依靠云或邊緣服務器，ATOS等三位掃描其實也是類似的應用，由于都是服務于特定的工作場景，所以目前只能作為AI落地的潛力股。 還有一類應用是視覺輔助設備，例如研華最近推出的SKY-642 GPU服務器，用到了英偉達的GPU，但這種產品不會限定于工業，通用行業也一樣可以使用，所以也不能為專門的工業應用作參考。 節點為王 數據共享 工業AI時代，企業的工業互聯網的能力會進一步放大，企業之間差距會因為數據量的多寡進一步拉大，誰的數據節點多，誰的優勢自然很大，每個節點不僅帶動了產品的迭代，甚至會影響產品的銷售。就在近期，西門子特別強調了自己在全球的安裝節點達到了1800萬，這樣的數字意味深長。類似手機終端的節點爭奪戰在工業互聯網時代可能會上演，AI好不好用直接對應采集節點夠不夠多。工業數據節點的爭奪遠遠沒達到手機那樣慘烈的程度，所以相對消費產業目前還是一片藍海。 此外，今年的達沃斯論壇上提出了另外一種呼聲，就是倡導工業數據共享，讓工業AI加速落地，目前看來這樣的想法還不太現實，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業前進的契機。 最后補充一點，本文沒說到仿真和數字化雙胞胎是因為仿真技術的好壞完全取決于廠商與上游企業的關系，上游給到的數據越多越詳細，仿真工具也就自然越強大，因此又會變回特定場景應用，那么AI學習的需求在這里也會變得較弱。 
[url=]0[/url] |
