李傑：人工智慧與工業4.0在智能製造的應用

美國辛辛那提大學特聘講座教授, 美國白宮信息物理系統與美國挑戰項目顧問李傑，在2017中國大數據應用大會上，分享了對工業大數據，以及人工智慧怎麼改進工業大數據分析的見解。

至頂網CIO與應用頻道 07月20日 北京消息：在2017中國大數據應用大會上，美國辛辛那提大學特聘講座教授、美國白宮信息物理系統與美國挑戰項目顧問李傑，分享了對工業大數據，以及人工智慧怎麼改進工業大數據分析的見解。

工業大數據

我在美國產官學界工作了三十七年，IMS中心是2000年建立的， 目前全球有90多個企業夥伴，比如說像三菱電機、GE, 華為、中船、中車、三一重工等等。我們花了15年時間寫出來的這本《工業大數據》，以前根本沒有想過要寫這本書，很多企業說你把他它整理出來，所以這本書是2015年在中國通用電氣公司上海研發中心發佈表的，基本上把過去15年做的方法、思維邏輯可以傳承的東西留下來了，裡邊還有一些案例。《 從大數據到智能製造》 這本書講了很多智能製造的案例，比如半導體、汽車、發動機、機器人等都用最新的方法解決過去人還不能解決的問題。

《 CPS新一代工業智能》這本書是2017年新出版的，CPS就是未來的智能系統不停留在感測器或者軟體。它是一個管理系統，汽車跑的時候碰到一個坑，下次開這個路一公里前會告訴你這個路有一個坑，然後把這個再分享給別人，別的車就知道這條路有一個坑。比如說可以省很多油錢，開車氣壓不穩，你不知不覺每天就浪費五塊錢，一個月浪費一百五十塊錢，一年就浪費了一千多塊錢，那麼你完全不知道，這時CPS會告訴你。

現在我們在做的工業大數據，基本上是圍繞工業問題，污染、效率、質量、生產這些可見問題中找到不可見的問題。這些問題給了我們很多知識經驗，所以數據的做法就是把這些問題的原因和參考性找到，最後產生價值。工業大數據常常講一句話，就是」經驗」到」事實」的轉變，就是我可以把人的經驗變成可以用數學或者數據的結果來證明的事實。做產品的企業比較喜歡集中在產品上，也就是「蛋黃」，發動機起飛之後，很多的「蛋白」數據就出來了，「蛋白」數據可以拿來分析，可以找到飛機起飛、落地的原因，它和空氣濕度有關係，和風向有關係，所以從起飛、飛航、落地三個階段做歸類，是做維護還是做安全檢查，這樣就分開了，所以數據的分類、分割、分享等都可以做好。

2005年小松智能維護大數據，但是數據量太大，量大不是問題，重點是沒有把數據分類、分割, 分解，你要把數據先分類、分割、分解之後再傳出去做分析，不要所有的傳上去做梳理，這個很累的。所以我們利用蛋黃、蛋白觀念挖掘數據，所以我們把經驗累積起來。目前小松用無人機把工地建模起來，工地建模掃描之後，自動挖掘機一個晚上就把工地挖完了，這就是智能化。

輪胎也是如此，輪胎壓力不一樣，跑的時候也不一樣，怎麼調整就不知道，你一個月多花一百美金，一年多花一萬多美金，由此就可以知道哪一個輪胎不好，但是這是人根本做不到的事情，我們為什麼講這個東西？我們講工業大數據，就是要利用很多數據資源，我們可以用歷史數據，感測數據，然後再做分析方法，再找出他的原因做預防，這些是很重要的。以前是數據全部上傳，這個觀念也對，也不對，就看你做什麼行業，比如說蘋果手機數據要上雲這沒有什麼了不起，比但高鐵的數據一天一截車廂數據量的花費相當高。所以關於大數據有三個基礎，就是DT，PT，AT，DT叫做數據技術，PT叫做平台技術，AT叫分析技術。分析技術有兩個，一個是分析的工具，另一個是分析的工藝。工具好比廚房烹飪的工具，工藝是廚師要有的，我給你一條魚三個人三個不同的做法，三個不同的味道，所以工具可以開源，工藝不可能開源，因為他是工匠精神。 談到DT講的三個特性，接下來的三個「B」，第一個就是數據要分裂性。第二個「B」是數據的優劣性，第三個「B」是數據的背景性，很多行業數據量大但是都沒有背景，所以都不能用, 所以這方面工業大數據DT不是一般人都能夠做到的。

平台做出來讓每個人都能用，但是必須要處理數據，第一層就是看看怎麼收集數據，第二層就是數據到信息化內容轉變，第三層就是虛擬網路化內容管理，第四層是對問題的識別及決策，第五層是裝備的充組，它是一層一層的。比如很多數據不需要收集，直接在處理端就完成了，上雲之後沒有數據本質了，但是它有分析的價值，它本質不一樣，雲都處理好了。比如魚處理好了，我可以一魚三吃。所以這方面的技術你們都可以去做，但是它有一套系統哲學，咱們國內機會很多，都有很多小成功，小成功也創造了很多財富。在二十六年前我就說數據有一天可以經過一個學習軟體把它分類、分割、分解、分析，然後做分享。然後就會有一個晶元與軟體結合在不同工業應用包括飛機發動機測試，風電，高鐵，還有大的發電站，還有中國電信整個的傳輸，我們今天談的目的就是人工智慧怎麼改進工業大數據分析，這是我們今天要談的主題。

人工智慧怎麼改進工業大數據分析

人工智慧不能把數據智能化，但是可以把意義智能化，我在美國做的第一個人工智慧，是用郵政包裹分析它，就是自動化分包裹，自動化辨別地址，不需要人來操作。後來我們把這個軟體用在工業方面，我們學習軟體有監督式的、非監督式的，裡面有很多軟體可以用，目的就是把軟體工具變成讓人可以看得懂的意義。

舉一個例子，我們用SOM，一個分類學習的方法，它可以把很多數據一方面縮減，一方面分類、分割，如和辨別出來軸承是內環還是外環有問題，就和醫生聽心臟聲音一樣，他本人聽不出來，他要磁共振來辨別。所以我們可以經過這個分類找到。

CPS可以更智能化，更有管理性，CPS是實體系統和信息系統對稱的系統，比如車跑的時候有一個信息管理系統可以讓我們知道哪個地方風險最高，那個地方轉彎經常出車禍，我還沒有到，在一公里前就減速到30公里每小時，就可以保證安全 。

數據來源有很多種，數據的關係，數據的意義，所以海上風電，當我看到這個風速在變的時候角度不一樣了，所以可以根據這個把風速切割，發電量和風速、角度的關係，這個是人不可能知道的事情，當我知道以後就可以知道這個風電連續三個小時就在衰退，明天我就可以做一些事情。

動車也一樣，高鐵跑的時候直接就用建模分析，每個高鐵數據做分析了，我就知道哪一段路不穩，未來中車要做全世界的「一帶一路」規劃，光有數據是不行的，沒有支撐平台不行，高鐵軸承兩百公里/小時速度以下中國可以做，兩百公里/小時速度以上的中國不能做，現在要跑460公里一小時的速度，那這就需要技術來支撐它。

2005年我們和豐田一個壓縮機合作，這個壓縮機軸承一年壞幾次，它在跑的時候一定要壓縮，要有效率，它會產生共振，一共振軸承就坯了，這只需要三到五秒鐘時間，所以三秒鐘時間之內你要監測到馬上把能量釋放出去就可以解決了，所以我們當時就監測它的壓力特徵， 監測到閥門15微妙就能夠馬上打開。我們從12個參數中只用了四個最重要的參數，我們就用SVM做模型特徴分割。分割準不準會造成誤差，如果按照原來的情況會有誤差，但是如果分割線稍微小心一點，給你警示多一點絕對不會有故障。在過去十一年沒有故障過。

日產機器人健康監控，機器人每日自己做一個比較，我們不可能監控他，我根據運動點來做比較，做了比較之後建立一個檔案，和其他機器人做比較 。所以不需要他是誰，不需要監控，就是不需要數據量，但是需要它的差異化和特性。我們在加拿大廠做了實際生產，去年10月20號很快抓到兩個機器人在變化，三天前就知道會故障了。

中國並不是把過剩的東西送去「一帶一路」沿線國家，早期是因為東西做得很多，過剩了，水缸滿了，挖一條溝讓水出去，這叫「一帶一路」，其實並不是這樣，所以要把系統工程帶出去。智慧海洋我們與中國船舶合作，對海洋里 風浪，天氣， 利用智能化建模讓船能夠省油。 這種就是「」蛋黃+蛋白「」服務，讓全世界的船都省油了，顧客會很高興的交給你管。

現在我們開發的很多電訊感測器，所以我們開發了皮膚感測器，直接貼在皮膚上，你的皮膚一動我就知道力度大不大，比如腿痛，所以可以根據這個算出 肌肉受傷的問題與運動員是否過度。

結論，大數據要是事實，是效益。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！