大咖暢聊工業AI前沿技術：增強人，取代人？

文 | 夏一哲

責編 | 余欣婷

與產界更關注AI落地和應用不同，大眾更樂於討論人工智慧是否會取代人，甚至徹底淘汰一些工作和職業，工廠里的勞工更是首當其衝。不管人工智慧可以實現什麼功能，技術落地需要多久，學界依然在努力實現AI的終極目標——「讓機器更像人」。

8月30日， 2019全球工業智能峰會在上海舉行，本次峰會由世界人工智慧大會組委會主辦，上海市經濟和信息化委員會、江蘇省工業和信息化廳、浙江省經濟和信息化廳、安徽省經濟和信息化廳、中國信息通信研究院、工業互聯網產業聯盟（AII）、聯合國工業發展組織上海投資促進中心、日本工業價值鏈促進會等聯合承辦。

在開幕式的嘉賓報告環節，中國工程院院士、北京化工大學教授高金吉介紹了脫胎於「人類自愈」的「人工自愈」，目的是減少工業流程中40%由人為失誤造成的機器故障，讓強大的智能控制能保證機器運行在「健康」的狀態；中國工程院院士、東北大學教授柴天佑則希望通過人工智慧讓機器進入決策層，彌補人類在收集、分析信息和決策上的不足。

僅從主題上看，不止是產線上的工人要擔心被機器人取代，工廠的檢修員和工程師都要開始考慮失業問題了。

高金吉：類比人類自愈能力，機器裝備也要能自主健康

人工自愈類比自人類的自愈能力，是機器狀態檢測由數據採集、數據分析、決策判斷到自我解決故障發展進程中的最後一環。人工智慧也將由「腦」到「手」，從思考判斷發展到操作。

機器故障一直是工業生產的難點和痛點。在以往的生產環節中，一旦機器發生故障，輕則被動停機，產生經濟損失；重則發生事故，甚至機毀人亡。

長期以來，生產企業對於機械故障的處理也相對「簡單粗暴」。一旦設備報錯，先採用緊急停車系統停止生產流程，再通過人工排查、檢修的方式解決問題，耗時耗力，效率極低，還有可能引發安全事故。

根據統計，在石化生產事故中，來源於機器的故障佔40%，人為失誤和工藝分別佔40%和20%。所以如何提升機器運行狀態檢測，並且逐步降低設備對人工的依賴就成為重要課題。

在AI技術沒興起之前，工況監測的重心主要在數據採集上。中國工程院院士、北京化工大學教授高金吉以自己的工作經歷作為參考，他從1979年開展狀態監測故障診斷工作，直到1987年才從美國引進一台監測系統，當時美國的技術也僅支持模擬量，不支持數字量。

直到1991年，高金吉所在的團隊才開始研發國內一套區域網監測系統，不過電路板依然需要從國外引進。2001年，監測系統才通過互聯網支持異地監測。直到2005年，高教授的團隊才開始自主研發電路板。儘管他們的產品已經支持10類56種機械故障的診斷，但依然是人機對話，系統不能讓機器自主制動。

又經過十幾年的發展，高教授團隊通過統計關鍵機組、透明壓縮機組2700多個案例以及監測系統內原有的1萬多個案例，才逐步使故障診斷準確率達到90%。但是，系統依然是機械的，單個指標超過範圍就會控制設備停車。

人工智慧技術所帶來的第一個變革，就是能讓監測智能化，讓系統判斷不同指標的間的相互關係，從而能從指標中判斷問題的來源和嚴重程度，為操作者的決策提供依據。

「機器自愈」是智能運維更進一步的AI進展，意味著機器不只能完成數據獲取、信息認知和科學決策，最終還可以精準執行。機器將不止有自主判斷的能力，而且能夠逐步實現維護機器健康運轉的工作。

高金吉教授介紹說，醫學上來講保持健康的根本點不在於宏觀的穩定狀態，而在於調節控制和建立保持這種狀態的機制。和大眾所理解的細胞繁殖產生的生物自愈不同，機器自愈首先是通過強力有效的調控使它不發生故障。

與人工智慧類似，人工自愈也是研究由人到物的科學，目的是賦予機器自發作用的維持健康狀態的能力。所以人工自愈系統應該包括自修復、代償、自保護和故障防止四個功能。

對於人工自愈的前景，高金吉教授非常自信。首先，相比於自然製造、有300萬年曆史的人類來說，在沒有醫藥誕生前的漫長時代都是依靠純粹的生物自愈能力；只有200多年歷史的機器的智能化已經實現了自動診斷，因此還有很長時間去值得期待。

此外，不管是自動化、智能化還是自愈化，理論的提出都是落後於實際發展的，有關自愈化的理論直到2003年才提出。通過測試工況，自愈調控在故障中自主排查故障原因，並通過反作用抵消故障產生的條件和原因，是對原有機器反饋理論的發展和革新。

「人工自愈改變傳統理論、創新設計，讓未來的機器裝備和製造系統，乃至所有的人造物系統自主健康，助力於下一輪工業革命，邁進自愈化時代。」高金吉教授總結說。

柴天佑：製造流程智能化讓機器進入決策層

工業生產可以簡化為底層的工業裝備和上層的控制系統。控制系統能夠保證自動化生產，但是自動化的生產無法應對兩種生產需求。

首先是個性定製產品的生產，要求底層的工業裝備能夠加工出不同的產品。此時，不僅是工業裝備還是控制系統都需要智能化。

目前自動化流程可以提前設置生產參數，部署自動化產線，實現「關燈工廠」。不過，這種自動化無法滿足定製化和柔性生產的需要。如果產品需要新的工藝和流程，決策部門需要重新把指標變成工業參數，再由工程師落實控制系統的設置。

當前的生產系統依然是人與信息物理系統融合的結果。在這樣一個人機協作的系統中，人需要先從信息系統採集信息，然後根據自己的感知、認知和功能得到工況信息，最後在這些信息的基礎上進行分析和決策。

在自動化水平不斷提升後，人的決策就開始制約生產的發展。因為人很難感知到運行工況的動態變化，決策也容易受主觀判斷的影響。

因此，機器就將逐步進入決策層，將原有的管理系統變成人機合作的決策系統，讓機器逐漸擁有感知、認知和決策的功能。柴教授同時認為，AI的加入也會改變現在的企業結構——從原有的資源計劃系統、製造執行系統和設備控制系統的三層結構簡化為自主系統和人機決策優化系統兩側結構。

不過，目前基於大數據的深度學習還很難應用於製造流程：多尺度和多元信息依然依賴人工獲取；預報模型難以建立，預測依賴人工；決策和控制過程的集成也很困難。

人工智慧技術依然不足以支撐機器狀態的判斷，無法完全實現工況的預測和追溯。以AlphaGo為例，它之所以能強於人，是因為圍棋有固定的規則。通過博弈建立精確的決策模型，就能一直訓練到打敗人類，也不用考慮能耗。

但是工業過程的決策截然不同，工況沒有確定的決策和規則。工業過程也無法通過反覆試錯去建立模型，更何況工業過程的決策本身是多目標的。所以人工智慧技術更容易解決大數據量下的小任務，但是工業決策卻是小數據量下的複雜任務。

所以，人工智慧在工業流程被寄望能實現的工作有三個。首先是對工況多元化信息的感知和認知；其次是能夠協同經營層、生產層和運行層的決策；最後是以企業綜合生產指標優化為目標，自動協同控制裝備的控制系統。

對應人工智慧在工業流程上有望完成的工作，柴教授認為仍有五個關鍵技術亟待解決：

第一個關鍵技術複雜工業環境下運行工況多尺度、多元信息的智能感知和識別技術；

第二個複雜工業環境下基於5G多元信息的快速可靠的傳輸技術；

第三個系統辨識與深度學習相結合的智能建模、動態模擬和可視化的技術；

第四個關鍵的工藝參數和生產指標的預測和追溯技術；

第五個人機合作的智能優化決策技術。

兩位院士的報告凸顯了人工智慧在工業領域的廣闊前景，而人工智慧的應用的目的也的確是在彌補人類在工業流程中決策和操作上的不足。

隨著工業自動化進程的不斷推進，機器的工作逐漸延伸原本人類完成的領域。目前，機器已經可以完成工業數據採集，也有相應的系統和應用可以實現數據分析和生產模型的構建。

但是，目前的人工智慧依然是一個輔助決策的角色，主要功能還是為人的決策提供更全面、客觀的信息。討論取代人的話題，還為時尚早。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！