顛覆性創(chuàng)新技術(shù)不但是投資者追逐的風(fēng)口，更是實(shí)業(yè)者努力創(chuàng)造的現(xiàn)實(shí)。走過130年創(chuàng)新路，ABB繼續(xù)在數(shù)字化浪潮中御風(fēng)而行，通過自有實(shí)驗(yàn)室實(shí)現(xiàn)了眾多技術(shù)突破，同時(shí)攜手新興科技領(lǐng)域全球翹楚，致力于開放式創(chuàng)新。

人工智能、深度學(xué)習(xí)、邊緣計(jì)算、數(shù)字孿生、Factory 2.0……熱詞頻現(xiàn)，數(shù)字化技術(shù)與各行業(yè)的交匯將產(chǎn)生什么化學(xué)反應(yīng)？數(shù)據(jù)與算法將如何賦能新制造，重新定義未來工廠？近期，我們將集中介紹ABB最新的科研成果和應(yīng)用案例，跟我們一起來探尋這些熱詞背后的真相吧！

今天，人工智能已然成為智能制造、工業(yè)互聯(lián)網(wǎng)大潮中的熱門話題，人們賦予了人工智能非常多的期望。然而，人工智能必須要與人的經(jīng)驗(yàn)結(jié)合才能最大程度發(fā)揮效能，工業(yè)領(lǐng)域的人工智能更是如此。工業(yè)生產(chǎn)往往由機(jī)械-電氣-工藝構(gòu)成復(fù)雜系統(tǒng)，變量多、系統(tǒng)機(jī)理復(fù)雜相互影響。因此，如何將人工智能的算法與模型和工業(yè)現(xiàn)場的應(yīng)用場景相結(jié)合，這個需求本身就是一項(xiàng)創(chuàng)新。如何通過簡單方法解決現(xiàn)實(shí)問題也是評估創(chuàng)新性的關(guān)鍵一環(huán)。機(jī)器學(xué)習(xí)作為人工智能最為重要的內(nèi)容之一，是解決工業(yè)問題的有效方法。

當(dāng)很貴的「單晶硅」

遇上很累的「多線切割機(jī)」

中國是全球最大的晶硅電池組件制造國。

單晶硅電池在長晶、切方后會進(jìn)入切片工序。在這個工序里：放線輪的鋼絲線會經(jīng)過四個軸繞線（超過3000圈）然后被牽出，經(jīng)過切方的晶棒會被放于其上；隨后，通過在鋼絲線上加載石英砂研磨材料將晶棒切為單片的晶片，然后通過后道的清洗、制絨、刻蝕、減反射膜（PECVD）等工序，并經(jīng)過層壓敷設(shè)等組裝工序成為光伏組件，提供電力供應(yīng)能力。

多線切割機(jī)是生產(chǎn)晶硅電池最為重要的設(shè)備，每天都處于連續(xù)工作狀態(tài)，屬于負(fù)荷非常重的生產(chǎn)設(shè)備，它的穩(wěn)定性及可靠性會直接影響到工廠的產(chǎn)能和產(chǎn)品質(zhì)量。眾所周知，單晶硅棒材價(jià)格昂貴，因此如何提高多線切割機(jī)的健康預(yù)測至關(guān)重要。在生產(chǎn)切割過程中，若因?yàn)闄C(jī)器故障導(dǎo)致切割出廢品，那么硅棒損耗、停機(jī)及人工成本帶來的損失將非常高。

多線切割機(jī)機(jī)械結(jié)構(gòu)簡圖

青島高測科技股份有限公司（以下簡稱高測）是國內(nèi)領(lǐng)先的光伏設(shè)備制造商，在過去數(shù)年里發(fā)展迅速，裝機(jī)量大幅提升。為了更好地提升用戶體驗(yàn)與服務(wù)效率，高測在原有基于狀態(tài)監(jiān)測的維護(hù)之上開發(fā)了基于機(jī)器學(xué)習(xí)的預(yù)測性維護(hù)模型。

「預(yù)測性維護(hù)」

挑戰(zhàn)重重

預(yù)測性維護(hù)并非是一種全新的設(shè)備維護(hù)解決方法，在過去的數(shù)十年里，它已經(jīng)被應(yīng)用于航空發(fā)動機(jī)、大型鼓風(fēng)機(jī)等諸多領(lǐng)域。

由于采用專用的分析模型，這些預(yù)測性維護(hù)往往需要對機(jī)械失效模型進(jìn)行深入的研究，而且通常需要配備非常專業(yè)的維護(hù)人員。維護(hù)航空發(fā)動機(jī)這樣的重值設(shè)備，尚可以承受高昂的維護(hù)價(jià)格；但對工業(yè)裝備而言，這個方法往往經(jīng)濟(jì)性不足，并且航空發(fā)動機(jī)領(lǐng)域的相關(guān)知識不易于移植到其它行業(yè)，每個垂直的領(lǐng)域都有非常特殊的工況以及系統(tǒng)運(yùn)行機(jī)制。

「數(shù)字驅(qū)動」

為設(shè)備提供穩(wěn)定保障

數(shù)字驅(qū)動的機(jī)器學(xué)習(xí)的不斷發(fā)展，讓不依賴于機(jī)器固有復(fù)雜建?；A(chǔ)上的預(yù)測性維護(hù)成為可能，通過數(shù)據(jù)分析對潛在風(fēng)險(xiǎn)進(jìn)行評估和預(yù)測，為設(shè)備提供穩(wěn)定可靠的保障。

/無需額外硬件支持/

高測多線切割系統(tǒng)采用貝加萊的Panel PC作為控制系統(tǒng)。Panel PC是一款集成控制系統(tǒng)，可以將PC的強(qiáng)大計(jì)算能力、PLC實(shí)時(shí)控制能力和Windows豐富的HMI開發(fā)能力融為一體。因?yàn)榫哂虚_放的算法支持能力，該系統(tǒng)僅需在現(xiàn)有硬件和軟件平臺基礎(chǔ)上進(jìn)行機(jī)器學(xué)習(xí)算法設(shè)計(jì)，而無需額外配置一套專用的機(jī)器學(xué)習(xí)系統(tǒng)或其它類似AI加速器等硬件。原系統(tǒng)本身就提供了對牽引軸的溫度點(diǎn)檢測，四個驅(qū)動軸分別配有溫度檢測模塊提供采樣輸入。

多線切割系統(tǒng)軟硬件配置架構(gòu)

/自定義的算法/

非監(jiān)督式學(xué)習(xí)的經(jīng)典算法經(jīng)實(shí)驗(yàn)無法滿足該應(yīng)用場景的需求，因此工程師們需要自定義一種非監(jiān)督式學(xué)習(xí)算法，更有針對性地解決該系統(tǒng)問題。得益于Automation Studio平臺的開放能力，工程師們可以自定義機(jī)器學(xué)習(xí)算法。

工程師們選擇了基于特征提取的非監(jiān)督學(xué)習(xí)模式來開展學(xué)習(xí)過程。在這個系統(tǒng)中，工程師們在眾多的參數(shù)中（包括電流、電壓、溫度、速度、位置）中選擇了4個軸承溫度作為測量點(diǎn)，構(gòu)建了溫度相關(guān)特征提取的策略。這是機(jī)器學(xué)習(xí)算法設(shè)計(jì)的重要一環(huán)，即必須確保數(shù)據(jù)的有效性和內(nèi)在關(guān)聯(lián)性。

在此基礎(chǔ)上，對這些參數(shù)進(jìn)行了適當(dāng)?shù)乃惴ㄌ幚恚@得溫度殘差，即，溫度的斜率 -均值（斜率的均值）得到殘差，然后系統(tǒng)對殘差數(shù)據(jù)進(jìn)行基于以下三個目標(biāo)參數(shù)的學(xué)習(xí)，尋找其最優(yōu)值：

1.檢測滑動窗口:W（秒）

2.發(fā)散水平閾值: α

3.比例閾值：β

通過大量數(shù)據(jù)的學(xué)習(xí)（超過20GB數(shù)據(jù)），以獲取W, α, β的最優(yōu)組合。

衡量系統(tǒng)效果的關(guān)鍵指標(biāo)在于“檢出率”與“誤報(bào)率”，這兩個參數(shù)通常成對出現(xiàn)。在設(shè)計(jì)算法時(shí)，追求檢出率則會導(dǎo)致閾值設(shè)置比較低，誤報(bào)率就會提高，因此需要通過設(shè)置合適的閾值以尋求最優(yōu)的故障預(yù)測。通過在15臺機(jī)器上數(shù)千刀的裁切過程，在檢出率90%的情況下，預(yù)測性維護(hù)系統(tǒng)僅有0.2%的誤報(bào)率，達(dá)到了超預(yù)期的學(xué)習(xí)效果和非常高的投資回報(bào)率。

創(chuàng)新就是要在最小投入下獲得最大產(chǎn)出。該系統(tǒng)無需額外硬件資源投入而達(dá)到極高的預(yù)測效果，充分體現(xiàn)了人的智慧與機(jī)器的學(xué)習(xí)完美結(jié)合。

▲理論解析▲

Gartner的分析師Carlton在2017年對機(jī)器學(xué)習(xí)架構(gòu)進(jìn)行了闡述。簡單的說，機(jī)器學(xué)習(xí)正如下圖所示，通過輸入數(shù)據(jù)，由學(xué)習(xí)系統(tǒng)對數(shù)據(jù)進(jìn)行處理，并達(dá)到數(shù)據(jù)輸出。這里不同的數(shù)據(jù)包括結(jié)構(gòu)性和非結(jié)構(gòu)性數(shù)據(jù)?？紤]到現(xiàn)實(shí)數(shù)據(jù)源的復(fù)雜性，需要對數(shù)據(jù)進(jìn)行預(yù)處理，進(jìn)入的數(shù)據(jù)才可以被學(xué)習(xí)系統(tǒng)識別。學(xué)習(xí)系統(tǒng)會借助各種不同的監(jiān)督或非監(jiān)督學(xué)習(xí)算法來處理數(shù)據(jù)，并生成各種應(yīng)用結(jié)果，例如預(yù)測、分類等應(yīng)用。

機(jī)器學(xué)習(xí)就其原理而言，并非想象中那么高深。機(jī)器學(xué)習(xí)要解決的是一種較為“確定”的應(yīng)用，但是對于很多機(jī)器的控制工藝而言，往往更依賴于人的經(jīng)驗(yàn)，而人的經(jīng)驗(yàn)差別較大且不確定性較高。另外，人的經(jīng)驗(yàn)在遇到新的工藝時(shí)候也需要學(xué)習(xí)和驗(yàn)證。機(jī)器學(xué)習(xí)試圖建立一種適應(yīng)變化的能力，讓不同工況下的控制實(shí)現(xiàn)工藝最優(yōu)化。

因此，機(jī)器學(xué)習(xí)在某種意義上來說就是“授人以漁”，而傳統(tǒng)模型則是“授人以魚”。

機(jī)器學(xué)習(xí)包括了監(jiān)督學(xué)習(xí)、非監(jiān)督式學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。監(jiān)督式機(jī)器學(xué)習(xí)主要任務(wù)通過機(jī)器學(xué)習(xí)模型和已有信息，對感興趣的變量進(jìn)行預(yù)測，或者對相關(guān)對象進(jìn)行分類。常用的監(jiān)督式機(jī)器學(xué)習(xí)有隨機(jī)梯度、樸素貝葉斯、支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、決策樹等。非監(jiān)督式學(xué)習(xí)是在沒有先驗(yàn)知識或信息缺乏的情況下，對數(shù)據(jù)集的規(guī)則進(jìn)行自學(xué)習(xí)，主要應(yīng)用是聚類，主要算法包括K-means、近鄰算法、高斯混合模型等。強(qiáng)化學(xué)習(xí)旨在通過對實(shí)際事件得到觀察得到行為優(yōu)化的結(jié)論，目前強(qiáng)化學(xué)習(xí)暫時(shí)主要停留在學(xué)院派研究中。

未來工業(yè)應(yīng)用場景分析

預(yù)測性維護(hù)

通過數(shù)據(jù)（溫度，流量，電流，加速度等）監(jiān)測過程并預(yù)測其預(yù)期行為的區(qū)域，以檢測設(shè)備故障或生產(chǎn)錯誤。在傳統(tǒng)應(yīng)用中，我們使用固定閾值，并在物理值超過閾值時(shí)生成警報(bào)，這種方法需要非常專業(yè)的機(jī)械模型和失效分析，并對人員專業(yè)度要求極高。而通過數(shù)據(jù)驅(qū)動的機(jī)器學(xué)習(xí)方法，可以通過大量的數(shù)據(jù)采集和學(xué)習(xí)來實(shí)現(xiàn)對故障的預(yù)測，在對機(jī)器造成不可逆轉(zhuǎn)損壞或重大生產(chǎn)損失之前更好地識別潛在故障。實(shí)際應(yīng)用可以是非常通用的：從注塑機(jī)到風(fēng)力發(fā)電機(jī)組到過程自動化。

機(jī)器視覺

示例主要涉及機(jī)器人技術(shù)（拾取，放置和分揀）領(lǐng)域，在其他一些專業(yè)驗(yàn)證和測量過程中也是如此，目前的視覺算法還無法輕易解決這些問題。

視覺分析是機(jī)器學(xué)習(xí)常用場景（圖片來自網(wǎng)絡(luò)）

機(jī)器視覺是最為普遍的工業(yè)檢測應(yīng)用，可以通過視覺系統(tǒng)對生產(chǎn)線的加工對象進(jìn)行檢測。相較于傳統(tǒng)的依靠人工經(jīng)驗(yàn)長期積累的機(jī)器視覺方案而言，采用機(jī)器學(xué)習(xí)方法可以通過學(xué)習(xí)構(gòu)建對產(chǎn)品的分類、定位、識別、缺陷分析等應(yīng)用場景更為靈活、適應(yīng)更廣且更為經(jīng)濟(jì)的方案，并且通過與控制系統(tǒng)的通信也可以實(shí)現(xiàn)視覺與機(jī)器運(yùn)動、邏輯的同步。

設(shè)備預(yù)測性維護(hù)相關(guān)的振動傳感器信息

視覺缺陷監(jiān)測的學(xué)習(xí)與預(yù)測

生產(chǎn)質(zhì)量影響因素分析

優(yōu)化

優(yōu)化的目的在于提高控制質(zhì)量如響應(yīng)速度與精度。機(jī)器學(xué)習(xí)可以消除人類專家微調(diào)模型參數(shù)（機(jī)器動力學(xué)，風(fēng)力渦輪機(jī)定向，卷筒張力）的需要，以便最大化獎勵：輸出生產(chǎn)、過程精度、功率提升。應(yīng)用程序可應(yīng)用于任何區(qū)域，由于需要與機(jī)器進(jìn)行有效的交互，因此需注意安全限制。

控制

控制是目前大部分研究所關(guān)注的一個復(fù)雜領(lǐng)域，其目標(biāo)是讓機(jī)器學(xué)習(xí)算法在沒有任何先前知識的情況發(fā)現(xiàn)流程的控制策略。涉及許多變量并且沒有可用分析解決方案的復(fù)雜過程（例如電網(wǎng)管理，供應(yīng)鏈，化工廠等）可以嘗試這種方法。

當(dāng)然，就目前階段而言，機(jī)器學(xué)習(xí)必須與人的智慧和知識進(jìn)行緊密結(jié)合，才能更好地發(fā)揮效果。