|
今天，工业生产已经可以简化为底层的工业装备和上层的控制系统。不过，虽然控制系统能够保证自动化生产，但是自动化的生产还无法应对两种生产需求——个性化定制生产和柔性生产。 个性定制产品的生产要求底层的工业装备能够加工出不同的产品。目前自动化流程可以提前设置生产参数，部署自动化产线，实现“关灯工厂”。不过，这种自动化无法满足定制化和柔性生产的需要。如果产品需要新的工艺和流程，决策部门需要重新把指标变成工业参数，再由工程师落实控制系统的设置。 从这个角度看，当前的生产系统依然是人与信息物理系统融合的结果。在这样一个人机协作的系统中，人需要先从信息系统采集信息，然后根据自己的感知、认知和功能得到工况信息，最后在这些信息的基础上进行分析和决策。 然而，在自动化水平不断提升后，人的决策开始制约生产的发展。因为人很难感知到运行工况的动态变化，决策也容易受主观判断的影响。 因此，实现对个性化生产的自动化，要求工业装备和控制系统同时实现智能化。 机器将逐步进入决策层，将原有的管理系统变成人机合作的决策系统，让机器逐渐拥有感知、认知和决策的功能。人工智能（AI）的加入也会改变现在的企业结构——从原有的资源计划系统、制造执行系统和设备控制系统的三层结构简化为自主系统和人机决策优化系统两层结构。 不过，目前基于大数据的深度学习还很难应用于制造流程：多尺度和多元信息依然依赖人工获取；预报模型难以建立，预测依赖人工；决策和控制过程的集成也很困难。 当前，人工智能技术依然不足以支撑机器状态的判断，无法完全实现工况的预测和追溯。以AlphaGo为例，它之所以能强于人，是因为围棋有固定的规则。通过博弈建立精确的决策模型，就能一直训练到打败人类，也不必考虑能耗。 但是工业过程的决策截然不同，工况没有确定的决策和规则。工业过程也无法通过反复试错去建立模型，更何况工业过程的决策本身是多目标的。所以人工智能技术更容易解决大数据量下的小任务，但是工业决策却是小数据量下的复杂任务。 所以，人工智能在工业流程被寄望能实现的工作有三个。首先是对工况多元化信息的感知和认知；其次是能够协同经营层、生产层和运行层的决策；最后是以企业综合生产指标优化为目标，自动协同控制装备的控制系统。 对应人工智能在工业流程上有望完成的工作，仍有五个关键技术亟待解决：第一是关键技术复杂工业环境下运行工况多尺度、多元信息的智能感知和识别技术；第二是复杂工业环境下基于5G多元信息的快速可靠的传输技术；第三是系统辨识与深度学习相结合的智能建模、动态仿真和可视化的技术；第四是关键的工艺参数和生产指标的预测和追溯技术；第五是人机合作的智能优化决策技术。 人工智能在工业领域有广阔前景，其目的在于弥补人类在工业流程中决策和操作上的不足。随着工业自动化进程的不断推进，机器的工作逐渐延伸至原本人类完成的领域。目前，机器已经可以完成工业数据采集，也有相应的系统和应用可以实现数据分析和生产模型的构建。 |
|
|
