既要互联又要智能，AI落地工业的思考

"

AI一出现即被作为先进科技的代表受到各界关注，工业界也认同AI作为未来技术发展的方向。然而AI如何落地工业？能不能为工业企业带来实际的价值？AI与工业的融合会遇到怎样的挑战？这些都是当下需要思考的问题。

工业AI与数字化并行

工业AI与通用AI本质上没有区别，其实就是设备的通讯，采集和计算能力达到一定的要求后，通过软件对这些能力进行整合后加以分析，对工业中出现的具体问题进行自动解决。

工业AI的落地与目前各企业推行的工业数字化并没有太多冲突，很多企业直接将AI当作数字化进程的一部分。笔者在近期与业内人士沟通中也发现，在探讨数据采集时就会聊到算法与分析，然后就直接下结论说产品用到了人工智能。目前，业内也没有明确规定，要求算法或数据量达到怎样的复杂程度才能算做是人工智能。专注于数值计算和系统工程建模的Mathworks给人工智能算法做了一个比较清晰的分类，分为深度学习，机器学习和增强学习三个类型，工业应用属于增强型学习，也就是已知特定目标，依靠算法进行自我优化，通过训练不断接近既定目标，其它的判断能力完全忽略。后面提到的能效管理和预测性维护基本都属于此类算法，工业图像AI前景依旧模糊。

能效管理、生产改善、预测性维护、视觉识别是目前工业AI落地的主要应用场景，这几个应用无疑都是算法和数据的密集区，表现形式大多以平台为主，工业自动化领域的大中型企业在近两年无一例外地在软件、云、通讯技术三大方面进行了大量投资，施耐德电气的AVEVA，EcoStruxure™ Energy Machine advisor，西门子的Mindsphere， ABB Ability™ EDCS，PTC的ThingWorx等，全都绕不过这几大应用，目的都是在实现设备全面互联后谋求降本增效的新方法，尽量剔除生产中的不确定因素，实现生产的可靠和可控。

A 类应用：能效管理与生产改善

从过去的算法到现在的AI，工业设备的核心模块并没有太多改变，通讯或者网联能力是提升最多的部分，但算力目前还远远不够拿来“挖矿”，所以大量的数据和AI算法都被植入到云和边缘服务器之中。这也造就了工业云和边缘服务器火爆的市场。

能效管理是工业AI应用中的上品，多以云平台的形式出现，通过上传采集到的能耗数据，加以比对分析，然后结合生产状况自动调节用电负荷，降低无谓的能源消耗，帮助工厂节约资金，此类应用可谓目前整个工业AI应用的黄金地带，未来会有相当多的视觉和传感产品向这个领域集成，辅助AI进行决策。对于用户而言，能效优化好处显而易见。

具体理由如下：

1.此类应用多以软件升级为主，即便添加边缘服务器或采集设备，升级改造也要相对容易。

2.投资回报率很高，以浩亭的“小盒子”数据采集设备MICA为例，很少的投入每个月就能换来10%的能耗节约，真金白银看得见。

3.多以捆绑式服务推进市场，大厂的电气类产品基本上都附带了此类服务，如ABB，施耐德电气的产品完成度都非常高，开关柜设备一般都捆绑能效管理服务，不仅提升产品的附加值，也能快速铺货。

当然也正是因为大厂布局，小厂在此类应用中会更弱势，虽然技术可能差别并不大，但会因为采集节点少，让AI在某些情况下看起来不那么智能，尽管大厂也在推行开放架构，但实际应用种还会遇到一些限制，单体产品性价比可以很高，但放到大系统里设备没有协同优势，这是很多技术型企业没能在IIOT领域爆发的原因，市场没做进去，产品一迭代甚至还会落后。

除了直接的配电管理，还有一些泛能效管理类应用，如Festo和安沃驰的气缸阀数字化解决方案，通过智能分析来控制气门的开合，来改善气缸的能效等。

生产改善和能效管理在这方面特点很类似，全天候数据收集，经过分析比对，然后采取不同的策略持续对生产效率进行改善，不同的是人工干预会稍大，此类应用需要厂商对目标行业的生产情况有深刻的理解，定制化需求也更强，所以AI的算法会分很多小品种，通用性会比能效管理稍弱一些，如罗克韦尔自动化的工业瘦客户端管理平台Thin manager™，和施耐德电气的Transware™透明工厂套件都属于此类。

B类应用 预测性维护

预测性维护很早就被提出，但在工业领域中一直不温不火。相比能效管理带来的实际收益，同样是以算法为核心的预测性维护的好处目前依旧很难评估，这也导致这个领域的进展稍慢一些。预测性维护必然会导致一定的投入，但这种投入的说服力没有能效管理那么强。

这里的主要问题在于，AI算法必须要比定期维护更加优秀，必须证明对算法的投入要比定期维护更节约，但是如果部件就是按照定期维护时间进行寿命设计，或者部件更换成本不是很敏感时，预测性维护的价值就会打折，而且和生产改进一样，方案公司必须对目标行业有足够的把握，否则在一些比较关键的工程中预测性维护看起来会相当冒险。

目前此类应用实践比较成功的都是面向价格昂贵的大型设备，这些庞然大物始终处在昂贵的更换费用和人命关天的作业环境之中，实时了解它们的运行状况和在最佳时机更换维护确实非常符合这些行业的需要。

页岩气开发专用车辆的能源存储设备，高速铁路列车的齿轮箱，风力发电机的轴承，这些昂贵且不容易更换的的设备才是预测性维护的真正发力市场。

这里要说明的是，预测性维护的提出很大程度上是针对工业机器人行业，发那科和思科合作开发的ZDT零宕机系统，安川电机的AI子公司AI Cube Inc开发的面向制造现场的预测维护方案等都曾红极一时，但随着工业机器人和机器人部件成本的大幅下降，工业机器人预测性维护的呼声变得很弱，国内机器人厂商由于与四大家族机器人在应用领域方面存在明显差异，所以预测性维护基本也都不去考虑。

C类市场 工业视觉与图像识别

通用AI在视觉领域与安防领域的确获得较快发展。据相关统计数据显示：2018年视觉占到了整个AI应用的22%，但工业应用占比非常少。之所以将视觉应用排到最后，也是因为工业读码和追溯目前技术已经很完善，AI不会有太大市场，但在缺陷检测，形貌测量，电力危险监测等场合还是会用到AI，这些领域的光学技术一般会涉及到结构光，激光，3D及红外热成像，但目前市场仍处在很初级的起步阶段。就目前工业视觉的发展状况来看，大家感兴趣的似乎是升级图像传感器，对AI并不感冒。一个比较好的现象是机器视觉厂商开始试图将FPGA或ASIC芯片嵌入到视觉系统中，进一步提升图像数据的搬运能力，这虽然是一个好现象，但成本敏感的工业视觉市场能否大规模落地还有待观察。

目前工业视觉中能归类到AI的基本上都是抓取类应用，如欧姆龙的Adept 机器人的抓取方案，图像识别算法在方案中所占权重很大，欧姆龙的优势也在于产品足够的全面，这样方案就能做到更好的优化，从收购迈斯肯也能看出欧姆龙有意强化这方面的优势，所以接下来工业界的并购会更频繁的发生。

其他视觉方案，包括传感融合式的视觉应用，如ISRA的激光与相机结合的抓取方案，当然其核心也是算法，最大优势在于不依靠云或边缘服务器，ATOS等三位扫描其实也是类似的应用，由于都是服务于特定的工作场景，所以目前只能作为AI落地的潜力股。

还有一类应用是视觉辅助设备，例如研华最近推出的SKY-642 GPU服务器，用到了英伟达的GPU，但这种产品不会限定于工业，通用行业也一样可以使用，所以也不能为专门的工业应用作参考。

节点为王 数据共享

工业AI时代，企业的工业互联网的能力会进一步放大，企业之间差距会因为数据量的多寡进一步拉大，谁的数据节点多，谁的优势自然很大，每个节点不仅带动了产品的迭代，甚至会影响产品的销售。就在近期，西门子特别强调了自己在全球的安装节点达到了1800万，这样的数字意味深长。类似手机终端的节点争夺战在工业互联网时代可能会上演，AI好不好用直接对应采集节点够不够多。工业数据节点的争夺远远没达到手机那样惨烈的程度，所以相对消费产业目前还是一片蓝海。

此外，今年的达沃斯论坛上提出了另外一种呼声，就是倡导工业数据共享，让工业AI加速落地，目前看来这样的想法还不太现实，但如果有比较好的分配方案，也许这种具有想象力的共享合作会成为再次推动产业前进的契机。

最后补充一点，本文没说到仿真和数字化双胞胎是因为仿真技术的好坏完全取决于厂商与上游企业的关系，上游给到的数据越多越详细，仿真工具也就自然越强大，因此又会变回特定场景应用，那么AI学习的需求在这里也会变得较弱。

来源：智能网

"

文章来源: https://www.toutiao.com/group/6718904950878896654/