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

人工智能、深度學習、邊緣計算、數(shù)字孿生、Factory 2.0……熱詞頻現(xiàn)，數(shù)字化技術與各行業(yè)的交匯將產(chǎn)生什么化學反應？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)驗結合才能最大程度發(fā)揮效能，工業(yè)領域的人工智能更是如此。工業(yè)生產(chǎn)往往由機械-電氣-工藝構成復雜系統(tǒng)，變量多、系統(tǒng)機理復雜相互影響。因此，如何將人工智能的算法與模型和工業(yè)現(xiàn)場的應用場景相結合，這個需求本身就是一項創(chuàng)新。如何通過簡單方法解決現(xiàn)實問題也是評估創(chuàng)新性的關鍵一環(huán)。機器學習作為人工智能最為重要的內容之一，是解決工業(yè)問題的有效方法。

當很貴的「單晶硅」

遇上很累的「多線切割機」

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)過層壓敷設等組裝工序成為光伏組件，提供電力供應能力。

多線切割機是生產(chǎn)晶硅電池最為重要的設備，每天都處于連續(xù)工作狀態(tài)，屬于負荷非常重的生產(chǎn)設備，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)品質量。眾所周知，單晶硅棒材價格昂貴，因此如何提高多線切割機的健康預測至關重要。在生產(chǎn)切割過程中，若因為機器故障導致切割出廢品，那么硅棒損耗、停機及人工成本帶來的損失將非常高。

多線切割機機械結構簡圖

青島高測科技股份有限公司（以下簡稱高測）是國內領先的光伏設備制造商，在過去數(shù)年里發(fā)展迅速，裝機量大幅提升。為了更好地提升用戶體驗與服務效率，高測在原有基于狀態(tài)監(jiān)測的維護之上開發(fā)了基于機器學習的預測性維護模型。

「預測性維護」

挑戰(zhàn)重重

預測性維護并非是一種全新的設備維護解決方法，在過去的數(shù)十年里，它已經(jīng)被應用于航空發(fā)動機、大型鼓風機等諸多領域。

由于采用專用的分析模型，這些預測性維護往往需要對機械失效模型進行深入的研究，而且通常需要配備非常專業(yè)的維護人員。維護航空發(fā)動機這樣的重值設備，尚可以承受高昂的維護價格；但對工業(yè)裝備而言，這個方法往往經(jīng)濟性不足，并且航空發(fā)動機領域的相關知識不易于移植到其它行業(yè)，每個垂直的領域都有非常特殊的工況以及系統(tǒng)運行機制。

「數(shù)字驅動」

為設備提供穩(wěn)定保障

數(shù)字驅動的機器學習的不斷發(fā)展，讓不依賴于機器固有復雜建?；A上的預測性維護成為可能，通過數(shù)據(jù)分析對潛在風險進行評估和預測，為設備提供穩(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的強大計算能力、PLC實時控制能力和Windows豐富的HMI開發(fā)能力融為一體。因為具有開放的算法支持能力，該系統(tǒng)僅需在現(xiàn)有硬件和軟件平臺基礎上進行機器學習算法設計，而無需額外配置一套專用的機器學習系統(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檢測，四個驅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

/自定義的算法/

非監(jiān)督式學習的經(jīng)典算法經(jīng)實驗無法滿足該應用場景的需求，因此工程師們需要自定義一種非監(jiān)督式學習算法，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器學習算法。

工程師們選擇了基于特征提取的非監(jiān)督學習模式來開展學習過程。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，構建了溫度相關特征提取的策略。這是機器學習算法設計的重要一環(huán)，即必須確保數(shù)據(jù)的有效性和內在關聯(lián)性。

在此基礎上，對這些參數(shù)進行了適當?shù)乃惴ㄌ幚?，并獲得溫度殘差，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)進行基于以下三個目標參數(shù)的學習，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)的學習（超過20GB數(shù)據(jù)），以獲取W, α, β的最優(yōu)組合。

衡量系統(tǒng)效果的關鍵指標在于“檢出率”與“誤報率”，這兩個參數(shù)通常成對出現(xiàn)。在設計算法時，追求檢出率則會導致閾值設置比較低，誤報率就會提高，因此需要通過設置合適的閾值以尋求最優(yōu)的故障預測。通過在15臺機器上數(shù)千刀的裁切過程，在檢出率90%的情況下，預測性維護系統(tǒng)僅有0.2%的誤報率，達到了超預期的學習效果和非常高的投資回報率。

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到極高的預測效果，充分體現(xiàn)了人的智慧與機器的學習完美結合。

▲理論解析▲

Gartner的分析師Carlton在2017年對機器學習架構進行了闡述。簡單的說，機器學習正如下圖所示，通過輸入數(shù)據(jù)，由學習系統(tǒng)對數(shù)據(jù)進行處理，并達到數(shù)據(jù)輸出。這里不同的數(shù)據(jù)包括結構性和非結構性數(shù)據(jù)。考慮到現(xiàn)實數(shù)據(jù)源的復雜性，需要對數(shù)據(jù)進行預處理，進入的數(shù)據(jù)才可以被學習系統(tǒng)識別。學習系統(tǒng)會借助各種不同的監(jiān)督或非監(jiān)督學習算法來處理數(shù)據(jù)，并生成各種應用結果，例如預測、分類等應用。

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

因此，機器學習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”。

機器學習包括了監(jiān)督學習、非監(jiān)督式學習和強化學習。監(jiān)督式機器學習主要任務通過機器學習模型和已有信息，對感興趣的變量進行預測，或者對相關對象進行分類。常用的監(jiān)督式機器學習有隨機梯度、樸素貝葉斯、支持向量機、神經(jīng)網(wǎng)絡、決策樹等。非監(jiān)督式學習是在沒有先驗知識或信息缺乏的情況下，對數(shù)據(jù)集的規(guī)則進行自學習，主要應用是聚類，主要算法包括K-means、近鄰算法、高斯混合模型等。強化學習旨在通過對實際事件得到觀察得到行為優(yōu)化的結論，目前強化學習暫時主要停留在學院派研究中。

未來工業(yè)應用場景分析

預測性維護

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

機器視覺

示例主要涉及機器人技術（拾取，放置和分揀）領域，在其他一些專業(yè)驗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。

視覺分析是機器學習常用場景（圖片來自網(wǎng)絡）

機器視覺是最為普遍的工業(yè)檢測應用，可以通過視覺系統(tǒng)對生產(chǎn)線的加工對象進行檢測。相較于傳統(tǒng)的依靠人工經(jīng)驗長期積累的機器視覺方案而言，采用機器學習方法可以通過學習構建對產(chǎn)品的分類、定位、識別、缺陷分析等應用場景更為靈活、適應更廣且更為經(jīng)濟的方案，并且通過與控制系統(tǒng)的通信也可以實現(xiàn)視覺與機器運動、邏輯的同步。

設備預測性維護相關的振動傳感器信息

視覺缺陷監(jiān)測的學習與預測

生產(chǎn)質量影響因素分析

優(yōu)化

優(yōu)化的目的在于提高控制質量如響應速度與精度。機器學習可以消除人類專家微調模型參數(shù)（機器動力學，風力渦輪機定向，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。應用程序可應用于任何區(qū)域，由于需要與機器進行有效的交互，因此需注意安全限制。

控制

控制是目前大部分研究所關注的一個復雜領域，其目標是讓機器學習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雜過程（例如電網(wǎng)管理，供應鏈，化工廠等）可以嘗試這種方法。

當然，就目前階段而言，機器學習必須與人的智慧和知識進行緊密結合，才能更好地發(fā)揮效果。