最近白宮關于人工智能（AI）的報告（Lee，2016）強調(diào)了人工智能的重要性以及需要在該領域制定明確的路線圖和戰(zhàn)略投資的必要性。當AI由科幻成為改變世界的前沿技術時，我們迫切需要系統(tǒng)性的去開發(fā)和部署AI，以便了解它在工業(yè) 4.0 這個下一世代工業(yè)系統(tǒng)中的真實價值。在 Lee 等 (2015) 提出的5C架構之下，本文深入的解釋了AI技術的現(xiàn)狀以及人工智能在工業(yè)應用發(fā)揮作用時所需的生態(tài)系統(tǒng)。

一工業(yè)人工智能簡介

人工智能（AI）是一門認知科學，涵蓋了圖像處理、自然語音處理、機器人、機器學習等領域的豐厚研究。機器學習和人工智能傳統(tǒng)上被認為是黑科技，往往缺乏有利的證據(jù)可以證明這些技術可以重復并始終如一的發(fā)揮作用使企業(yè)獲得投資回報。機器學習算法的功能仍然高度依賴開發(fā)人員的經(jīng)驗和偏好，因此使得AI 在工業(yè)應用中的成功受到限制。換個角度來看，工業(yè)AI 是一門嚴謹?shù)南到y(tǒng)科學，它專注于開發(fā)、驗證和部署各種不同的機器學習算法以實現(xiàn)具備可持續(xù)性能的工業(yè)應用。工業(yè)人工智能作為一種系統(tǒng)化的方法和規(guī)則為工業(yè)應用提供解決方案，工業(yè)人工智能并且也是將學術界研究AI 的成果與工業(yè)應用連接起來的橋梁。

AI 驅(qū)動的自動化尚未能對生產(chǎn)力的增長產(chǎn)生可量化的重大影響【1】。現(xiàn)今行業(yè)，除了面臨市場需求和競爭的新挑戰(zhàn)，它們尚需要一個被稱為工業(yè)4.0的激進變革，AI與工業(yè)物聯(lián)網(wǎng)（IIoT）【3】、大數(shù)據(jù)分析【4 - 6】、云計算【7 - 9】和信息物理系統(tǒng)【2, 10 - 11】的集成將使工業(yè)以靈活、高效和節(jié)能的方式運作。由于工業(yè)人工智能還處于起步階段，必須明確其結(jié)構、方法和挑戰(zhàn)以作為其在工業(yè)實施中的框架。為此，我們設計了工業(yè)人工智能的生態(tài)系統(tǒng)，它涵蓋這一領域的基本要素并且為更好的理解和實施提供了指導方針。另外，我們也描述了可以建立在工業(yè)人工智能之上的使能技術，圖1是工業(yè)人工智能與其他學習系統(tǒng)在一段時間內(nèi)對所期望的系統(tǒng)性能的比較示意圖。

圖1 工業(yè)人工智能與其他學習系統(tǒng)比較示意圖

二工業(yè)人工智能的關鍵要素：ABCDE

工業(yè)人工智能可以用ABCDE的特征進行分類，這些關鍵要素包含分析技術 (Analytics Technology)，大數(shù)據(jù)技術(Big Data Technology),云或網(wǎng)絡技術(Cloud or Cyber Technology),專業(yè)領域知識(Domain Knowledge), 證據(jù)(Evidence)。

分析（A）是AI的核心，它只有在其他要素都存在時才能產(chǎn)生價值。大數(shù)據(jù)（B）與云（C）是提供數(shù)據(jù)來源和工業(yè)人工智能平臺必不可少的兩個要素，然而，專業(yè)領域知識（D）和證據(jù)（E）也是常常被忽略的兩個重要因子。專業(yè)領域知識（D）是下列事項的關鍵要素：

1）了解問題并專注于利用工業(yè)人工智能去解決它；

2）理解系統(tǒng)以便于收集正確且高質(zhì)量的數(shù)據(jù)；

3）了解參數(shù)的物理含義以及它們?nèi)绾闻c系統(tǒng)或流程的物理特性相關聯(lián)；

4）了解這些參數(shù)因機器而異。

證據(jù)（E）也是驗證工業(yè)人工智能模型以及它們與累積學習能力相結(jié)合的重要要素。收集數(shù)據(jù)形態(tài)模式及與它相關聯(lián)的證據(jù)，我們才能改進AI 模型使之更加準確全面并且與時俱進。圖1-b顯示AI如何帶領我們從可見空間到不可見，從解決問題到避免問題的發(fā)生。

三工業(yè)人工智能生態(tài)系統(tǒng)

圖2顯示了建議的工業(yè)人工智能生態(tài)系統(tǒng)，它定義了發(fā)展工業(yè)人工智能系統(tǒng)的需求、挑戰(zhàn)、技術和方法的有序思維策略。從業(yè)者可依照此系統(tǒng)性指南去制定工業(yè)人工智能發(fā)展與部署的策略。在標的行業(yè)中，這個生態(tài)系統(tǒng)定義了常見的未滿足需求，例如自感知、自比較、自預測、自優(yōu)化和自適應。這張圖表還包括數(shù)據(jù)技術（DT）、分析技術（AT）、平臺技術（PT）和運營技術(OT)等技術。這 4 項技術在信息物理系統(tǒng)（CPS）【2】的背景下可以更容易的被理解。如圖 3 所示，這 4 項技術 (DT、AT、PT、OT) 是成功實現(xiàn)連接、轉(zhuǎn)換、網(wǎng)絡、認知和配置 (5C) 的使能者。下面本論文將簡單描述這4項使能技術

圖2 工業(yè)人工智能生態(tài)系統(tǒng)

圖3 實現(xiàn)CPS制造的使能技術

3.1 數(shù)據(jù)技術 (DT)

數(shù)據(jù)技術 (DT) 是那些能夠成功獲取在維度上具有顯著性能指標的有用數(shù)據(jù)技術。因此DT通過識別獲取有用數(shù)據(jù)的適當設備和機制成為 5C 體系"智能連接" 步驟的共同促成者。數(shù)據(jù)技術的另一個方面是數(shù)據(jù)通信。智能制造領域的通信并不僅僅只是把獲取的數(shù)據(jù)由源頭直接傳送到分析。它還涉及到 1) 物理空間中制造資源之間的相互作；2) 將計算機和工廠車間的數(shù)據(jù)傳輸和存儲到云中；3) 從物理空間到網(wǎng)絡空間的通信；4) 從網(wǎng)絡空間到物理空間的通信。此外DT 還需要考慮數(shù)據(jù)系統(tǒng)的 3B (Broken, Bad, Background) 問題也就是數(shù)據(jù)的分裂性、優(yōu)劣性和背景的數(shù)據(jù)【6】。

3.2 分析技術 (AT)

分析技術將關鍵組件透過傳感器所采集到的數(shù)據(jù)轉(zhuǎn)換為有用的信息。數(shù)據(jù)驅(qū)動的建模揭示了來自制造系統(tǒng)的隱藏模式及未知的相互關聯(lián)性并其他有用信息。此信息可用于資產(chǎn)健康狀況預測例如健康值或剩余壽命值, 可用于機器診斷預測和健康管理。分析技術將此信息與其他技術整合可以提高生產(chǎn)力和創(chuàng)新。

3.3 平臺技術 (PT)

平臺技術包括將制造數(shù)據(jù)存儲、分析和反饋的硬件架構。用于分析數(shù)據(jù)的兼容平臺架構是實現(xiàn)敏捷性、復雜事件處理等智能制造特質(zhì)的主要決定因素。一般來說有獨立式、嵌入式和云等三類的平臺配置。所以云計算在信息通信技術的計算、儲存和服務能力等方面是一項重大優(yōu)勢。云平臺可提供快速的服務部署，高度客制化、知識集成、高效的可視化并具有高度可擴展性。

3.4運營技術 (OT)

運營技術是指根據(jù)由數(shù)據(jù)中提取的信息所做出的一系列決策和行動。向操作人員提供機器和過程健康信息是有一定價值, 但工業(yè) 4.0 工廠將超越這一范疇, 使機器能夠根據(jù)OT 所提供的洞察力進行溝通和決策。這種機器與機器之間的協(xié)作可以在同一車間的兩臺機器之間，也可以在兩個相隔很遠的廠區(qū)的機器之間發(fā)生。他們可以互相分享經(jīng)驗如何去調(diào)整特定參數(shù)以達到最優(yōu)性能, 并根據(jù)其他機器的可用性調(diào)整其排程。在工業(yè) 4.0 工廠中, 運營技術是通向自感知、自預測、自配置、自比較等 4 項能力的最后一步。

四案例研究：智能主軸系統(tǒng)

本節(jié)介紹工業(yè)人工智能的架構在CNC 機床主軸的應用和實施。在制造業(yè)，機床主軸的健康狀況是絕對重要的，此案例旨在展示 4 種賦能技術驅(qū)動的工業(yè)人工智能可以為機床主軸提供實時監(jiān)控與性能預測的完整解決方案。此系統(tǒng)設計可以最大限度的降低維護成本同時優(yōu)化產(chǎn)品質(zhì)量。如圖 3 所示,考慮應用場景中常見的未滿足需求是執(zhí)行的第一步。

為了解決未滿足的需求 (一個自感知和自優(yōu)化的機器) 必須關注 1）數(shù)據(jù)質(zhì)量 2）多區(qū)域的復雜度 3）機器之間的不同 4）專家系統(tǒng)的納入 5）多數(shù)據(jù)源的復雜度等五項挑戰(zhàn)。圖4 概述了如何運用DT、AT、PT 和OT 應對這些挑戰(zhàn)去開發(fā)一個智能主軸系統(tǒng)。

圖4智能機床主軸平臺技術

五工業(yè)人工智能的挑戰(zhàn)

工業(yè)人工智能的期望是巨大且多方面的，即或要滿足企業(yè)界的部分期望也將會是人工智能在應用時要面對的獨特且真實的挑戰(zhàn)。在現(xiàn)存的復雜挑戰(zhàn)中，下列問題具有更高的重要性及優(yōu)先性：

5.1 機器與機器之相互影響

當AI演算法能夠準確的將一組輸入數(shù)據(jù)集映射到一組輸出數(shù)據(jù)集時，它們也容易被因機器與機器間之不同而有的細微變量所影響。AI 算法需要確保單個 AI 解決方案不會對其他下游系統(tǒng)的工作造成干擾或沖突。

5.2 數(shù)據(jù)品質(zhì)

AI演算法需要大量且具有最小偏差的干凈數(shù)據(jù)集，用不準確或不充分的數(shù)據(jù)集去學習會產(chǎn)生有缺陷的結(jié)果。

5.3 網(wǎng)絡安全

越來越多地使用連接技術使得智能制造系統(tǒng)容易受到網(wǎng)絡攻擊。目前此類危險程度并沒有受到足夠的重視，而且企業(yè)界對存在的網(wǎng)絡威脅也沒有完善的對策【12】。

結(jié)論

當AI由科幻成為改變世界的前沿技術時，我們迫切需要系統(tǒng)性的去開發(fā)和實施AI，以便了解它在工業(yè) 4.0 這個下一世代工業(yè)系統(tǒng)中的真實價值。本研究旨在定義工業(yè)人工智能這一術語并將其納入工業(yè) 4.0 的范式中。本文也通過對工業(yè)人工智能生態(tài)系統(tǒng)在當今制造業(yè)中的概述為工業(yè)人工智能系統(tǒng)的實現(xiàn)提供策略與指導原則。