工业自动化中人工智能的应用

摘要：人工智能是一个研发训练计算机来执行以前只有人类才有能力的智能行为方法的研究领域。自动化的目的是代替人或辅助人去完成人类生产、生活和管理活动中的特定任务，提高工作效率、效益和效果。二者都是通过机器延伸增加人类认识世界和改造世界的能力。文章从人工智能的定义及发展、自动化的定义及发展、智能制造对人工智能的要求、工业人工智能的涵义、面临的挑战及应对策略等方面进行了阐述，分析了人工智能与工业自动化的关系。

关键词：人工智能；自动化；工业人工智能

1人工智能与自动化

1.1人工智能的定义及发展简史

1.1.1人工智能的定义美国国家科技委员会于2016年制定的《为人工智能的未来做好准备》指出，目前并没有一个普遍接受的人工智能定义。一些人把人工智能定义为是计算机化的系统，能够表现出通常被认为是需要智能的行为；其他人将人工智能定义为一个系统，该系统能够无论遇到什么样的复杂问题，都可以合理的解决，或者采取适当的行动实现它的目标。虽然对AI的界定并不明确且随时间推移不断变化，但AI的研究和应用始终秉持一个核心目标，即使人的智能行为实现自动化或复制。美国总统行政办公室于2016年的《人工智能、自动化及经济报告》中指出，AI不是单一技术，而是应用于特定任务的技术集合。2017年，《Science》定义的强人工智能是指具有与人一样智慧和全面的智能。斯坦福大学人工智能百年研究《人工智能和2030生活》广义定义了人工智能是一种致力于机器智能化的活动，而智能是指系统在其所处环境中具有预见功能。2018年7月德国人工智能战略概述中指出，作为一门科学学科，人工智能指的是一个研发训练计算机来执行以前只有人类才有能力的智能行为方法的研究领域[1]。

1.1.2人工智能的发展简史“人工智能”一词是1956年JohnMcCarth组织的达特茅斯暑期研究项目的讨论会上提出，探究机器可以在哪些方面模拟人的智能。早在18世纪托马斯•贝叶斯就指出推理事件的概率提供计算框架，这是最初具有人工智能特征的技术想法。19世纪，乔治布尔指出逻辑推理可以向求解方程组那样被系统的执行。20世纪之初，第一台电子计算机的问世标志着能够感知和自主行动的第一代机器人问世。阿兰图灵于1950年发表“计算机和智能”中设想了建造计算机模拟人类智能的可能性，包括如何测试人工智能、机器怎样自主学习等方面。随后几十年，人工智能几经起伏，研究出现的难题远超预期。20世纪90年代后期，人工智能研究关注特定领域和应用研究，进入加速阶段。其中在图像识别和医疗诊断方面尤为突出，1997年，IBM开发计算机“深蓝”战胜国际象棋世界冠军卡斯帕罗夫；苹果Siri，IBM回答计算机waston在回答游戏节目获胜；2010年以后，来自政府、电子商务、商业、社交媒体、科学和政府提供了可用的大数据和强大的计算能力，科技产业增加在人工智能领域的投资，上述因素促使了人工智能发展浪潮。同时，深度学习技术发展快速，在图像识别领域，人类错误率为5%，2011年人工智能最好结果错误率为11%，到2015年就降低到3.5%，博弈游戏技术AlphaGo打败人类围棋冠军等等。

1.1.3人工智能技术发展方向可解释的AI是人工智能技术的发展方向之一，斯坦福大学人工智能和2030生活》指出，人工智能领域正朝着建立智能系统的方向发展；2018年的《美国及其智能国家战略报告》中指出，很难估计计算机控制系统在不久的将来可以实现哪些功能。机器智能系统在企业，政府，和全球居民的日常生活中占据越来越重要的角色。

1.2自动化的定义及发展简史

1.2.1自动化的定义自动化涉及到人类活动的所有领域，是人类自古以来永无止境的梦想和追求目标。自动化的界定虽然不明确，且随着时间推移不断变化，但自动化的研究和应用多年来始终秉持一个核心目标：研制系统代替人或者辅助人去完成人类生产、生活和管理活动中的特定任务，减少和减轻人的体力和脑力劳动，提高工作效率、效益和效果。

1.2.2自动化的发展简史自动化的发展史漫长而有力，18世纪，从风车离心调速器到蒸汽机离心调速器，从麦克斯韦《论调节器》，经传带控制，到劳斯、赫尔维茨稳定性判据。进入19世纪，船舶陀螺驾驶仪，布莱克负反馈放大器，奈奎斯特判据，ZieglerNicholsPID参数整定法，M9火炮指挥控制系统（Bode图）中为后续的现代控制理论、PLC、分布式控制系统奠定了基础，进入19世纪80年代，RTO和模型预测控制、工艺模型开环设定、数据驱动的运行反馈控制继续推动着自动化的发展。

1.2.3自动化的发展方向控制系统向智能自主控制系统的方向发展，管理与决策系统向智能优化决策系统和智能优化决策和控制一体化系统方向发展。

1.3自动化与人工智能的相互关系

AI的核心目标是使人的智能行为实现自动化或复制，而自动化的核心目标是减少和减轻人的体力和脑力劳动，提高工作效率、效益和效果；二者都是通过算法和系统的手段，建立相互之间的共同点，即通过机器延伸和增加人类的感知、认知、决策、执行的功能，增加人类认识世界和改造世界的能力，完成人类无法完成的特定任务或比人类更有效的完成特定任务。但是，目前由于机理不清，难以建立数学模型；输入与输出相关信息处于开放环境，变化不确定；信息难以获取及感知；决策目标冲突等原因，使得自动化和人工智能技术在某些对象难以应用。

2智能制造对人工智能的要求

2.1自动化技术在工业革命中的作用

在第一次工业革命中，反馈控制实现了蒸汽机调速的自动化。在第二次工业革命中，PID与逻辑控制实现了传送带自动化。而操作工作自动化、管理与决策工作信息化推动了三次工业革命，在第三次工业革命中，先进控制与运行优化实现了工业过程的运行优化，ERP与MES实现了生产管理与决策的信息化。

2.2知识工作者在制造过程管理与决策中的作用及问题

2.2.1制造过程管理与决策现状人类通过视听触嗅味的感知系统感知工况数据和信息，通过大脑决策生产（产量，质量，能耗，物耗，成本）、运行指标（反应产品质量、效率和消耗相关的工艺参数）、运行工况（正常或异常）和控制系统指令（速度、电流等），控制系统则跟随指令使生产指标在目标范围内。

2.2.2人难以实现运行工况的准确识别和优化决策《science》指出，人的决策行为制约发展主要体现在三个方面，在感知层面，运行工况涉及多尺度多源信息，伴随着原料、工况波动频繁，而人难以感知动态变化的运行工况；在认知和知识处理层面，由于对反应机理不清楚，多源异构信息不明确，难以及时处理异构信息；在决策和执行层面，决策过程中伴随着多目标冲突和多尺度现象，操作和决策也存在主观性和不一致性，难以实现全局优化。除了上述因素，我国在质量、能耗、物耗等方面也与国际先进水平存在差距。

2.3智能制造对人工智能需求

2.3.1两种主要类型的工业的特点和发展目标离散工业和过程工业作为典型代表，有着各自显著的特点，对于离散工业，其过程结构主要由总体设计、零件加工、组装和机械制备四部分组成，在此过程中，机械装备的零件加工与组装是可拆分的物理过程，产品与加工过程可以数字化，机械装备的性能取决于总体设计的优化。对于过程工业，同样由四部分组成，分别对应工艺设计、物质转化过程、成品材料和下一生产工序。过程工业中，有多个工业过程组成的不可拆分物理化学过程，原材料、成品材料和物质转化过程难以数字化，工艺设计优化与制造流程的整体优化等特点。

2.3.2对人工智能的需求《为人工智能的未来做好准备》中指出，人工智能在短期内的核心经济成效是将以无法实现自动化的任务实现自动化，美国白宫2018年举行的“面向美国工业的人工智能峰会”上提出，重点发展具有高影响、面向特定应用领域的AI、应用于美国工业来增强美国劳动力素质，提高工作效率，更好的服务于客户。美国基金委在2018年关于“面向美国工业的人工智能”发表声明，人工智能可以使美国工业的各个环节产生变革，为先进制造创造新的希望。美国科学技术委员会于2018年制定的《美国先进制造领先战略》的主旨是争取智能制造系统的未来领先地位。报告指出，通过与数字设计相结合，将制造过程所需的信息无缝的结合到从原材料到产品的转换过程中，从而形成一个高度互联的工业实体，它可以通过一整套供应链系统横跨多个公司。智能制造能够通过对缺陷和故障的检测和纠正来确保产品质量的一致性，和质量的可追溯。这些进步取决于强大的工业物联网创新，和面向各种制造流程的机器学习算法，以及可在以信息为中心的一体化系统中的即插即用的机床和控制系统。德国联邦政府于2018年11月制定的人工智能战略中列出了德国工业界对AI的需求，明确了促进AI的开发与应用面向经济，经济是下一步AI研究的推动力。中国《新一代人工智能引领下的智能制造研究》中也明确了新一代智能制造作为我国智能制造的第二阶段（2025-2035）战略目标，新一代智能制造的目标是使我们智能制造技术和应用水平走在世界前列。

3工业人工智能的涵义、面临的挑战及应对策略

3.1工业人工智能的涵义

虽然对工业人工智能的界定并不明确且随着时间的推移不断变化，目前工业人工智能的核心目标是：针对产品与工艺设计、经营管理与决策、制造流程运行管理与控制等工业生产活动中目前仍然依靠人的感知、认知、分析与决策能力和经验与知识来完成的知识工作，实现知识工作的自动化与智能化来显著提高经济社会效益[2]。

3.2挑战的科学问题

3.2.1挑战难题人工智能发展到深度学习没有考虑如何应用于制造工程（Nature，2017），多尺度、多源信息获取、预报模型和资源计划决策与控制过程集成是智能制造中的挑战难题（Nature，2017）。

3.2.2科学问题（1）多尺度、多源信息的动态感知挑战难题1：复杂动态环境下的对象的检测、分流、识别和感知（《国家人工智能研究与发展战略计划》，2016）。例如，电熔镁砂是国家重要战略物资，主要应用于航天、工业等领域，需要重大耗能设备。在电熔镁砂生产过程中的加料工况、熔化工况和排气工况中，感知火焰、声音和电流过程存在不及时、不准确、质量波动、能耗高等问题，需要对整个生产过程进行动态感知，包括动态变化温度、火焰视频、声音、振动信号、电流、功率等多尺度数据的实时感知。挑战难题2：需要研究多源数据机器学习来进行知识发现（《国家人工智能研究与发展战略计划》）。电熔镁砂生产过程中，人工识别欠烧工况的依据是炉壁颜色变红，电流上升，这种方法会导致炉壁烧漏、影响产品质量甚至停产等问题。因此，需要对欠烧工况提前发现的规则进行挖掘，包括挖掘电流、电流变化率与欠烧工况的因果关系；通过炉壁视频信号挖掘欠烧工况特征；基于运行数据与视频信号的机器学习。在此过程中，我们需要明确，深度学习是完全标注大样本的静态特征学习，而目前的挑战难题是不完全无标注样本的动态特征学习[3]。（2）决策与控制过程集成优化挑战难题1：复杂系统多冲突目标的实施动态求优。例如能耗指标的优化决策是非凸动态优化。挑战难题2：多层次多尺度决策与控制过程集成优化。运行决策与控制面向不同时间尺度和空间尺度；全局最优解随生产条件和运行工况变化；最后控制系统设定值随全局最优解变化等。（3）制造过程决策对博弈游戏技术的挑战以AlphaGo和制造过程决策作为对比，在信息感知方面，前者完全，并已确定规则，后者处于开放环境，不完全，不确定规则；在过程特征方面，前者可以建立精确到可试错的决策仿真模型，后者则难以建立决策仿真模型；在决策目标方面，前者可转化为输赢的单一目标，后者则是多冲突目标（质量，效率，能耗等）；在决策方法方面，前者是基于深度学习的策略与价值网络，后者则面临更大的挑战。

3.3应对策略

面对上述诸多挑战，我们应从研究方向和研究思路上加以应对。在研究方向上，开展复杂工业环境下多数据多源信息的获取；复杂运行工况运算和诊断的多源数据的机器学习方法；模型与工业大数据双驱动的机器学习，包括机理不清的复杂系统的建模，生产指标与工艺参数（质量，能耗）的预报与回溯，决策规则等；智能自主控制与人机协作等方面的研究。在研究思路上，抓住基于机理分析的模型与工业大数据紧密融合与协同；模型驱动的自动化与数据驱动的人工智能技术紧密融合与协同；移动互联网、云计算等先进信息技术和计算机控制系统的紧密融合与协同；研制工业人工智能技术的基础设备；研制面向特性应用领域的工业智能系统，使系统的适应性、自主性、效率、功能、可靠性、安全性和感知与认证的准确性、决策的精准优化远超今天的系统、跨学科合作研究，以理论与方法研究和实验与应用验证研究相结合的思路进行系统研究。

4结束语

随着日前教育部《关于公布2019年度普通高等学校本科专业备案和审批结果的通知》（教高函〔2020〕2号）的，工业智能专业作为人工智能与工业自动化深度融合的新兴本科专业，首度被列入教育部本科专业目录，东北大学成为国内首家（批）本科设立工业智能专业的高校，这标志着我国的本科专业建设开始打破“常规”，实现传统特色发展、个别突破发展、转型升级发展，全面迈入了多学科交叉融合发展的新时期，切实以高校专业建设带动引领工业人工智能领域人才培养质量提升。

参考文献：

[1]闫志明，唐夏夏，秦旋，等.教育人工智能（EAI）的内涵、关键技术与应用趋势———美国《为人工智能的未来做好准备》和《国家人工智能研发战略规划》报告解析[J].远程教育杂志，2017（1）：26-35.

[2]柴天佑.工业互联网与工业人工智能[N].中国信息化周报，2019-10-28（7）.

[3]康世斌.电气自动化控制中人工智能技术应用分析[J].科技创新与应用，2019（34）：150-151.

作者：苑振宇 孟凡利 李晋 高宏亮 张华 单位：东北大学