為什么要把機器學習
應用于智能制造
提到智能制造，不能不提到"機器換人"，如果說利用機器人、自動化控制設備或流水線自動化替代傳統(tǒng)的生產(chǎn)線上操作工和物料人員，實現(xiàn)“減員、增效、提質、保安全”的目的，而在制造過程中應用機器學習就是進一步對制造系統(tǒng)進行智能賦能，實現(xiàn)替代或輔助管理人員和專業(yè)人員對不確定業(yè)務進行決策的能力。
DIKW模型將數(shù)據(jù)、信息、知識、智慧納入到一種金字塔形的層次體系，展現(xiàn)了數(shù)據(jù)是如何一步步轉化為信息、知識、乃至智慧的方式。當系統(tǒng)采集到原始的數(shù)據(jù)后，然后通過加工處理得到有邏輯的信息，再通過提煉信息之間的聯(lián)系獲得規(guī)則和知識、形成行動的能力和完成任務，最終使用對各種知識進行歸納和綜合形成關注未來不確定性業(yè)務的預測能力，這樣系統(tǒng)才能真正做到感知、分析、推理、決策、控制功能。
舉個簡化例子理解上述過程，系統(tǒng)通過傳感器采集到實時的溫度，再把該數(shù)據(jù)與其他數(shù)據(jù)關聯(lián)(比如批次、條碼、機臺、原料、產(chǎn)品質量等級等)，同時可以計算生產(chǎn)過程中溫度點的各種統(tǒng)計值，這些信息既可以根據(jù)已知的知識(工藝要求)進行過程控制，也可以進行相關性分析歸納出模型，當后續(xù)出現(xiàn)新的供應商原料或者在新的產(chǎn)線上生產(chǎn)能優(yōu)化調整工藝要求達到最佳產(chǎn)能和質量。
02
機器學習在智能制造中有哪些應用
機器學習是專門研究計算機怎樣模擬或實現(xiàn)人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善優(yōu)化，是提高信息到知識提煉和知識歸納能力的方法。
根據(jù)工信部發(fā)布的《工業(yè)大數(shù)據(jù)白皮書》對工業(yè)大數(shù)據(jù)集的定義，工業(yè)數(shù)據(jù)包括了企業(yè)信息化數(shù)據(jù)、物聯(lián)網(wǎng)采集的數(shù)據(jù)和外部相關的跨境數(shù)據(jù)，而機器學習也就成了工業(yè)大數(shù)據(jù)分析和挖掘的主要方法之一。
現(xiàn)代的生產(chǎn)制造過程中的專家系統(tǒng)和模式識別技術已經(jīng)廣泛應用，在視覺識別、自然語言理解、機器人多個學科在制造系統(tǒng)都有融合應用。原有專家系統(tǒng)更多是把業(yè)務專業(yè)人員的經(jīng)驗和實驗數(shù)據(jù)用規(guī)則的方式在系統(tǒng)中定義，然后集成數(shù)學規(guī)劃的算法根據(jù)給定條件的找出問題最優(yōu)解，比如說調度排產(chǎn)中處理多目標的動態(tài)規(guī)劃；而模式識別是根據(jù)已經(jīng)設定的特征，通過參數(shù)設定的方法給出識別模型從而達到判別目的，重點解決數(shù)據(jù)變化小、業(yè)務目標單一的感知問題，比如生產(chǎn)信號處理、圖像識別和SPC控制。而機器學習能夠采用標準的算法，學習歷史樣本來選擇和提取特征來構建和不斷優(yōu)化模型,使得企業(yè)中原有的系統(tǒng)增加了自主學習的能力，解決生產(chǎn)過程中不確定業(yè)務，提升系統(tǒng)的智能化水平。
比如在排產(chǎn)系統(tǒng)實施過程中，實施顧問會與有經(jīng)驗的調度人員去確認規(guī)則，比如由于工藝約束產(chǎn)品必須排在甲線而不應該排在乙線，由于切換時間更少應該先排A產(chǎn)品再排B產(chǎn)品等等，生產(chǎn)批次最大100個最小40個等等，通過某些專業(yè)領域來制定規(guī)則集，在系統(tǒng)中通過數(shù)學規(guī)劃方式得出排產(chǎn)結果；而機器學習首先建立調度任務的模型和衡量度量指標，再通過對大量的生產(chǎn)計劃最終執(zhí)行結果進行主因分析提取出影響度量指標的特征，再用模型對生產(chǎn)批次大小的區(qū)間這樣的規(guī)則參數(shù)進行調整優(yōu)化，甚至歸納出新規(guī)則來設定生產(chǎn)批次大小的區(qū)間，進而達到優(yōu)化排產(chǎn)系統(tǒng)模型的目的，并且這個學習的過程是持續(xù)的，可以根據(jù)最新的特征不斷調整，而避免了傳統(tǒng)的由專家定時去修改規(guī)則參數(shù)的方式。
03
怎樣在智能制造中應用機器學習
將機器學習應用智能制造系統(tǒng)，一種方式是建設的單個系統(tǒng)本身具備機器學習的功能，另外一種方式是建立企業(yè)級的機器學習平臺，為企業(yè)中的其他系統(tǒng)提供機器學習的能力和服務，后一種機器學習平臺系統(tǒng)架構可分成數(shù)據(jù)采集層、源數(shù)據(jù)層、數(shù)據(jù)存儲層、數(shù)據(jù)分析層和應用層。
數(shù)據(jù)采集層主要作用收集機器學習所需要的原始數(shù)據(jù)，為平臺提供學習的數(shù)據(jù)集。按照RAMI模型，數(shù)據(jù)采集層主要來源于外部系統(tǒng)、企業(yè)系統(tǒng)、工廠系統(tǒng)、車間系統(tǒng)、控制系統(tǒng)、現(xiàn)場設備和智能產(chǎn)品。外部系統(tǒng)主要采集企業(yè)上下游供應鏈數(shù)據(jù)和與企業(yè)相關的外部數(shù)據(jù)比如競品分析數(shù)據(jù)等；企業(yè)系統(tǒng)主要采集企業(yè)訂單、客戶信息、庫存信息等；工廠系統(tǒng)主要采集主計劃、設備臺賬等；車間系統(tǒng)采集工單信息、質量信息、操作日志、監(jiān)控視頻等；控制系統(tǒng)提供生產(chǎn)過程數(shù)據(jù)、環(huán)境、能耗等數(shù)據(jù)；從現(xiàn)場設備中采集儀表讀數(shù)、啟停信號等數(shù)據(jù)；智能制造生產(chǎn)的智能產(chǎn)品能夠采集產(chǎn)品運行和維護數(shù)據(jù)。
源數(shù)據(jù)層保存從數(shù)據(jù)采集層獲得的數(shù)據(jù)和信息，采用關系數(shù)據(jù)庫存儲已經(jīng)組織過的信息；實時數(shù)據(jù)庫存儲壓縮后的時序數(shù)據(jù)；用文件系統(tǒng)存儲日志和視頻等文件。另外如果需要機器學習平臺進行流計算的實時數(shù)據(jù)，需要對應用層系統(tǒng)進行改造，把數(shù)據(jù)直接發(fā)送到數(shù)據(jù)存儲層的消息隊列中等待處理，這部分可以采用在企業(yè)服務總線中添加新的路徑降低對原有系統(tǒng)的影響。
機器學習平臺可定時把源數(shù)據(jù)層的數(shù)據(jù)抽取到數(shù)據(jù)存儲層的值對數(shù)據(jù)庫或對象數(shù)據(jù)庫中，而實時數(shù)據(jù)庫中的數(shù)據(jù)可以通過主動推送的方式發(fā)送給消息隊列，文件系統(tǒng)中的文件通過文件提取的方式保存到分布式文件系統(tǒng)中。
數(shù)據(jù)分析層從數(shù)據(jù)存儲層抽取樣本特征，一般采用定時觸發(fā)的批數(shù)據(jù)處理方式，比如一個工單結束后或者交接班時，得到機器學習需要的樣本，把樣本分成訓練集和驗證集兩個部分，采用聚類、回歸、神經(jīng)網(wǎng)絡等算法訓練模型，再通過驗證集對模型進行評估和調整模型參數(shù)。
訓練并驗證通過的模型就可以進行發(fā)布，對于通過機器學習得到的預測類模型（推薦模型、分類、神經(jīng)網(wǎng)絡），這類主要在實時性要求高的場景中根據(jù)輸入反饋預測結果。采用流數(shù)據(jù)處理監(jiān)控消息隊列或者文件增量得到測試集，再使用模型計算得到測試結果，測試結果反饋給數(shù)據(jù)應用層使用。比如說通過根據(jù)實時的儀表數(shù)據(jù)推薦最佳的設備工藝參數(shù)集進行生產(chǎn)，或者預測質量異常發(fā)送給控制系統(tǒng)進行報警停機。這類模型的應用也可以利用邊緣計算，把預測模型發(fā)布給生產(chǎn)現(xiàn)場的工控系統(tǒng)或嵌入系統(tǒng)中使用。
04
結語
機器學習在智能制造領域應用前景廣闊，但是在應用中需要業(yè)務分析人員和數(shù)據(jù)分析人員緊密合作，從業(yè)務目標和解決實際問題出發(fā)，明確機器學習的分析目標和可行性，本文介紹了一種制造企業(yè)可行的應用架構，希望拋磚引玉，為智能制造領域的從業(yè)人員提供思路，形成合適企業(yè)的最佳解決方案。
