【中國傳動網 行業動態】 工業互聯網新政密集出臺，各個標桿項目也逐漸落地，為什么制造業企業，尤其是中小型制造業企業在做決策上會那么難？技術大拿用親身經歷，講述智能制造遇到的那些坑。

【編者按】

11月22日，在阿里的廣東云棲大會上，飛龍工業互聯網平臺正式發布。長期關注行業的讀者們或許能發現，這已經不是行業內第一家發布的工業互聯網平臺了。海爾、華為、富士康等制造業企業都開始了該領域的布局。但在打造行業標桿案例的同時，也需要更多，尤其是對中小企業的知識普及。必須得向他們證明，技術的問題早已完全解決，剩下的或許是該緊跟上這波工業互聯網的浪潮。

本文原發布于公眾號【機器之能】，作者宇多田，經億歐編輯后發布。

智能制造少不了一個步驟——程序員一定要到生產車間走一趟。這被很多算法工程師戲稱為“新時代的上山下鄉”。

在車間寫過代碼，或被老師傅圍堵的工程師們都清楚，算法模型到了車間就能指點江山？不，有可能“武功全廢”。

無論技術如何優良，都抵不過經過“現場”歷練的1%。

協鑫光伏良品率提升1%，中策橡膠年利潤增加千萬……在阿里對外公布的諸多工業大腦的成功案例中，這些漂亮數字的確能在一定程度上代表智能化改造的價值，但卻很難讓人對技術落地的細節有更多體感。

根據工業大腦首席科學家閔萬里博士用自己多次下車間的親身經歷，手足無措、“工廠數據指標之多把團隊看傻”等狀態在早期項目中經常出現。但這些在某種程度上被看作是“主觀困難”，克服只是時間問題。

然而，車間很多意想不到的情況其實并不在工程師們考慮或者預測的范圍內，因此，工廠智能化改造遇到的問題不僅多，而且幾乎每天都能換一波。

“給協鑫的切片生產流程做改造就用了140多天，一開始啥都不懂，每天都在請教和學習，問題不斷。而且前期和后期遇到的問題完全不同，所以我們陸續去了一大波人，我自己就帶團隊去了兩次。”

對閔萬里來說，實驗室可謂平靜如水，但現場卻總是充滿意外。

工業大腦首席科學家閔萬里博士（圖片來自機器之能）

其實如果用文字來敘述算法算法工程師們要做的這件事情，聽起來非常簡單，而且合情合理。按照讓人工智能發揮作用的正常思路，凡是依賴老師傅經驗，且具有重復性特征的工作，均可用算法的方式來代替。

“市面上用的計算機視覺方法，或者語音識別等等，其實都不是應該在工廠車間里發揮作用的主流方式。只有網絡分析方式，也就是神經網絡算法，才在生產流程中發揮著最重要的作用?！?/p>

目前，工業大腦與智慧城市項目都是延用同樣的技術思路。

在智慧城市里，道路是網絡，流動的有車流，信號燈就是節點；而工廠也一樣，生產流程有多個環節，環節與環節之間流動的是數據，所以也可以被看作是一張網絡。

“而我們要做的，就是考慮如何在這個網絡上進行深度挖掘與廣度挖掘?！?/p>

閔萬里表示之所以“敢”去做這件事，還是因為相同的技術應用已經在電商領域沉淀過，譬如他們曾用同樣的方式做了淘寶基于10億用戶的個性化推薦，用戶ID（節點）與商品（節點）仍然組成的是一個網絡結構。

因此，走進協鑫的切片生產廠間，他們第一步是把標準化車間所有端口的數據上傳至云端工業大腦，再通過算法對這個生產流程的關聯參數進行深度學習運算，找出與良品率最相關的60個關鍵參數并進行學習和預測，搭建參數曲線，在生產流程中做到實時監測與控制變量。

聽起來一點問題都沒有，理論完全正確。

但是讓工程師為效果而抓狂的開始，正是入駐切片生產車間的那一刻。

工程師們普遍認為的難題中的No.1便是“穩定性”。

當時在車間的端口都架接好后，讓工程師最害怕的事就如約而至——數據斷流。

因為只有數據源源不斷地上傳至云端進行學習，才能讓大腦也源源不斷地輸出控制指令以及建議。此前在實驗室里，穩定的數據流都是假定的，但在工廠，這個假定就是最大的bug。

“一旦產線端口斷流我們就沒法做了，但這種情況經常出現，原因是什么？并不是什么聯網問題，而是工人的誤操作。特別是在他們交接班的時候，頻繁出現這類事故。”

因此，為了應對臨時數據斷流，必須要有一個planB，而這項應急機制目前仍然在完善中。

第二個問題倒是在AI應用界很常見——“歷史樣本有多少才能見效果”。

即便工業大腦團隊通過協鑫的數據訓練好一個算法模型，然后把這個模型拿到第二家光伏廠，用這家工廠的數據去訓練學習他們的參數，但是讓這家工廠能用的“學習方法”究竟是需要過去三周的數據，還是過去三個月的數據，算法工程師自己也不知道。

“我們也不是行業內的專家。也就是說我們找到了一把武器，雖然這把武器曾經成功過，譬如用在中策橡膠上是成功了，但是另一家橡膠廠萬一情況完全不一樣呢？”

一切要取決于這個產線的復雜度。

如果這條產線有幾千個參數，用一兩周的數據根本不夠，可能需要一兩個月甚至是一兩年。因為變量越多，就需要越多的數據去幫你學習這些變量之間的關系。

“所以有人說你用了第一家工廠的數據，會不會把算法模型提供給第二家工廠的時候，把第一家的參數泄露出去。然而真相是，即便直接把人家參數拿來，其他工廠也不敢用?！?/p>

實際上，以上兩個問題本質上都是由數據引起的。而數據是否充沛，對于工廠的智能化改造是一個非常重要的前提。

工業大腦團隊在前期走過的彎路基本都跟工廠數據的大量缺失有關。

閔萬里坦言，有時候你選準了目標，但是那些數據都被刪掉了，然后你只能站在那里無可奈何。

“兩周刪一次數據，經常有工廠這樣干。因為保留這些視頻或是其他數據主要是為了發生事故用來追責用的，所以如果這兩周沒有事故，那就刪掉數據從新來，工廠也要節省磁盤存儲。

但對于我們來說，你沒有歷史數據去學習，能怎么辦？所以雙方只能達成一致——那就等下一波再說吧，等數據多起來再做，但是時間都浪費掉了?！?/p>

第二個問題自然就引出了第三個問題——老王工廠與老李產線的應用層都有特殊的要求，要怎么辦？

事實上，每家工廠都有自己的獨特性，甚至一家工廠內的產線與產線之間也存在巨大差異。

有的產線新一點，有的產線老一點，新老產線埋在地下的IOT終端設備密度都不一樣，所以產出的密度自然不一樣。

“即便你有這個算法能力，可能原材料的密度以及覆蓋面有很大的差異，因此就存在怎么把這個技術嵌入到產線上，也就是安裝適配的問題。這就像我們買了一套軟件回到家，如果電腦不兼容怎么辦？”

做光伏項目時，閔萬里團隊就決定先自己去搞適配，整個過程都先自己干，到目前為止，已經掌握了這些適配的關鍵要素，并把它們做成一個標準的適配手冊提供給開發者，告訴他們適配的時候需要看哪幾個維度。

但另一方面，對產線和工廠管理人員最了解，更擅長做適配的人仍然是ISV們。

ISV指的是獨立軟件供應商，在這里指專門面向制造業從事軟件開發、生產、銷售和服務的企業；扮演的角色類似于安防行業的集成商。

“我們最擅長的肯定是提供核心算法模型，但車間的張主任要用，他看到的界面必須是按照他們的管理習慣高度定制化的東西。他跟你提需求時會說，我這個車間的管理流程是幾班倒，通常這樣來管理云云。而我們智能化分析與推薦的那些參數怎么按照他們既有的管理流程呈現出來，都是高度定制化的東西，需要讓ISV來做，他們懂工廠喜歡什么。”

剛剛發布的飛龍工業互聯網平臺，一方面面向寫代碼的工業開發者，一方面面向ISV類開發者。閔萬里認為，前者貢獻的是平臺輸出的內容，后者貢獻的是平臺輸出內容的方式。

有意思的是，此前很多報道都把『聯網』問題看作是工廠上云以及智能化改造的困境之一，但閔萬里恰恰認為這并不是一個技術難題，

“今天連網真的不是什么難題。你想連，第二天拉幾個人，網線一搞，但工廠主沒看到利益是不會動的，何況是在他們產線上動刀。所以說這個問題不是技術難題，而是一個商業動機是否足的問題。今天你是工廠主，沒有看到聯網之后的好處，是不會花錢去聯網的。”

一方面，他們怕給自己現有的產線搞出事來，另一方面，他們沒有被智能化所創造的價值所打動。

在制造行業，特別是重工業領域，“停產”是一件絕對不被允許發生的事情。以石油與鋼鐵行業為例，停產可能會被看作是重大事故，僅重新啟動就會花掉好長時間。

因此對于工廠來說，改造利用非侵入性植入方式是非常關鍵的。

“你會發現，我們做的所有案例都不停產，都絕不干擾它現有生產流程的前提下，給他增加智慧因素，告訴工人參數應該怎么調。但在這之前，你需要它的數據能匯集在一起，其中包括聯網問題，而這個只要解決他們的動力問題就好了?！?/p>

如何解決動力問題？當然是讓他們看到這樣做的價值空間到底有多大。

閔萬里談到了技術公司通常會向工廠主們拋出的兩種“甜頭”：一種是防守型價值，另一種則是進攻型價值。

許多公司都會用“預測性維護”這種防守型價值來說服制造企業，但很多時候起到的作用非常小。因為在后者看來，成本預算是固定的，而降低成本的誘惑并沒有那么大。

“舉個例子，你說今年IT成本我幫你節省20%，他會算多少錢，但是節省是有上限的。你每年的IT預算就那么多，如果有500萬，你幫他們節省30%也就150萬，他們可能沒什么感覺。但是進攻型價值則是沒有上限的。”

工業大腦采取的策略便是用進攻型價值來打動工廠主。他們提出幫助工廠提升良品率，因為像能源、光伏等重工業制造產線的GDP非常高，稍微有1%的提升就會有成百上千萬的價值。

“增值是無限的想象空間，因此制造業即便不相信，也必須要考慮?！?/strong>