如何讓普通的生產工廠插上智能的翅膀成為真正的智能工廠正在成為制造業共同思考的問題。

制造業中生產過程中每天產生海量的數據，這些數據都存儲在數據庫里面，而真正能夠發揮實際價值的數據卻非常少，從而造成數據資源的極大浪費。如何對生產過程中的海量數據進行處理從而發揮數據的價值，將數據不再僅僅是數據，而成為生產的資產是每個制造業管理者都關心的問題。

為了實現對數據的利用，降低生產成本提高生產效率，很多供應商都提出了智能工廠的解決方案。目前社會上提到的智能工廠很多，而真正能夠做到智能化的卻很少。筆者基于多年在制造業中的工業機理模型經驗和在智能技術領域的一些實踐，介紹下目前智能技術以及其在制造業場景的應用情況。

一、人工智能、云計算、大數據、

物聯網的關系是什么?

提到智能技術大家首先聯想到的就是人工智能、大數據、云計算、物聯網等。而很多人對這些名詞間的關系模棱兩可。因此有必要首先介紹下其間的聯系。為了便于讀者理解，這里不引用每個名詞的通用定義，而采用通俗易懂的方式進行解釋。人工智能從狹義角度講就是以CNN卷積神經網絡為代表的模型算法，具體的應用圖像識別和語音識別。

目前社會上所有提到的人工智能技術包括人臉識別、自動駕駛、語音交互、阿爾法狗、指紋識別等等均是基于CNN卷積神經網絡為核心算法的應用。因此，人工智能本質就是一種算法。云計算本質是一種從資源到架構的全面彈性，通俗的講，比如對于一臺電腦，有100個任務，那么電腦在執行這100個任務時就要有個排隊，依次進行，而當數據量很大時，超大的任務量將會造成電腦服務器崩潰。

而云計算就是可以將一臺電腦的服務器虛擬成多臺電腦，比如我們很多人都用過VMware的虛擬機軟件，該軟件可以把我們的PC機電腦虛擬成擁有不同內存、存儲容量和網絡的小電腦，這樣100個任務將會同時分解到多臺電腦去執行，這就是分布式計算，從而大大提高計算效率。大數據通俗的講就是海量的數據，具有復雜的數據關系。

物聯網通俗講就是通過網絡協議將生產過程中的儀器儀表、視頻、語音、文本等數據全部進行連接。為了通俗理解他們間的關系，筆者將其關系表示如下圖所示，并以一方高人的成長歷程作為比喻。

物聯網、互聯網比喻作為一個人的成長環境，通過在社會、學校、環境中的不斷學習，將會收獲海量的知識，這些海量的知識就是大數據。要想有效的利用海量知識并發揮其價值需要各種數據模型(包括統計分析、機器學習、人工智能、工藝機理模型)對數據進行訓練，這種訓練的過程比喻為一個軍師(或者老師)對人的指導、培養過程。而數據模型的分析訓練需要云計算進行快速高效的迭代，從而形成豐富的知識經驗，成為一方領域的高人。而云計算就相當于人類的大腦。

二、數據模型包括哪些?

如何對模型進行選擇?

由以上分析可知，一方高人的形成包括數據采集層、數據存儲層、數據模型層、數據計算層，其中數據采集和數據存儲依托于目前的MES系統已經能夠很容易的實現。數據計算依托于阿里云、華為云、百度云的計算服務也能容易做到。目前的核心限制環節在于數據模型層，即如何將生產中產生的大數據通過數據模型轉換為有價值的信息。因此，筆者在本節著重對數據模型的選擇進行介紹。

對于數據模型的分類仁者見仁智者見智，沒有統一的定義，筆者結合多年的工作經驗，認為主要分為以下四類，包括統計分析、機器學習、深度學習以及工藝模型。

由于篇幅關系，本文將不再具體解釋每個模型的具有原理和算法，后續將會詳細討論。數據模型詳細具體分類如下圖所示，由圖可知，統計分析模型主要包括線性回歸、多元線性回歸、非線性回歸、spc分析、相關性分析等;機器學習模型主要包括邏輯回歸、支持向量機、k-means聚類、神經網絡學習、決策樹、貝葉斯模型、隨機森林等;深度學習(人工智能)主要包括CNN卷積神經網絡網絡等;工藝模型主要涉及冶金或者化工行業的物理化學反應，包括熱力學和動力學相關理論知識，生物發酵化學反應以及基于邊界條件的最優解等問題。

以上介紹了數據模型的分類，那么如何對模型進行選擇呢?

由于每個模型有其特殊的需求，本文主要根據數據的類型、數據量以及應用業務場景的不同將其分為分類、回歸、聚類、降維、深度學習五大類，如下圖所示。通過該圖結合生產的數據類型、數據量以及數據實現的目標從而有效的選擇需要的數據模型。

三、智能技術在制造業中有哪些應用?

對于智能技術，筆者認為從廣義角度講，凡是能夠代替人工操作并能夠有效提高工作效率的都可稱作為智能技術;從狹義角度講，智能技術主要是以機器學習、深度學習等復雜算法為核心，并將數據轉換為有價值信息的技術。

因此，智能技術在制造業中的應用從廣義角度講可以概括為運營管理、智能模型、智能裝備等方面，每個方面包含內容如下圖所示。其中運營管理包括財務管理、供應鏈、資金管理、人力資源、協同辦公、智能物流、設備管理、能源管理、安環管理和自動報表等。智能模型主要包括統計分析、機器學習、工藝模型、企業大數據、成分預測、設備預警、智能調度、輔助決策以及人工智能等。智能裝備主要包括機器人、自動化裝備等。

從狹義角度講，智能技術在制造業中的應用主要包括以下7個方面，其中統計分析主要依托于柱狀圖、餅狀圖、散點圖等實現對生產重要數據的實時展示和輔助決策等;圖像智能識別技術主要應用在車牌識別、人臉識別、鋼鐵企業表面質檢檢測系統、標記號碼自動識別等;語音智能識別技術主要依托于科大訊飛等成熟產品，實現在局部區域進行人機對話操作，從而減少人員數量;基于實時數據的智能預測主要基于生產過程實時的工藝數據和檢化驗數據依托于智能模型對終點成分進行預測判定，以及根據設備重要工藝參數進行智能故障預警等。基于歷史數據的智能預測主要是針對無法實時獲取生產實時數據的類型，需要根據歷史數據通過智能模型對終點成分、溫度、壓力以及設備故障等進行預測報警，還包括通過歷史數據的判定分析，結合智能模型，發現現場操作人員的數據作弊問題。基于聚類分析的專家系統主要包括通過對歷史數據多維度的分析，通過聚類算法實現對產品質量以及新產品性能等進行智能預測。基于邊界條件的最有決策問題主要針對于一定限制條件下，對于某個目標通過建立線性方程組實現線性規劃求解，從而實現最佳成本優化以及不同價格物料的最優匹配，典型的應用場景為配料過程。對于更加具體的應用場景，將會在后續文章進行詳細介紹。