机器的智能实现—自动化人怎么干？

JZGKCHINA

工控技术分享平台

尊重原创 勿抄袭

勿私放其他平台

热闹的人工智能

产业里很多人都受到来自商业AI热炒的影响，对AI抱有巨大的期望，甚至认为人工智能+制造，即是智能制造，这个说法有些片面。首先要澄清的是，以诺伯特.维纳博士在1948年的《控制论-动物与机器的通信与控制》这一著作为代表的控制论（图1），本身也是人工智能三大学派之一的行为主义学派，事实上，对于工业而言，智能是一直在路上，只是限于算力和成本，人工智能并未在工业有广泛的应用突破，今天，人工智能由于消费类的应用，使得规模效应出来了，算力具有了经济性的趋势，人们开始又关注这一方法来解决工业问题。

图1-维纳控制论

智能的本质-- 让机器利用人的知识工作

其实，对于制造业而言，智能并非是只有大家热议的人工智能（AI）一条路可以走，而且，所谓的智能，主要在于“应对变化”，自感知、自分析、自优化与自决策，但是，就目前来说，AI无论在商业还是工业，其实，都是还远非“智能”，确切的说，它一直走在发展的道路上。

所谓的智能，其实都是想让机器利用人的知识、经验来工作—这点共识是毫无疑问的。而将人的知识变为机器可复用的知识，就需要经历艰苦的过程，如图2所示。

图2-工业知识的传承本质

对于制造而言，材料、工艺与流程都是千变万化的，这些知识必须进行“建模”—才能形成有序的知识、结构性的知识，然后必须经过大量的“测试验证”，才能确保内部最优的耦合关系，最终形成各种可复用的知识模块，当然，也包括对工具的复用（如开发平台）。

机理建模和数据建模各有千秋

如果直观的理解，大家都知道“归纳法”和“演绎法”的逻辑思想，其实，传统的机理就是一种演绎法，即通过物理、化学方程来实现对对象的建模，而基于数据的建模则相当于归纳法，即，它本身没有明确的物理化学方程，需要通过数据拟合、训练的方式来形成模型，机理建模和数据驱动的建模各自有优缺点，例如，机理模型的可解释性就相较于数据建模的“黑盒”就非常有优势，并且，传统的机理模型所需的算力和成本都是比较低的，但是，机理是需要大量积累的，而数据则可以通过存储、算力来缩短积累时间，针对非线性场景、知识不易积累的场景更为适合。

因此，如果智能是机器学习人，而人的推理包括了演绎和归纳两种主要的方法。

自动化当然可以玩人工智能

其实，如果回顾人工智能的历史，我们会发现当年的符号主义学派、连接主义学派都有各自的困难，无论符号主义想将人的思维过程用数理逻辑表达，还是连接主义模拟神经元传递的计算过程，都有各自的难题，大概是这个原因，又回归到让机器先“学习”人的知识这个问题上来，机器就是算力强，用数据来喂它，让它自己按照学习算法学习、训练新的模型。

传统来说，自动化厂商大部分时候都是基于机理建模来工作，但是，并非完全如此，像贝加莱这种具有实时操作系统、高级语言支持能力的控制系统，本身也是可以支持智能的，除了基于物理建模的方式，如图3所示， 物理建模仿真，可以通过机械、电气传动与控制、工艺，多个软件结合，实现协同仿真，也可以去应对变化的材料、逻辑、流程、参数变化，如图3，贝加莱的Automation Studio可以与MapleSoft的MapleSim软件通过FMI接口连接，形成交互，将机械模型与控制模型协同。

图3-建模与仿真技术应用

实际上，这种方式也是一种让机器具有智能的方法，通过参数的配置，即可实现针对生产的变化，当然，机理模型本身也是需要大量的时间积累的。

对于自动化厂商来说，当然也可以基于数据驱动的方式来建模，因为，仔细想想，机器学习就是一个程序，那么这个程序运行在合适的硬件平台上也是可以的，编程语言可以是Python当然也可以是C/C++。

（1）.基于贝加莱X20系列PLC的机器学习

对于贝加莱的X20系列的PLC来说，本身就可以做一些机器学习算法，其实，贝加莱的PLC原本称为“可编程计算机控制器”，只是后来为了降低解释成本，和大家一样称为PLC，它实际上将PC和PLC的合体。本身就是有计算能力，高级语言程序编辑能力（如早在1995年即可用BASIC编程，后面还扩展了C/C++等），而最新的X20处理器，还采用了Intel Apollo Lake处理器，该款CPU本身就是在算力和图像能力方面进行了强化，图4左侧即为PLC本地学习。

图4-贝加莱的机器学习架构

（2）.基于PC架构的机器学习

当然，PLC的存储和算力只能对一些简单的学习任务，对于算力更高的要求，可以采用图4中APC-工业PC，它采用Hypervisor技术，可以将多核处理器的不同核运行RTOS和Windows/Linux，这样，对于RTOS可以处理实时任务，而Windows可以处理学习任务，或者操作PCIe的AI加速器。

图5-OT与IT融合的架构

在图5这个架构中，我们可以看到，自动化厂商作为本地控制、数据源的采集节点，可以通过OPC UA/MQTT与华为这样的云端训练建立连接，对于长期的大型数据训练，可以借助云端的存储和算力来进行，然后，部署到本地。由本地的PC进行本地推理，可以在APC上插入一个AI加速器，如华为的Atlas，Hypervisor确保Windows的AI处理任务与机器本身的实时控制任务可以高速通信，这样，就可以将本地推理（如对目标的识别、视觉缺陷的判断、路径的调整）和执行（机器人或运动控制轴）紧密结合，实现真正的全架构工业AI与执行一体化。

（3）.针对工厂平台的机器学习

在图4右侧，贝加莱的APROL平台，集成Pyhton解释器，你可以用不同的Python编辑器写机器学习程序，而APROL解释器可以运行这些程序，并且，与底层的实时数据库、历史数据库建立访问连接。

自动化厂商机器学习优势在哪里？

以上三种不同的方式进行机器学习的过程中，我们会发现，贝加莱这样的自动化企业的机器学习具有显著的优点：

（1）与机器的控制模型紧密连接：机理模型必须与数据模型结合，各自发挥自身的优势，控制系统本身就有控制任务的模型，包括工艺、传动控制的模型。

（2）离数据源最近：实时数据来自于I/O、控制循环的结果、HMI操作的数据，可能没有谁比这些离数据近的了吧？

（3）计算与控制融合：这一架构将集中式控制与分布式计算融合，控制基于信号，计算基于信息。

想了解贝加莱的机器智能，在9月24日，对于长沙及周边的企业工程技术人员，可以参加贝加莱“机器智能创新日”，其日程如下。可以扫码报名。

作者简介

老宋（宋华振） ：

贝加莱工业自动化（中国）有限公司技术传播经理

工控知名网红达人