在IT與OT的融合過(guò)程中，有兩種不同的聲音，一種認為人工智能作用不大，必須掌握工業(yè)機理模型；另一種夸大AI的作用，顯然前者通常來(lái)自于OT領(lǐng)域的專(zhuān)家，而后者多半來(lái)自IT領(lǐng)域的專(zhuān)家，這其中各有道理卻又有一定的局限。

邊緣計算從IT角度的任務(wù)是搭建通用的計算架構，對于應用而言，AI如何在邊緣得到應用則是“邊緣計算”是否可以落地并真正發(fā)揮作用的關(guān)鍵。無(wú)論對于商業(yè)、管理還是工業(yè)現場(chǎng)的應用來(lái)說(shuō)，應用為王仍然是計算架構的發(fā)展根基。

在工業(yè)邊緣智能中，需要澄清工業(yè)智能與商業(yè)智能的差異、實(shí)現工業(yè)邊緣智能的方法路徑，這樣才能有效地推進(jìn)邊緣智能的發(fā)展。本文即從工業(yè)AI與商業(yè)AI 差異、工業(yè)邊緣智能的角色與意義、實(shí)現方法與架構， 結合案例做簡(jiǎn)要的分析，以與產(chǎn)業(yè)專(zhuān)家共同探討。

1 工業(yè)AI與商業(yè)AI的差異

工業(yè)場(chǎng)景中的AI應用與商業(yè)AI場(chǎng)景有較大的區別，主要體現在以下幾方面：

1.1 數據維度不同

工業(yè)場(chǎng)景中的應用，不同于高維度數據的大數據，在圖像、語(yǔ)言與聲音中，富含多維度數據，這本身就適合AI發(fā)揮其力量，而工業(yè)數據更多是低維度的數據，其數據函數經(jīng)常會(huì )呈現線(xiàn)性關(guān)系，因此對于工業(yè)數據來(lái)說(shuō)，很多時(shí)候，機理模型即可有效處理，這也是為何機理建模在工業(yè)里有著(zhù)悠久歷史的原因。

1.2 數據類(lèi)型不同

工業(yè)的數據屬于典型的“小數據”，即，數據量經(jīng)常比較小，就像故障數據，我們需要對大型傳動(dòng)機組的軸承進(jìn)行故障數據采集，如果頻繁出現故障，那么這個(gè)機組本身的制造商將會(huì )失去市場(chǎng)。這些小數據卻擁有較強的特征和指向性，因此與大數據相比，小數據更能體現有效的價(jià)值，而大數據更多適應于趨勢性。對于工業(yè)來(lái)說(shuō)，小數據的學(xué)習更具有產(chǎn)業(yè)價(jià)值。

圖1為商業(yè)AI與工業(yè)AI場(chǎng)景中數據類(lèi)型的差異，可以看到對于工業(yè)里的數據，多是較低維度的數據，數據量通常較小，屬于典型的“小數據”場(chǎng)景。 

圖1 商業(yè)AI與工業(yè)AI場(chǎng)景中數據類(lèi)型的差異

1.3 異構數據

工業(yè)數據的來(lái)源多樣，有直接采集的傳感器信號數據、有經(jīng)過(guò)處理的（處理方式也會(huì )有差異）傳感器數據，并且通過(guò)不同的總線(xiàn)對象字典格式存儲和傳輸，也有來(lái)自程序中的中間數據、結果數據、分析類(lèi)數據，這些數據本身結構多樣，需要統一處理，才能被學(xué)習系統使用，因此，本身數據的標準與規范需要統一的界定。如采用OPC UA的統一信息建模來(lái)獲得數據及其屬性和類(lèi)型的定義，包括周期、采樣頻率的界定，或者建立統一的標準接口。

1.4 工業(yè)AI對于應用的需求差異

工業(yè)AI與商業(yè)AI不同且必須予以考慮的：

（1）可解釋性：由于傳統制造業(yè)建立在發(fā)展比較成熟的物理學(xué)，即機械還原論的基礎之上，其本身的可解釋性來(lái)自于科學(xué)定律、形成的定理、物理化學(xué)方程， 就其可解釋性而言，是毋庸置疑的。但是，必須意識到，現實(shí)的世界更多的是“非線(xiàn)性”的，而傳統的機理處理更多在線(xiàn)性區，或在擬合的線(xiàn)性區具有良好的表現，這是因為此區域數據的處理成本較低，實(shí)現起來(lái)對于算力的要求也并不高。

工業(yè)機理建模通常來(lái)說(shuō)具有非常強的可解釋性、確定性，即，通過(guò)一個(gè)輸入可以明確計算一個(gè)輸出結果， 具有強確定性，而對于基于歸納法思維的數據建模，模型只能獲得近似，并且僅能對趨勢、判定進(jìn)行分析，很難對精準的輸出進(jìn)行預測。

（2）周期性數據：周期性是整個(gè)工業(yè)任務(wù)中的顯著(zhù)特點(diǎn)，這些參數被有效地建立關(guān)聯(lián)，提取有效的特征值。周期性會(huì )產(chǎn)生大量的數據，但是，對于有效性，確定采樣周期、數據預處理都是首先予以考慮的。

（3）安全性需求：AI在工業(yè)的應用中出現安全問(wèn)題將會(huì )帶來(lái)嚴重的后果，因此，可解釋性、確定性都是為了服務(wù)于安全性。安全不僅包括了設備本身的損壞、資產(chǎn)安全性，更為重要的是關(guān)系到人身安全，這些是很多商業(yè)AI并不涉及到的問(wèn)題，也是工業(yè)專(zhuān)家對AI應用較為謹慎的原因。

（4）高性能要求：在工業(yè)里，一個(gè)判斷的錯誤， 無(wú)論是將真判定為假，或將假判定為真都是會(huì )有潛在風(fēng)險，會(huì )出現錯誤或造成浪費。對于工業(yè)來(lái)說(shuō)，學(xué)習都會(huì )有較大的成本損耗在里面，如：對于機理建模、精益已經(jīng)較高的制造良品率來(lái)說(shuō)，一個(gè)錯誤就會(huì )讓AI的投入失去意義，用戶(hù)對于A(yíng)I的意義就會(huì )打很大的問(wèn)號。

2 邊緣智能的角色與意義

邊緣計算實(shí)際上首先是滿(mǎn)足于全局的優(yōu)化、調度和策略，這些在傳統工業(yè)控制與運營(yíng)管理中已經(jīng)有涉及， 只是，傳統的邊緣計算架構更多是一種離散、專(zhuān)業(yè)屬性的實(shí)現方法，通常具有一定的封閉性，這是如今IT融合中需要由新的廠(chǎng)商來(lái)提供全新架構的地方。

2.1 邊緣計算發(fā)揮的優(yōu)勢

邊緣計算要發(fā)揮的優(yōu)勢在以下幾個(gè)方面：

（1）開(kāi)放架構降低基礎設施成本

打破原有的架構、采用新的計算架構來(lái)進(jìn)行連接， 對于流程工業(yè)或是離散工業(yè)都有意義。傳統來(lái)說(shuō)，工業(yè)生產(chǎn)的抗干擾、低功耗、安全性、惡劣環(huán)境等多種要求，使得工業(yè)系統往往是基于專(zhuān)用系統或采用封閉架構而搭建，具有個(gè)性化定制的系統特征，但是，對于非現場(chǎng)層級的邊緣計算而言，則可以基于開(kāi)放架構來(lái)實(shí)現， 進(jìn)行全局的優(yōu)化。

（2）邊緣架構與智能的全局集成

對于數字化與協(xié)同來(lái)說(shuō)，在思想上是建立在全局， 而不是單機控制上，邊緣架構就會(huì )發(fā)揮作用，從部署的地點(diǎn)來(lái)說(shuō)，必然要部署在邊緣側。

（3）打通周期與非周期之間的障礙

如果可以在邊緣側打通傳統工業(yè)控制系統與開(kāi)放架構之間的障礙，就能夠讓開(kāi)放世界的資源為工業(yè)所用， 無(wú)論是開(kāi)發(fā)語(yǔ)言、硬件資源、數字化設計軟件，都可以與工業(yè)控制系統實(shí)現集成，貫穿整個(gè)垂直鏈條、水平鏈條，實(shí)現有效的連接。

2.2 邊緣智能對于傳統制造產(chǎn)業(yè)的意義

（1）如何替代“技師”的經(jīng)驗

在目前很多產(chǎn)業(yè)里，即使發(fā)展了許多年的產(chǎn)業(yè)，其工藝Know-How還是會(huì )掌握在經(jīng)驗豐富的技師手里，  或者說(shuō)，在很多場(chǎng)景中，人的經(jīng)驗仍然是必不可少的， 甚至包括很多被認為是先進(jìn)領(lǐng)域如半導體缺陷識別，依然是依靠人的經(jīng)驗，通過(guò)學(xué)習的方式需要消耗較多的人員來(lái)標定缺陷，這樣的人又很難有機會(huì )與AI專(zhuān)家一起來(lái)嘗試，企業(yè)也沒(méi)有機會(huì )去給予嘗試。

在分析制造場(chǎng)景時(shí)，我們可以從兩個(gè)大的視角來(lái)分析，一方面要看傳統行業(yè)如何借助于新興技術(shù)來(lái)實(shí)現優(yōu)化，另一方面，實(shí)現角度，我們必須分析其顯著(zhù)的特征，如何與新興的智能技術(shù)更有效地結合，這兩個(gè)分析，可以使我們清晰地認識到如何讓智能在傳統領(lǐng)域落地，更有效地幫助企業(yè)獲得新生。

而在工業(yè)的傳統工藝測試驗證中，本身就有“DoE”環(huán)節，即Design of Experiments，它對于質(zhì)量與流程相關(guān)性建立最小測試模型，篩選顯著(zhù)的因子并對其進(jìn)行組合測試，使這個(gè)組合具有再現性，分析出有效因子，并有75%以上的貢獻率，而繼續進(jìn)行。如果發(fā)現已經(jīng)沒(méi)有顯著(zhù)因子，可以判定為成功的DoE設計。

由此，我們可以看到，其實(shí)傳統的制造業(yè)也是可以基于有效的數據測試驗證分析來(lái)實(shí)現這些質(zhì)量相關(guān)性、工藝相關(guān)性的分析，基于數據的方式，必須在了解制造設計過(guò)程相關(guān)性的領(lǐng)域知識基礎之上來(lái)實(shí)現， 更高效。

（2）如何應對變化的材料與工藝

材料的變化是各個(gè)領(lǐng)域的難題，人們是否能夠尋找到更為高效的方式來(lái)分析材料的特性，并匹配有效的控制參數，這些變化如何被有效地構建模型，對于其無(wú)法測量或測量昂貴的領(lǐng)域，是否可以采用新的測量技術(shù)， 或者新的工藝模型形成的方法？

（3）能否尋找到更好的處理方法

在流程工業(yè)，如化學(xué)、制藥、生物等場(chǎng)景里，通過(guò)離線(xiàn)的分析，對質(zhì)量進(jìn)行管控是一種滯后的控制，是否能夠尋找更有效的模型對質(zhì)量、工藝適配性進(jìn)行自主的學(xué)習？

總之，工業(yè)智能在制造業(yè)中的應用肩負幾個(gè)方向的責任：

（1）如何為傳統的產(chǎn)業(yè)賦予新能

很多時(shí)候，人們把印刷、食品、制藥這些產(chǎn)業(yè)視為夕陽(yáng)產(chǎn)業(yè)，認為這些產(chǎn)業(yè)本身經(jīng)歷百年，已經(jīng)發(fā)展到了一個(gè)非常成熟的狀態(tài)，似乎也沒(méi)有什么發(fā)展空間，但是，這完全不是事實(shí)，至少在大部分情況下都是一種歧見(jiàn)

（2）從傳統的單機到連線(xiàn)生產(chǎn)，新的邊緣計算架構能否提高效率？

3 針對工業(yè)AI的架構設計

事實(shí)上，從工業(yè)視角來(lái)看邊緣智能，對于傳統的自動(dòng)化廠(chǎng)商而言，也是一個(gè)借助IT技術(shù)來(lái)擴展其數據應用的路徑，有著(zhù)豐富的控制應用實(shí)踐，邊緣智能也可以與實(shí)時(shí)控制結合，將優(yōu)化的結果如智能模型的本地推理、參數優(yōu)化的結果部署到控制任務(wù)來(lái)執行，以及將智能的判定用于產(chǎn)線(xiàn)的報警、不良品剔除等任務(wù)，這些都是IT 與OT融合的典型應用。

3.1 通信集成

對于連接的打通，OPC UA over TSN、降低工程量、模塊化的網(wǎng)絡(luò )、扁平化設計，才能實(shí)現邊緣智能， 這屬于基礎設施層面的問(wèn)題。

對于OPC UA的角色，更多在于信息建模，以及將數字化設計與運營(yíng)管理和實(shí)時(shí)控制緊密結合，通過(guò)數字化設計軟件與控制任務(wù)的軟件可以實(shí)現對接。

3.2 跨平臺方法

3.2.1 系統之間的融合——Hypervisor

為了在開(kāi)放操作系統如Linux和Windows與RTOS之間進(jìn)行隔離，采用I型Hypervisor，Hypervisor是一種虛擬的方法，如圖2所示，以其作為中間件，將Windows與Linux運行開(kāi)放任務(wù)，Runtime運行實(shí)時(shí) 控制任務(wù)，可以在X86的多核上分別運行兩個(gè)不同的任務(wù)。

圖2 Hypervisor技術(shù)將CPU資源分別用于開(kāi)放任務(wù)和實(shí)時(shí)任務(wù)

3.2.2 Java/Python與控制之間的銜接技術(shù)

為了有效的應用軟件來(lái)開(kāi)放應用，將開(kāi)放的環(huán)境如Linux上的Eclipse與自動(dòng)化的Automation Studio（貝加萊的自動(dòng)化任務(wù)開(kāi)發(fā)平臺）之間通過(guò)exOS進(jìn)行對接，使得基于Java、Python開(kāi)發(fā)的開(kāi)放應用與控制任務(wù)之間實(shí)現匹配，這是一個(gè)有效的邊緣結合方式， 在Windows/Linux上可以運行機器學(xué)習算法，而在Runtime上可以運行實(shí)時(shí)控制任務(wù)。

圖3中的架構讓IT與OT的任務(wù)可以在應用層面得以銜接，進(jìn)而發(fā)揮各自的優(yōu)勢，如：機器學(xué)習的模型可以對實(shí)時(shí)任務(wù)進(jìn)行“觀(guān)測”，并對其產(chǎn)生的數據進(jìn)行質(zhì)量相關(guān)性分析、參數最優(yōu)匹配的學(xué)習，以收斂整個(gè)控制任務(wù)的質(zhì)量、能耗、時(shí)間到合乎效率的方向。

圖3 在應用架構上的邊緣智能實(shí)現

3.3 基于云計算、邊緣推理的架構

自動(dòng)化廠(chǎng)商除了本身可以提供邊緣智能的結合應用，還可以通過(guò)OPC UA/MQTT與第三方云端系統實(shí)現連接，作為邊緣側，將現場(chǎng)數據上行至云端進(jìn)行訓練， 而將訓練好的模型部署在本地，由本地的Hypervisor 架構中所運行的AI加速器，或本地架構的算力進(jìn)行高實(shí)時(shí)性要求的本地推理，并將結果與執行系統如機器人、運動(dòng)控制實(shí)時(shí)結合，實(shí)現如不良品剔除、標記等制造任務(wù)，形成靈活的邊緣智能實(shí)現架構。

圖4以貝加萊的工業(yè)PC運行雙系統為例，通過(guò)與華為或Intel的AI加速器的連接，可以進(jìn)行本地的智能推 理，并可以實(shí)時(shí)與控制任務(wù)，如機器人、伺服驅動(dòng)器、I/O形成執行，將任務(wù)實(shí)時(shí)處理。

對于個(gè)性化生產(chǎn)的質(zhì)量迭代、快速換型中的參數匹配、預測性維護中的應對機制而言，這一架構可以解決現場(chǎng)的邊緣智能與實(shí)時(shí)任務(wù)緊密結合。

圖4 云-邊-端的協(xié)同架構

4 工業(yè)智能應用案例

對于工業(yè)的邊緣智能而言，有了架構，需結合實(shí)際應用來(lái)說(shuō)明其有效性，在本小節，將以光伏晶片切割裝備上的預測性維護作為一個(gè)案例，分析其如何實(shí)現邊緣智能。

4.1 應用背景

在光伏晶片的生產(chǎn)中，晶棒需要被切割為薄片， 進(jìn)行后道的清洗、制絨、刻蝕、PECVD的過(guò)程，單晶硅切片設備通過(guò)金剛線(xiàn)纏繞于主軸上，晶棒被“鋸”成一片片的單晶硅片，這個(gè)纏繞可以達到3000~4000片的密度，意味著(zhù)每一次切割過(guò)程可以同時(shí)切割3000~4000 片。如果設備出現故障，則意味著(zhù)一根晶棒會(huì )變成廢品，這對于生產(chǎn)廠(chǎng)商而言會(huì )有較大的損失，因此如何進(jìn)行早期設備健康預警，有著(zhù)非?，F實(shí)的商業(yè)價(jià)值。

4.2 機器學(xué)習的切割設備分析過(guò)程（如圖5所示） 

圖5 機器學(xué)習的切割設備分析過(guò)程

首先，對振動(dòng)信號進(jìn)行短時(shí)傅里葉變換，提取出時(shí)頻分析，將原始的一維時(shí)域振動(dòng)曲線(xiàn)轉換為三維的時(shí)頻，如圖6所示。橫坐標為時(shí)域，縱坐標為頻域，顏色維度則代表著(zhù)能量大小，越高亮即此時(shí)頻點(diǎn)能量越大。

圖6 短時(shí)傅里葉變換后的振動(dòng)信號（a）正常；（b）異常

可以看出，在時(shí)頻圖上，正常數據的高亮部分與異常數據的亮度分布是不同的。利用圖像處理的特征提取方法，可以進(jìn)一步地提取高亮的分布信息。最后，將提取的特征值輸入到基于支持向量機的分類(lèi)器中，則分類(lèi)器可自動(dòng)輸出設備健康狀況是正?；虍惓?。在實(shí)際測試中，對多線(xiàn)切割機上采集到的大批振動(dòng)數據進(jìn)行相應處理，得到特征向量集合，并進(jìn)行分類(lèi)。其中部分維度的數據及其分類(lèi)結果如圖7所示，可見(jiàn)，由支持向量機的分類(lèi)器可精準地將數據分為兩類(lèi)，從而檢出故障數據。

圖7 基于支持向量機的數據分類(lèi)， 正常（綠），異常（紅）

經(jīng)過(guò)短時(shí)傅里葉變化及圖像特征提取后，正常與異常的振動(dòng)信號之間的區別被提煉得明確、清晰，易于分類(lèi)。因此，后續采用的AI分類(lèi)器，不需要過(guò)于復雜的架構，即可實(shí)現幾乎100%的檢測精度，提供了一個(gè)高可靠的預診斷方案。

4.3 實(shí)現架構

在這個(gè)應用中，振動(dòng)分析是一種比較高效的方法， 但是，這個(gè)架構中，并未使用到非常復雜的架構，僅在本地邊緣執行側運行基于X86的PC，以及控制系統?？?span style="text-indent: 2em;">以看到，邊緣智能本身是可以在現有的X86架構中去實(shí)現，而控制則可以在Runtime中實(shí)現。

5 工業(yè)邊緣智能應用展望

在實(shí)際項目中，根據需求，工業(yè)智能應用實(shí)現方法可以多樣，除了預測性維護，在參數尋優(yōu)、缺陷分析領(lǐng)域也有著(zhù)大量的應用潛力，但是，工業(yè)領(lǐng)域的邊緣智能需將商業(yè)AI的算法、模型與工業(yè)知識、機理模型緊密結合，才能完整地發(fā)揮效果。

工業(yè)邊緣智能必須結合工業(yè)知識，工業(yè)的缺陷分析應用場(chǎng)景非常多：

（1）生產(chǎn)中的多種缺陷分析：例如制藥領(lǐng)域的燈檢，對于液體制劑的容器的封蓋、瓶身質(zhì)量、裂紋、懸浮物、金屬異物檢測，需要非常強的機器學(xué)習能力，以應對各種化學(xué)制劑、生物制劑、中藥制劑的質(zhì)量分析， 這不僅關(guān)乎成本，也關(guān)乎人身安全。

（2）安裝過(guò)程中的缺陷檢測：個(gè)性化對單品質(zhì)量的要求變得更高，需要一定的動(dòng)態(tài)響應能力，即快速的迭代，這適合邊緣智能的應用場(chǎng)景，在各種消費電子、醫療器械、日用化學(xué)品的生產(chǎn)過(guò)程中，由于訂單的變化較快，邊緣側必須快速學(xué)習、即時(shí)響應，雖然并不需要控制的微秒級，但是，在越短的時(shí)間響應，其因為測量的滯后性帶來(lái)的不良品率就會(huì )大幅降低。

（3 ）工藝參數尋優(yōu)：對于經(jīng)常變更的材料而言，無(wú)論是流程工業(yè)中的生產(chǎn)，還是離散工業(yè)中的金屬、玻璃、塑料、紙張等，都需要適配相關(guān)的參數來(lái)獲得高品質(zhì)，這正是邊緣智能發(fā)揮的地方，在這個(gè)場(chǎng)景中，要結合工藝建模，利用數據的算法實(shí)現參數的收斂。

工業(yè)邊緣必須結合工業(yè)的現場(chǎng)知識和工業(yè)本身的控制能力，自上而下進(jìn)行全局優(yōu)化和數據處理。

作者簡(jiǎn)介：

宋華振（1975-），男，陜西咸陽(yáng)人，碩士，現任貝加萊工業(yè)自動(dòng)化（中國）有限公司技術(shù)傳播經(jīng)理,主要從事工業(yè)通信技術(shù)、行業(yè)解決方案推廣。兼任SAC/TC124/SC4委員、SAC/TC159/WG18委員、邊緣計算產(chǎn)業(yè)聯(lián)盟專(zhuān)家委員會(huì )專(zhuān)家、自動(dòng)化學(xué)會(huì )集成自動(dòng)化分委會(huì )委員，曾參與出版《面向中國制造業(yè)2025的智能化轉型》、《美國制造創(chuàng )新網(wǎng)絡(luò )研究院解讀》等書(shū)籍。

摘自《自動(dòng)化博覽》2021年2月刊