近年来，人工智能的应用场合已经从过往的依赖超级计算机转移到边缘计算，这不仅得益于算法的巨大改进，而且得益于边缘计算算力的巨大进步和分布式计算框架的形成。这里，笔者就人工智能的工业应用前景以及工业人工智能在边缘计算中的应用做一定的扩展。

1 人工智能的工业应用前景

Gartner把人工智能的应用分成五个复杂等级：

（1）响应对象遵循简单规则，但可应对不断变化的环境，如无人机；

（2）分类装置或系统能识别物件的类型，并能在受控的环境中采取简单的操作对物品进行处理，如仓储机器人；

（3）响应对象通过对问题和情境的理解服务于另一对象，如无人驾驶汽车、个人助理；

（4）从多个资源采集信息进行学习以解决复杂问题，如IBM的Watson，全自动军用无人机；

（5）创建者发动范式转移或思考方式的转变，如创造一种新的业务模型。

最后一种人工智能的应用不仅是人们使用的工具，还具有潜力创建危害人类的动作，改变人与技术的关系以及人在社会和经济中的角色。因此，对于这一类人工智能的应用，开发者必须事先深思熟虑。

对于这五类人工智能应用，其组织形式有三种， 即单独的人工智能、联合的人工智能和群体的人工智能。单独的人工智能系统是一个独立的实体，能够独立地解决问题；企业通过监督实体的运行对其进行集中控制。在一个联合的人工智能应用结构中，一个实体的多个版本虽然以相同的方式工作，但处理的是不同的问题（例如机器人顾问、个人助理)；企业可以对实体进行 集中控制或给予更多的自治权。在群体AI应用结构中， 多个实体共同为处理同一个问题工作（例如多无人机灯光秀，美国空军用喷气式飞机释放Perdix山鹑微型无人机的实验）；实体机器执行自治的控制，或者只需要少量的人工管理。

工业人工智能或者人工智能的工业应用涵盖从低级的人工智能应用（如自动化）到具有决策能力的高端人工智能；既可以是集中控制的人工智能，也可以是分布式的人工智能。

工业人工智能应用最常见的起点是自动化，但不能就此止步。人工智能更强大的用途是帮助人类决策和互动。人工智能可以对信息进行分类，并以比人类更高的速度进行预测，因此用人工智能的方法处理工业物联网设备产生的大量数据，可转变为强大的分析和决策工具。

大多数工业人工智能项目按其服务目标大体可分为四类：（1）工业资产管理的人工智能应用，包括设备自动化、设备稳定运行和设备运行状况监控；（2）流程的人工智能应用，包括通过跨多个资产设备或跨多个流程的自动化和稳定运行，以提高效率、改善质量和实现产量最大化；（3）为实现卓越运营和/或业务敏捷性的人工智能应用，包括能源成本优化、预测性维护、物流和调度、研发等；（4）在CAD/CAM中应用人工智  能，优化设计结果。

1.1 工业资产管理的人工智能应用

IBM的Watson物联网是人工智能应用于资产管理的典型范例。其Maximo企业资产管理（EAM）软件系统运用Watson物联网采集大量实时数据，再用人工智能的软件工具对数据进行挖掘和分析，对工厂的关键物理资产（无论是分立的机器、复杂的功能资产系统， 还是人力资产）及其运维，都能做出更好、更及时的决策。另外，此类资产生命周期管理和维护解决方案，使用实时数据收集、诊断和分析工具来延长资产的可用生命周期，提升整体维护的卓越实践，满足日益复杂的健康、安全和环境（HSE）要求，并将风险管理嵌入日常业务流程来控制操作风险等，都可以从人工智能的应用得到很好的效果。

具有人工智能的企业资产管理系统还可以帮助解决有经验的操作员和运营工程师退休导致的人才和知识流失的问题。系统通过学习和固化经过验证的工作流程和卓越实践，发掘作为工厂管理运维中坚力量的技术员工长期积累的知识和关键技能，从而达到以较少的人力资源完成更有效率和成本效益的工作的效果。

1.2 流程的人工智能应用

人工智能应用于流程包含以下方面：（1）人工智能应用于设计和工程流程是用兼容人工智能的数字平台取代基于文档的信息交换来支持设计和工程。只要把相关来源的信息都加以数字化处理，接下去就可以利用机器学习或人工智能算法，将以前依靠手工完成的任务转换为自动操作，这将降低开发成本。人工智能设计和工程流程的目标是建立一个集成的“系统的系统”，从产品开发的需求、设计、制造，一直到用户使用产品各个阶段构成闭环，通过工业物联网实现运行的实时监控， 然后部署人工智能系统分析数据、上升为知识，并利用这些知识来改进产品的设计、制造和使用。（2）人工智能应用于操作流程是用实时精确的工业人工智能自动运行平台对关键生产流程和资产管理实施标准化的操作，达到提高效率、减少燃料和能源消耗、提高质量、降低成本和改进决策的最终目标。

美国OSIsoft公司采用云原生的平台即服务（PaaS）的策略，创建了可供预装数据中心、边缘和云端运行的安全的工业数据基础架构OSIsoft Cloud Services（OCS）。他们还与匹茨堡的Petuum公司技术合作，将创新的高级人工智能自动运行套件集成到OCS中，开展工业人工智能的项目服务。

图1显示了Petuum工业人工智能自动运行平台的系统功能。它可从多种来源获取数据，包括来自控制系统的数据、机械装置的数据、非结构化数据、图像数据、结构化数据库、时间序列数据库、历史数据库、客户关系管理系统（CRM）数据、企业资源规划系统（ERP）数据等。它提供复杂的数据处理、数据清洗和机器学习/深度学习的传递途径，以在一系列工业用例 中实现对线性数据、暂态数据、长程数据和非线性数据等模式敏感的高级人工智能，从而在对流程和资产进行数据分析、操作规范化的基础上，通过自动运行获得卓越运行的效果。

图1 Petuum工业人工智能自动运行平台的系统功能（来源：Petuum）

Petuum工业AI平台已经在水泥、采矿、金属、化工、炼油、采油和天然气采集等多个工业行业的资产管理和生产流程中获得成功应用。Cemex是全球知名建筑材料公司，在水泥厂的回转窑和熟料冷却系统中，将OSIsoft PI系统与Petuum工业人工智能自动运行软件整合，发挥了更好的效能。人工智能平台直接用于控制系统，为重要的过程变量提供精确的实时预测，为关键控制变量设置规范化的运行区间，并在保持适用的静态和动态约束的同时实现在操作人员监控下的自动运行， 不仅提高产量，还节约能源高达7%。这改变了水泥行业的格局，并向安全、标准化运营的数字化转型迈出了一步，为今后加强高质量产品组合，将成本降至最低， 实现可持续发展目标提供了坚实基础。

1.3  为实现卓越运营和/或业务敏捷性的人工智能应用

运用工业人工智能满足企业卓越运营和/或业务敏 捷性的要求，是通过工业物联网从工厂的生产线采集生产过程的数据和机械装置的数据，并将其与ERP系统数据集成，采用全新的人工智能套件、机器学习和流分析，帮助生产管理人员和业务管理人员理解设备、人员、供应商和客户之间的复杂关系，了解企业当前生产和市场的实时状况，预测未来可能会发生的状况，既能确保工厂的产品能按质按量向客户交付，还能应付市场的变化及时调整生产计划，并与生产系统贯通，提前做好完成新生产任务的必要技术和原材料准备，以保证计划的实施。总而言之，在生产运行中保证其效率、成本控制和产出率；在业务运营中支持业务人员的操作以确保业务敏捷性的实施。

用户要求运用人工智能分析工业物联网采集的数据流和ERP、CRM等系统的常备数据时，能提供一种无需专业技能的简化方式，无论是数据科学家还是业务经理都可以使用这种分析方法来快速选择、启动、转换和操作物联网数据。美国SAS Analytics公司的软件有许多案例，在这些方面获得了用户的认可。

1.4 在CAD/CAM中应用人工智能

在计算机辅助设计和制造过程中结合应用人工智能的效果明显。例如在采用CAD做电路布线、外观设计， 采用CAM做产品加工路径设计和运动轨迹规划时，都 可以应用人工智能，还可以集成到控制器中执行。由于设计软件数据结构明确，对于机器学习来说便于学习， 也便于生成语义。据了解，西门子正在这个方向深耕。OpenAI新近推出两个多模态模型，一个是结合计算机视觉CV的DELL-E，另一个是与自然语言处理NLP结合的CLIP，它们可以通过文本直接生成相对应的图像。人工智能的长期目标是构建多模态的神经网络，即人工智能可以学习以文本和视觉为主的跨模态的概念，由此更好地理解世界。DELL-E和CLIP使我们更接近“多模态人工智能系统”的目标，这对于在CAD/CAM领域中应用人工智能，会有大的推进。

2 在工业边缘分析中应用人工智能的方法

用人工分析一条生产装配线上所有传感器生成的信息可能需要花费很长的时间，由此可以理解为什么往往只有不到一半的结构化数据被用于决策。至于非结构化数据被分析或使用的比例更低，譬如一台IP摄像头24小时产生的近1012兆字节的视频数据中只有10%被用来进行分析。这些数据表明，尽管我们有能力收集越来越多的信息，但在数据分析方面仍存在疏漏。靠质检人员的视觉来检查生产流水线上产品的微小缺陷，既耗费大量的劳力，还容易产生视力疲劳和人为错误。同样，高铁轨道紧固件的人工目视检查，只能在列车停运后的下半夜进行，不仅费时，而且难度大。对高压电览和变电站设备进行人工检查也使人员面临额外的风险。

人类无法分析所有采集的数据，可借助将人工智能纳入工业物联网的方法去解决。按照建模的目标，机器学习运用统计计算可以发现数据中蕴含的趋势、模式、特征、属性和结构，以新的观察结果为决策提供依据； 机器学习还可以通过一定的算法如神经网络等自动学习和改进，无需编程。

通过工业物联网和/或直接在边缘可编程工业控制 器（或其它具有数据采集功能的边缘计算装置）采集大量原始数据后，如何对这些数据进行分析和挖掘？ 尽管现在边缘可编程工业控制器具有强大的运算能力，但也难以支撑复杂的分析运算，特别是需要经过一定时间的采集数据，并经过一定时间的训练才可能建立人工智能模型，因此建模和训练的任务最好是放在云服务器或本地服务器中完成。图2描述了这种在边缘实行人工智能应用的三步曲，即首先在边缘进行数据采集，其次把大量原始数据发往云端，利用云端的人工智能软件工具实施建模和训练，待模型经过验证符合预定的要求和判据后，再下装至边缘可编程工业控制器或边缘计算机，执行人工智能模型的推理、决策。这样做的优点是：数据采集的低时延、通信量大幅度削减，人工智能建模的速度和精度由于云服务器的算力而得以显著提升，在边缘执行人工智能模型分析决策的及时性。当然，如果用户对关键数据非常敏感，不允许将数据送往公有云去处理和训练，那么只好利用本地的服务器。

图2 实施边缘分析的三个步骤（来源：IEB）

人工智能模型需要在高级神经网络和消耗大量资源的机器学习或深度学习算法上进行训练，这些算法需要更强大的处理能力，如支持并行计算、功能强大的GPU处理器， 以便分析数量巨大的训练数据。训练一个人工智能模型包括选择一个机器学习模型，并根据采集到的和预处理的数据进行训练。为了确保准确性，在此过程中还需要对参数进行评估和调整。有许多训练模型和工具可供选择，包括现成的深度学习设计框架，如PyTorch、TensorFlow和Caffe。训练通常在指定的人工智能训练机器或云计算服务上进行（如AWS Deep Learning AMIs、Amazon SageMaker Autopilot、谷歌云人工智能、Azure Machine Learning等），而不是在现场进行。在国内，华为云一站式AI开发平台ModelArts也是很好的选择，其通用预训练模型架构EI-Backbore能让模型在下游任务中获得良好性能。

在云端训练好AI模型后便可将此模型部署在边缘计算机上，可以根据新采集和预处理的数据快速有效地做出分析推断和预测。尽管如此，用户还需要一个转换工具来转换训练好的模型，使其运行在专门的边缘处理器/加速器上，如Intel OpenVINO或NVIDIA CUDA。用户需要根据边缘计算的需要来选择合适的处理器。推理分析按照不同的数据分析能力可分为低、中、高三种不同的边缘计算级别和要求。

在边缘和云之间传输数据不仅昂贵、耗时，还会产生延迟。对于低级别的边缘计算，应用程序只向云发送少量有用数据，这减少了延迟时间、带宽消耗、数据传输费用、功耗和硬件成本。一个没有加速器的基于ARM的芯片就足以用于采集和分析数据，做出快速推 理或决策。

对于中级别的边缘计算，比如需要处理各种IP摄像机的数据流，只有具有足够的处理帧速的处理器，才能用于计算机视觉或视频分析。基于人工智能模型和用例的性能要求，还应满足广泛的数据复杂性，例如大型公共监控网络的人脸识别应用。大多数工业边缘计算应用还需要考虑对功耗的限制，或采用无风扇散热设计。在此级别上可以使用高性能CPU、入门级GPU或VPU。例如，Intel酷睿i7系列CPU，通过OpenVINO工具包和基于AI/ML加速器的软件，提供了一个高效的计算机视觉解决方案，才可在边缘执行推理。

高级别的边缘计算涉及到使用更复杂模式识别的人工智能专家系统，数据处理的负载更重，如为了通过公共安全系统自动视频监控的行为分析来检测安全事件或潜在威胁事件。高级别的边缘计算的分析推理通常使用加速器，包括高性能的GPU、VPU、TPU或FPGA，这些加速器耗能多（200瓦或更多），对散热的要求更高。

有几种工具可以用于不同的硬件平台，帮助加速应用程序开发过程或提高人工智能算法的整体性能。深度学习框架是一种允许用户更容易和快速地构建深度学习模型，而无需深入底层算法细节的工具，它以一种清晰而简洁的方式向用户提供界面和软构件库，用户只要从中选择一组合适的预先构建并经优化的构件来定义模型，然后就可以通过处理大量的数据来训练模型。

硬件供应商提供的人工智能加速器工具包是专门为在其平台上加速机器学习和计算机视觉等人工智能应用而设计的。如Intel OpenVINO，Intel的开放视觉推理和神经网络优化工具包，旨在帮助开发人员在Intel 平台上构建强大的计算机视觉应用程序。OpenVINO 还支持对深度学习模型进行更快的推理。又如NVIDIA CUDA运算平台可为嵌入式系统、数据中心、云平台和基于NVIDIA CUDA构建的超级计算机上的GPU提供高性能并行计算，加速应用程序运行。

3 后记

在国内，人工智能是继智能制造、工业4.0、工业 互联网之后被大家热炒的话题。不过人工智能在国内真正付诸于实践的还是一些金融服务、医疗和人脸识别等领域，鲜见人工智能的工业应用。尽管也有个别公司的工业人工智能应用独树一帜，如北京寄云科技公司的工业数据分析模型开发和部署平台（DaStudio 和DaRuntime）利用机器学习对工业数据进行分析建 模，但总的来说与欧美工业发达国家工业人工智能频频喜获应用突破形成鲜明的对比。这从另一个侧面反映了一个老问题：为什么一涉及到信息技术的前沿， 在我国总是难以落实到工业制造？笔者希望让大家特别是工业人了解，人工智能的工业应用不是凭热炒就能生效的技术，而是需要有恰当的入口、合适的方法和持之以恒沉到工业现场的毅力，才可能进入大有用武之地的境界。AP

作者简介：

彭 瑜，教授级高工，上海工业自动化仪表研究院技术顾问，PLCopen中国组织名誉主席。

摘自《自动化博览》2021年2月刊