顛覆性創新技術不但是投資者追逐的風口，更是實業者努力創造的現實。走過130年創新路，ABB繼續在數字化浪潮中御風而行，通過自有實驗室實現了眾多技術突破，同時攜手新興科技領域全球翹楚，致力于開放式創新。

人工智能、深度學習、邊緣計算、數字孿生、Factory 2.0……熱詞頻現，數字化技術與各行業的交匯將產生什么化學反應？數據與算法將如何賦能新制造，重新定義未來工廠？近期，我們將集中介紹ABB最新的科研成果和應用案例，跟我們一起來探尋這些熱詞背后的真相吧！

今天，人工智能已然成為智能制造、工業互聯網大潮中的熱門話題，人們賦予了人工智能非常多的期望。然而，人工智能必須要與人的經驗結合才能最大程度發揮效能，工業領域的人工智能更是如此。工業生產往往由機械-電氣-工藝構成復雜系統，變量多、系統機理復雜相互影響。因此，如何將人工智能的算法與模型和工業現場的應用場景相結合，這個需求本身就是一項創新。如何通過簡單方法解決現實問題也是評估創新性的關鍵一環。機器學習作為人工智能最為重要的內容之一，是解決工業問題的有效方法。

當很貴的「單晶硅」

遇上很累的「多線切割機」

中國是全球最大的晶硅電池組件制造國。

單晶硅電池在長晶、切方后會進入切片工序。在這個工序里：放線輪的鋼絲線會經過四個軸繞線（超過3000圈）然后被牽出，經過切方的晶棒會被放于其上；隨后，通過在鋼絲線上加載石英砂研磨材料將晶棒切為單片的晶片，然后通過后道的清洗、制絨、刻蝕、減反射膜（PECVD）等工序，并經過層壓敷設等組裝工序成為光伏組件，提供電力供應能力。

多線切割機是生產晶硅電池最為重要的設備，每天都處于連續工作狀態，屬于負荷非常重的生產設備，它的穩定性及可靠性會直接影響到工廠的產能和產品質量。眾所周知，單晶硅棒材價格昂貴，因此如何提高多線切割機的健康預測至關重要。在生產切割過程中，若因為機器故障導致切割出廢品，那么硅棒損耗、停機及人工成本帶來的損失將非常高。

多線切割機機械結構簡圖

青島高測科技股份有限公司（以下簡稱高測）是國內領先的光伏設備制造商，在過去數年里發展迅速，裝機量大幅提升。為了更好地提升用戶體驗與服務效率，高測在原有基于狀態監測的維護之上開發了基于機器學習的預測性維護模型。

「預測性維護」

挑戰重重

預測性維護并非是一種全新的設備維護解決方法，在過去的數十年里，它已經被應用于航空發動機、大型鼓風機等諸多領域。

由于采用專用的分析模型，這些預測性維護往往需要對機械失效模型進行深入的研究，而且通常需要配備非常專業的維護人員。維護航空發動機這樣的重值設備，尚可以承受高昂的維護價格；但對工業裝備而言，這個方法往往經濟性不足，并且航空發動機領域的相關知識不易于移植到其它行業，每個垂直的領域都有非常特殊的工況以及系統運行機制。

「數字驅動」

為設備提供穩定保障

數字驅動的機器學習的不斷發展，讓不依賴于機器固有復雜建模基礎上的預測性維護成為可能，通過數據分析對潛在風險進行評估和預測，為設備提供穩定可靠的保障。

/無需額外硬件支持/

高測多線切割系統采用貝加萊的Panel PC作為控制系統。Panel PC是一款集成控制系統，可以將PC的強大計算能力、PLC實時控制能力和Windows豐富的HMI開發能力融為一體。因為具有開放的算法支持能力，該系統僅需在現有硬件和軟件平臺基礎上進行機器學習算法設計，而無需額外配置一套專用的機器學習系統或其它類似AI加速器等硬件。原系統本身就提供了對牽引軸的溫度點檢測，四個驅動軸分別配有溫度檢測模塊提供采樣輸入。

多線切割系統軟硬件配置架構

/自定義的算法/

非監督式學習的經典算法經實驗無法滿足該應用場景的需求，因此工程師們需要自定義一種非監督式學習算法，更有針對性地解決該系統問題。得益于Automation Studio平臺的開放能力，工程師們可以自定義機器學習算法。

工程師們選擇了基于特征提取的非監督學習模式來開展學習過程。在這個系統中，工程師們在眾多的參數中（包括電流、電壓、溫度、速度、位置）中選擇了4個軸承溫度作為測量點，構建了溫度相關特征提取的策略。這是機器學習算法設計的重要一環，即必須確保數據的有效性和內在關聯性。

在此基礎上，對這些參數進行了適當的算法處理，并獲得溫度殘差，即，溫度的斜率 -均值（斜率的均值）得到殘差，然后系統對殘差數據進行基于以下三個目標參數的學習，尋找其最優值：

1.檢測滑動窗口:W（秒）

2.發散水平閾值: α

3.比例閾值：β

通過大量數據的學習（超過20GB數據），以獲取W, α, β的最優組合。

衡量系統效果的關鍵指標在于“檢出率”與“誤報率”，這兩個參數通常成對出現。在設計算法時，追求檢出率則會導致閾值設置比較低，誤報率就會提高，因此需要通過設置合適的閾值以尋求最優的故障預測。通過在15臺機器上數千刀的裁切過程，在檢出率90%的情況下，預測性維護系統僅有0.2%的誤報率，達到了超預期的學習效果和非常高的投資回報率。

創新就是要在最小投入下獲得最大產出。該系統無需額外硬件資源投入而達到極高的預測效果，充分體現了人的智慧與機器的學習完美結合。

▲理論解析▲

Gartner的分析師Carlton在2017年對機器學習架構進行了闡述。簡單的說，機器學習正如下圖所示，通過輸入數據，由學習系統對數據進行處理，并達到數據輸出。這里不同的數據包括結構性和非結構性數據。考慮到現實數據源的復雜性，需要對數據進行預處理，進入的數據才可以被學習系統識別。學習系統會借助各種不同的監督或非監督學習算法來處理數據，并生成各種應用結果，例如預測、分類等應用。

機器學習就其原理而言，并非想象中那么高深。機器學習要解決的是一種較為“確定”的應用，但是對于很多機器的控制工藝而言，往往更依賴于人的經驗，而人的經驗差別較大且不確定性較高。另外，人的經驗在遇到新的工藝時候也需要學習和驗證。機器學習試圖建立一種適應變化的能力，讓不同工況下的控制實現工藝最優化。

因此，機器學習在某種意義上來說就是“授人以漁”，而傳統模型則是“授人以魚”。

機器學習包括了監督學習、非監督式學習和強化學習。監督式機器學習主要任務通過機器學習模型和已有信息，對感興趣的變量進行預測，或者對相關對象進行分類。常用的監督式機器學習有隨機梯度、樸素貝葉斯、支持向量機、神經網絡、決策樹等。非監督式學習是在沒有先驗知識或信息缺乏的情況下，對數據集的規則進行自學習，主要應用是聚類，主要算法包括K-means、近鄰算法、高斯混合模型等。強化學習旨在通過對實際事件得到觀察得到行為優化的結論，目前強化學習暫時主要停留在學院派研究中。

未來工業應用場景分析

預測性維護

通過數據（溫度，流量，電流，加速度等）監測過程并預測其預期行為的區域，以檢測設備故障或生產錯誤。在傳統應用中，我們使用固定閾值，并在物理值超過閾值時生成警報，這種方法需要非常專業的機械模型和失效分析，并對人員專業度要求極高。而通過數據驅動的機器學習方法，可以通過大量的數據采集和學習來實現對故障的預測，在對機器造成不可逆轉損壞或重大生產損失之前更好地識別潛在故障。實際應用可以是非常通用的：從注塑機到風力發電機組到過程自動化。

機器視覺

示例主要涉及機器人技術（拾取，放置和分揀）領域，在其他一些專業驗證和測量過程中也是如此，目前的視覺算法還無法輕易解決這些問題。

視覺分析是機器學習常用場景（圖片來自網絡）

機器視覺是最為普遍的工業檢測應用，可以通過視覺系統對生產線的加工對象進行檢測。相較于傳統的依靠人工經驗長期積累的機器視覺方案而言，采用機器學習方法可以通過學習構建對產品的分類、定位、識別、缺陷分析等應用場景更為靈活、適應更廣且更為經濟的方案，并且通過與控制系統的通信也可以實現視覺與機器運動、邏輯的同步。

設備預測性維護相關的振動傳感器信息

視覺缺陷監測的學習與預測

生產質量影響因素分析

優化

優化的目的在于提高控制質量如響應速度與精度。機器學習可以消除人類專家微調模型參數（機器動力學，風力渦輪機定向，卷筒張力）的需要，以便最大化獎勵：輸出生產、過程精度、功率提升。應用程序可應用于任何區域，由于需要與機器進行有效的交互，因此需注意安全限制。

控制

控制是目前大部分研究所關注的一個復雜領域，其目標是讓機器學習算法在沒有任何先前知識的情況發現流程的控制策略。涉及許多變量并且沒有可用分析解決方案的復雜過程（例如電網管理，供應鏈，化工廠等）可以嘗試這種方法。

當然，就目前階段而言，機器學習必須與人的智慧和知識進行緊密結合，才能更好地發揮效果。