- 未来智路:实例解读如何走出智能制造33个误区
- 欧阳生
- 4173字
- 2021-01-07 19:17:44
1.6 智能制造与几个相关概念间的关系
在第四次工业革命开启后,一些新概念如雨后春笋般涌现,如工业4.0、工业互联网、大数据、工业大数据、智能制造、云计算、雾计算、边缘计算、物联网、人工智能、区块链等。面对这么多新概念,很多人焦虑地到处去听讲座、参加各种论坛,由于演讲人或活动的水平参差不齐,结果把大家弄得更加晕头转向;一些服务商为了宣传自己的产品和服务,花钱去买宣讲机会,向听众传递不科学、不严谨的信息;还有一些企业或者个人“抱团取暖”,成立相关组织,实则做广告。这些做法不但不能普及知识,反而成了听众甄别和筛选信息的负担。但是这些做法也并非一无是处,它们至少在普及概念和提升智能制造影响力方面做出了相应的贡献。
以下将选择几个主要的相关概念:云计算、大数据、工业互联网、人工智能,介绍它们与智能制造的关系。
1.6.1 智能制造与云计算
云计算的概念从提出到今天,已经差不多10 年了。在这10 年间,云计算取得了飞速发展与翻天覆地的变化。早期的云计算就是简单的分布式计算,解决任务分发,进行计算结果的合并。现阶段所说的云计算已经不单单是一种分布式计算,而是分布式计算、效用计算、负载均衡、并行计算、网络存储、备份冗杂和虚拟化等计算机技术混合演进的结果。
那么云计算和智能制造的关系是什么呢?智能制造的核心技术是CPS,云计算是实现CPS 的一项关键技术。云计算包含以下三个层次的服务:IaaS(Infrastructure-as-a-Service):基础设施即服务;PaaS(Platform- as-a-Service):平台即服务;SaaS(Software-as-a-Service):软件即服务。
(1)IaaS:基础设施即服务。基础设施可以看作计算机主机,其实质是大规模的主机集群。可以将IaaS 看成计算机基础设施的共享服务,通过将大量分散的计算机用网络连接起来,实际上实现了算力共享。消费者通过网络可以获得完善的计算机基础设施服务,如硬件租赁服务。
(2)PaaS:平台即服务。平台的地位大致相当于计算机操作系统,类似于Windows,是开发和运行程序的基础。PaaS 是将软件研发的平台作为一种服务,以SaaS 的模式提交给用户。因此PaaS 也是SaaS 模式的一种应用。但是PaaS 的出现可以加快SaaS 的发展,尤其是加快SaaS 应用的开发速度,如软件的个性化定制开发。
(3)SaaS:软件即服务。软件即服务比较容易理解,它是一种通过网络提供软件的模式,用户无须购买软件,而是向提供商租用基于Web 的软件来管理相关的活动,如城市安全管理。
IaaS、PaaS、SaaS 的图示如图1-10 所示。
图1-10 IaaS、PaaS、SaaS 图示
由于云计算是实现CPS 的关键技术,因此它和智能制造是密不可分的。随着虚拟世界中的物理实体的镜像越来越多,对于云计算的存储能力和计算能力要求越来越高,因此随着智能制造的发展,对云计算的需求会越来越多。
但是随着近年来边缘计算的崛起,将会分担部分云计算的压力。由于数据从物理世界的边缘侧传输到云端,在云端经过运算处理后再返回边缘侧,这个过程通常要几百毫秒,这对于智能制造来说是致命的,特别是针对精密加工行业和需要及时响应和控制的应用场景,云计算很难满足需求,因此边缘计算出现了。边缘计算是分布式计算的一种形式,它在物理对象边缘侧完成一个完整的信息处理闭环,使信息处理和响应时间可以控制在微秒甚至纳秒内,因此,对于需要及时响应的场景非边缘计算莫属。另外,边缘计算还能在边缘侧进行数据分析和过滤,将无效的数据直接在边缘侧处理掉,将真正需要的信息发送到云端,这样将大大减轻云计算的压力。随着边缘计算能力的增强,SaaS 未来将主要存储在云端,运行在边缘侧。因此未来的一种大概率模式是:边缘计算提供数据分析、过滤和计算功能;云计算主要承担数据存储、分析和比较等功能。
1.6.2 智能制造与大数据
随着工业4.0 的发展,大数据的概念从商业大数据不断地向工业大数据延伸。
Gartner 认为大数据需要新的处理模式才能具有更强的决策力、洞察力和流程优化能力来适应海量、高增长率和多样化的信息资产。
麦肯锡全球研究所给出的定义是:一种规模大到在获取、存储、管理、分析方面大大超出了传统数据库软件工具能力范围的数据集合,具有海量的数据规模、快速的数据流转、多样的数据类型和较低的价值密度四大特征。
IBM 提出的大数据的5V 特点广泛地被从事大数据研究的人们所接受:Volume:大量;Velocity:高速;Variety:多样;Value:低价值密度;Veracity:真实性。
无论大数据的概念是什么样的,对于大数据消费者来说,最关心的是大数据能够带来什么价值?目前大数据在商业上的应用已经非常成熟,但是在工业上的应用才刚刚起步。
从商业的角度来看,要通过一定的属性来收集原始数据,如消费者购买行为、商品的消耗规律、区域购买力等。可以精确地预测消费者的需求,对于商家来说可以做精准营销,对于消费者来说可以享受便捷的服务,可谓双赢。但是,近年来一些人将大数据应用于信息推荐,如头条等,这些做法降低了消费者搜索信息的能力,也严重影响了人们获取信息的宽度和多样性,从而降低了创造力,从长期来看,对整个社会是非常有害的。
从工业的角度来看,目前由于工业大数据还不完整,工业大数据的很多价值还没有完全地展现出来。当前工业大数据比较成熟的应用领域是设备预测性维护,通过传感器、打通设备数据通信接口等方式,实时了解设备或者其他对象的信息,再进行数据清洗,然后通过数据建模找出数据的规律,从而预测设备未来的绩效表现。通过这种做法能够迅速预测设备短期内的绩效表现,准确率达99%以上,当能够预知设备短期内的绩效表现后,就能够进行及时干预,避免设备故障或事故发生,减少故障或事故带来的损失,甚至挽救很多无辜的生命。
在工业4.0 时代初期,工业大数据走在了前头,这是由于数据采集和生产是构建智能化的基础。大数据是实现智能化的基本生产资料,没有数据,智能就无从说起。企业要实施智能制造,实时进行数据采集和生产就是第一步,而这些工作的前提是要构建由横向价值流和纵向信息流组成的“端到端”数据网络,也就是所谓的工业互联网。
1.6.3 智能制造与工业互联网
德国的工业4.0 换个名词就是智能制造,而美国的工业互联网与智能制造还是有一定差别的,它的概念比智能制造要宽泛很多。
不管是工业4.0 还是工业互联网,CPS 都是核心,只不过在具体做法上有所不同。
德国的实践可以称为工业4.0 二维策略,如图1-11 所示。
图1-11 德国的工业4.0 二维策略
这个二维策略在本质上就是两个“端到端”数据网络:一个是纵向信息流的“端到端”,另一个是横向价值流的“端到端”。价值流“端到端”也可以将产业链上下游企业看成一个整体,然后在虚拟信息世界中创建整个产业链的CPS 镜像,指导现实产业链上下游企业产生协同效应。要实现这个策略,首先要实现单一企业数字化和智能化,先把单个企业变成智能工厂;然后将产业链上下游企业互联起来,产业链协同效应才会发挥出来,整个产业链的效率才能大幅度提升。另外,集团公司也可以将其子公司互联起来,便于协同管理。
美国的工业互联网和德国的工业4.0 在二维策略上稍有不同,德国的工业4.0 的二维策略是以生产制造为核心的,美国的工业互联网是以服务为核心的。既然是服务,涉及的面就更广,需要将提供服务的相关方都连接起来,才能产生新的价值。美国的工业互联网策略如图1-12 所示。
图1-12 美国工业互联网策略
从图1-12 中可以看出,在现实物理世界,先实现智能化,然后把智能物体、实体互联起来,产生实时协同效应;然后在虚拟信息世界建立与现实物理世界相对称的数字孪生体。虚拟信息世界中的数字孪生体,可以很方便地挖掘相关方的关系,还可以预测每一个相关方的未来;在现实世界中,要实现这些就没有那么容易。正是现实物理世界和虚拟信息世界的这个差别,才体现出CPS 的价值,即通过虚拟信息世界来指导现实物理世界,产生实虚协同效应。
从德国的工业4.0 二维策略和美国的工业互联网的“万物互联”可以得知,两者都是借助物联网技术实现“实实互联”,借助CPS 实现“实虚互联”,再借助云计算和大数据分析实现通过虚拟信息世界指导现实物理世界的目的。
1.6.4 智能制造与人工智能
随着工业4.0 时代的到来,人工智能向各个行业延伸。在制造领域,人工智能目前主要有两大应用方向:一是视觉检测,二是机器学习。二者都是智能制造所需要的核心内容。
智能制造的一个目标是少人化,而人工智能的目标是让机器能够像人一样思考和决策。
通过人工智能视觉检测,可以代替部分需要人进行的检测工作。人工智能视觉检测相对于人的优势主要体现在四个方面:一是高稳定性,不会产生疲劳,不会带来人为因素导致的误判;二是检测速度快,可以实现毫秒级甚至更快速度的检测;三是在线检测,不论物体处于静止还是运动状态;四是精度高,可以实现µ级检测要求。但是人工智能视觉检测目前还有很多的局限性,主要体现在两个方面:一是由于视觉检测需要光源,对于结构复杂的物体,部分地方打光困难,很难完成100%检测;二是部分场景条件的特殊性,导致人工智能视觉检测很难开展,如高温环境和密闭环境给镜头带来了很大挑战。
对于制造业来讲,不良品永远是一个老生常谈的问题,如何减少不良品的产生,过去主要经历了四个阶段:第一阶段以QC(质量检测)为主,通过检验防止不良品流出去,这在本质上没有减少不良品,只是减少了不良品带来的影响;第二阶段以QM(质量管理)为主,主要通过建立质量管理体系来减少产生质量不良的概率;第三阶段是QD(质量设计),有一句质量管理名言:“质量不是检验出来的,而是设计出来的”,这句话就是在强调质量设计的重要性;第四阶段是TQM 阶段(全面质量管理),如果要减少质量问题的发生,需要全方位的预防和控制。过去这些做法都是建立在经验基础之上的。那么到了工业4.0 时代,可以有更多的科学方法来帮助企业降低质量不良,其中一个就是机器学习。
机器学习将会给制造业质量管理带来革命性的变化。传统质量控制的方式主要是预防和控制,没有在加工过程中进行实时的干预和调整,也就是“设定成什么样就是什么样”。通过机器学习,设备能够实时与加工对象进行信息交互,根据对象的实时情况进行自我调节,从而预防不良品的产生。比如,当设备加工出了一个不良品,设备能够及时告知系统,并且在加工下一个产品时及时调整加工参数。随着加工数量的增加,机器变得越来越智能,从而在加工过程中进行实时调整,不断自我提升加工能力,实现不生产不良品的目标。
虽然目前正处于第四次工业革命的初期,但是第四次工业革命能够给世界带来的巨大变化正在被人们所熟知,随着各种新技术的广泛应用,未来非常让人期待。然而任何一次伟大的生产力变革都不是一帆风顺的,都需要经历很多风雨,第四次工业革命也不例外。