智能制造的基礎(chǔ)問題與難題分析

工業(yè)互聯(lián)網(wǎng)僅是一種實現(xiàn)智能制造的工具或方法，本身不屬于一個具體的產(chǎn)業(yè)。然后又有來自IT的朋友希望能夠了解制造業(yè)運行的問題，難題，希望有些全局性的認知，這個的確太大的話題，我來試著分析一下，膽子似乎越來越大了。

一、基礎(chǔ)問題—先不談技術(shù)路線

其實，對于智能制造、工業(yè)互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能這些話題而言，如果不解決基礎(chǔ)問題，其實，后面的技術(shù)問題也會是一團糟，因為在一個需要結(jié)構(gòu)性思維、跨界協(xié)作的年代，作為規(guī)劃者與執(zhí)行者，每個參與其中的人、企業(yè)必須先得在基礎(chǔ)性問題上獲得共識，才能相互協(xié)作，構(gòu)成所謂的“生態(tài)系統(tǒng)”。

生態(tài)系統(tǒng)是NNMI所要共建的，而對于IT與OT融合，本身IT思維就在生態(tài)系統(tǒng)的構(gòu)建，那么就必須解決生態(tài)系統(tǒng)中的個體的人與個體企業(yè)之間的“語義”一致性與規(guī)范問題，這些問題不解決后面的技術(shù)就無法真正融合。

1.人才問題

人才問題的難題首先在于教育與產(chǎn)業(yè)間的培育矛盾，大學教育按照垂直的專業(yè)劃分的，而企業(yè)的用人卻需要橫向的跨界人才，這就是如圖1所謂的“T”型人才。

圖1-T型人才是廣度與深度的集成

尤其是在智能制造的年代，我們需要的人才是跨越多個學科、領(lǐng)域的人才，如圖2為奧地利工業(yè)4.0研究院對于人才培養(yǎng)的需求分析，顯然，不可能存在一些人他們能夠在所涉及的每個領(lǐng)域都是專業(yè)人士，但是掌握系統(tǒng)與接口、具有系統(tǒng)理念與創(chuàng)新管理方法與技能、集成產(chǎn)品與流程規(guī)劃設(shè)計這方面能力的人才，通常需要的是具有“結(jié)構(gòu)性思維”、“系統(tǒng)思維”的人才，或者掌握基本的接口與方法，可以規(guī)劃整體架構(gòu)并協(xié)調(diào)內(nèi)部外部團隊進行協(xié)作的人才也極其重要。

圖2-工業(yè)4.0時代的知識結(jié)構(gòu)需求

沒有這樣的人才，對于一個企業(yè)而言，就會出現(xiàn)無法統(tǒng)一對接，買來一大堆軟件、產(chǎn)品卻無法協(xié)同，推進產(chǎn)線智能化的過程會出現(xiàn)重復工作、返工、變更，甚至整體推倒重來的風險。

重視人才，在很多時候都是“葉公好龍”式的—口頭上重視人才，而實際上卻并非如此，重視人才不是去哪里挖人，而是注重發(fā)揮人的知識和經(jīng)驗，培養(yǎng)人的主動性與創(chuàng)造性。

2.創(chuàng)新思維與文化

智能制造必須基于“創(chuàng)新”的設(shè)計，正向設(shè)計思想來實施，如果只是想“Copy”的話，這個復雜度就遠大于傳統(tǒng)的機器與產(chǎn)線測繪的問題，因為，它牽扯的專業(yè)太多，任何一個環(huán)節(jié)的不了解和偏差導致全局的無效或損耗，反倒不能起到真正的效率。

圖3-創(chuàng)新思維與文化

關(guān)于在推進智能制造、工業(yè)互聯(lián)網(wǎng)的過程中，發(fā)現(xiàn)非自動化業(yè)界的人往往會談到現(xiàn)場的很多問題，比如資產(chǎn)信息的輸入編碼問題、行業(yè)信息差異如何集成，數(shù)據(jù)如何預(yù)處理，實時性如何保證，就發(fā)現(xiàn)這些問題事實上OPC UA TSN已經(jīng)在尋求解決并對大部分問題予以了設(shè)計，隔行如隔山說的是跨界，但即使在行業(yè)內(nèi)部，實際上對OPC UA TSN的理解大部分人都是知之甚少。

同樣道理，很多時候，大家都認為創(chuàng)新很難，不過，在更多的時候我們發(fā)現(xiàn)其實，不懂得使用創(chuàng)新的工具和方法的人更多，就像MATLAB/Simulink和PLC之間完全可以建模仿真直接代碼自動生成，但是，很多人并不知道這一點，包括數(shù)字孿生可以降低驗證的成本，縮短研發(fā)周期，其實，很多人不了解。

在過去的數(shù)百年里，各個公司已經(jīng)為如何創(chuàng)新提供了非常多的方法、工具、軟件，一切的行為都是讓“創(chuàng)新”這件事情變得簡單。

對于制造業(yè)而言，創(chuàng)新就是在尋找設(shè)計到經(jīng)濟制造的最優(yōu)路徑的過程，因此，創(chuàng)新是有實際意義的，而并非是創(chuàng)新就會投資很大，花費周期很長，而且易于被抄襲，那么你就忘記了創(chuàng)新同樣目的是解決（1）.縮短產(chǎn)品研發(fā)周期，（2）.降低成本，（3）.保護知識產(chǎn)權(quán)，如果我們非要把創(chuàng)新和賺錢對立起來，那么我們也就無法理解創(chuàng)新的精髓和實施的路徑，當然了，創(chuàng)新的方法、工具的學習是首要的，因為，的確在很多時候，首先往往來自于“不知道”，當你知道后，你會驚嘆“原來還有這樣的方法啊！”。

3.組織架構(gòu)支撐問題

對于需要分布式架構(gòu)的計算而言，企業(yè)的組織架構(gòu)也必須是分布式的，扁平化，而非傳統(tǒng)的垂直管道管理，否則，構(gòu)建了分布式的技術(shù)架構(gòu)，卻受到了垂直架構(gòu)的管理制約，無法發(fā)揮其效用，構(gòu)成不同的瓶頸和信息延遲，甚至會產(chǎn)生由于利益（業(yè)績考評）而帶來的人為障礙。

圖4-分布式組織架構(gòu)

這個是往往被忽視，也比較難辦的，在很多時候，人們對于智能制造的理解總是聚焦于技術(shù)，而并不考慮組織架構(gòu)對推進智能制造的影響。

事實上，ERP這些軟件本身的設(shè)計就是在于降低組織中的信息傳遞所消耗的時間，包括信息的完整與準確，降低重復的信息檢索消耗的時間，信息在多個部門間傳遞的時間消耗，傳遞中的偏差，而對于協(xié)同制造而言，同樣如此。

分布式智能其實對于每個個體的節(jié)點計算能力要求較高，而基于分布式的架構(gòu)的組織對于個體同樣能力要求更高，因此，在推進智能制造中，組織的架構(gòu)設(shè)計與能力升級同樣重要，架構(gòu)不合理會造成內(nèi)部的信息傳遞中出現(xiàn)滯后（例如審批環(huán)節(jié)會造成積壓），包括篡改、偽造等潛在的風險以規(guī)避對自身的責任、考評的不利影響。

4.精益的基礎(chǔ)問題

這件事情毋庸置疑非常關(guān)鍵，因為，基于量化和生產(chǎn)制程模型才是生產(chǎn)的本質(zhì)與核心，而精益設(shè)定了量化指標以及采集數(shù)據(jù)和流程的依據(jù)，這需要良好的精益基礎(chǔ)支撐，否則，就無法知道目標的設(shè)定。

精益不是一種工具方法那么簡單，而是一種追求持續(xù)改善的文化，很多公司也在推進精益，但如果把精益理解為一種流程、考評指標的方法，那么就會出現(xiàn)各種應(yīng)付差事的行為，那么就失去了本身的意義。

精益本身提供了制造業(yè)所解決的核心問題即質(zhì)量、成本與交付問題所展開的系列持續(xù)改善活動，包括思想、原則、方法與工具的整體設(shè)計，無論智能制造如何變化，同樣是必須圍繞這些問題來展開，因為這是生產(chǎn)制造組織中的核心問題，自動化，信息化，智能化都是要圍繞解決質(zhì)量、成本與交付問題而產(chǎn)生，最大的區(qū)別在于標準化與大規(guī)模定制對于這三個問題的挑戰(zhàn)變得更為苛刻。

因此，對于精益的實施和基礎(chǔ)的穩(wěn)定才能讓整個智能制造建立在有效的基礎(chǔ)上，對此制造業(yè)的專家們已經(jīng)達成共識。

因此，人才、創(chuàng)新思維、組織與精益構(gòu)成了我們推進智能制造的基礎(chǔ)問題，必須在此基礎(chǔ)討論才能有序推進。

二、產(chǎn)業(yè)中的基礎(chǔ)難題

工業(yè)場景中存在很多與IT場景不同的問題，即使在工業(yè)場景內(nèi)部由于垂直行業(yè)的差異帶來巨大的差異，總體而言，工業(yè)有一些共性特征使得必須予以很好的解決，否則，就無法突破進而規(guī)劃的更為合理。

1.確定性的數(shù)據(jù)傳輸

控制基于等時同步思想，確定性傳輸信號，確定性控制任務(wù)周期。這是與IT比較大差異的地方。

目前的各個實時以太網(wǎng)技術(shù)都已經(jīng)有了近20年的運行，更遠的傳統(tǒng)現(xiàn)場總線也仍然在工廠早期大量部署，這些問題使得IT對OT的訪問造成了壁壘，盡管總線的種類就物理上并不多，但基于此的協(xié)議卻有非常多種類型，即使對于同一總線介質(zhì)而產(chǎn)生的協(xié)議也不盡相同。

這使得IT對OT訪問的經(jīng)濟性產(chǎn)生了障礙，因為需要編寫不同的訪問驅(qū)動，而由于不開放的工藝Know-How保密需求也使得很多數(shù)據(jù)無法被真正的訪問，但如果不能訪問1個關(guān)鍵參數(shù)則對整個模型產(chǎn)生了不完整，則對數(shù)據(jù)的后續(xù)處理、優(yōu)化產(chǎn)生了巨大的障礙。

2.復雜約束條件下的制造經(jīng)濟性

材料特性與成本、機械、控制、軟件、作業(yè)規(guī)范、加工對象的標準化、人工經(jīng)驗等都是影響經(jīng)濟性的因素，而且具有非常大的剛性，組合非常多，篩選路徑需要高成本驗證。批量小，驗證難度大。

制造業(yè)的過程就是不斷的在尋找最優(yōu)的路徑，在生產(chǎn)的每個工序中，材料、加工步序、時間、成本等都在變化，例如：A材料效果非常適合于粘結(jié)卻成本高昂，另一種低廉的成本需要消耗較多的加工時間或人工，或者加工過程中機器會出現(xiàn)較大的磨損，不同的材料、工序造成機器的時間消耗不同，這些都是需要不斷優(yōu)化的，這些都歸根結(jié)底與產(chǎn)品的品質(zhì)、成本與交付能力相關(guān)，我們可以想象，在制造過程中，這些約束條件構(gòu)成的組合是成千上萬，甚至數(shù)以億計的，這跟制藥中篩選最佳的配方是一個道理，這個成分用于治療胃病卻會造成腎臟的損傷，種種原因，任何制造的過程都是不斷的尋找最經(jīng)濟的道路的過程，創(chuàng)新就發(fā)生在這個尋找最經(jīng)濟道路的過程中。因此，你必須意識到，創(chuàng)新是競爭力的主推器，它看上去很難卻是不斷增強你的能力的關(guān)鍵。

3.基于建模目前存在標準與接口的問題：控制、機械、安全、材料、工藝等建模各自為政，平臺差異，無法實現(xiàn)統(tǒng)一的協(xié)同仿真。

創(chuàng)新往往基于原創(chuàng)性設(shè)計，遵循第一性原理，那么就會回歸到物理與材料，目前的各種建模仿真軟件間就缺乏統(tǒng)一的協(xié)同仿真接口，盡管FMU/FMI正在開發(fā)，其目前也主要在已經(jīng)非常成熟的汽車工業(yè)應(yīng)用領(lǐng)域開始。

如圖8可以將機械的數(shù)據(jù)與控制的算法通過FMI接口實現(xiàn)對接，機械的調(diào)整與控制算法可以實現(xiàn)交互，在產(chǎn)線中實現(xiàn)變化中的虛擬仿真，進而驗證與設(shè)備虛擬調(diào)試。它能帶來的好處非常多，但是，卻很少有制造業(yè)的工程師掌握這些工具與方法，而又大喊創(chuàng)新之難。

4.小數(shù)據(jù)應(yīng)用場景

如果是控制可以微秒采樣，但如果是管理運營不需要低周期，但數(shù)據(jù)量不大，如故障信號多，但如果故障信號多意味著設(shè)備質(zhì)量不過關(guān)本身就沒有市場。

與離散制造業(yè)相比，流程工業(yè)本身基于連續(xù)的生產(chǎn)，因此在傳統(tǒng)上產(chǎn)生了很多已有的學習模型，就像自適應(yīng)控制、卡爾曼濾波、模糊控制算法很多實際上已經(jīng)有較為成熟的參數(shù)與模型學習的方法。

（1）卡爾曼濾波器

R.E.Kalman等人發(fā)明的卡爾曼濾波器是用于估計或?qū)W習系統(tǒng)狀態(tài)的數(shù)學框架，估計器會給出位置和速度在統(tǒng)計上的最佳估計?？柭鼮V波器也可以用于識別系統(tǒng)參數(shù)，因此，卡爾曼濾波器就位識別狀態(tài)與參數(shù)提供了數(shù)學框架。

該領(lǐng)域也稱為系統(tǒng)辨識（或系統(tǒng)識別）。系統(tǒng)辨識是識別任意系統(tǒng)的參數(shù)和結(jié)構(gòu)的過程。

卡爾曼濾波器可以從貝葉斯定理推導出，在貝葉斯解釋中，定理引入了證據(jù)對信念的影響。改定理提供了一個嚴格的數(shù)學框架，用于納入任何具有一定程度上不確定性的數(shù)據(jù)，簡單來說，給定目前所有的證據(jù)（或數(shù)據(jù)），貝葉斯定理可以讓你確定新證據(jù)如何影響信念，對于狀態(tài)估計，就是對狀態(tài)估計準確性的信念。

（2）自適應(yīng)控制

控制系統(tǒng)需要以一種可預(yù)測可重復的方式對環(huán)境做出反應(yīng)，控制系統(tǒng)對環(huán)境進行測量并且通過改變測量值來實現(xiàn)控制過程。通常控制系統(tǒng)以全部的參數(shù)都硬編碼到軟件的方式進行設(shè)計和實現(xiàn)，這種方式在大多數(shù)情況下效果良好，特別是當系統(tǒng)在設(shè)計過程中已知時，當系統(tǒng)定義不明確或預(yù)期在運行期間會發(fā)生顯著變化時，實施學習控制就變得非常必要。

圖10-采用神經(jīng)網(wǎng)絡(luò)學習的自適應(yīng)控制系統(tǒng)（飛行控制）

5.高端應(yīng)用簡單，低端應(yīng)用復雜

汽車行業(yè)整體規(guī)范標準，雖然復雜產(chǎn)品但易于實現(xiàn)先進制造。而其它行業(yè)缺乏原材料、整體產(chǎn)品的規(guī)范性，流程的復雜和約束反倒需要更大的學習模型，卻受限于數(shù)據(jù)量、成本約束沒有辦法進行模型學習。

對于深度學習而言，在很多場景，如波士頓大狗、AlphaGo等已經(jīng)有了成熟的應(yīng)用，人們寄望于同樣的技術(shù)能夠為工業(yè)場景提供應(yīng)用，但就深度學習對工業(yè)而言，存在很多難點：

（1）.解釋性工具的缺失

現(xiàn)在的各種深度學習模型，往往需要通過多層神經(jīng)網(wǎng)絡(luò)，使用方法類似于一個黑匣子，這給模型的解釋與拍錯帶來巨大的挑戰(zhàn)，我們在進行機器學習的應(yīng)用場景中，取得優(yōu)秀的精度往往只是眾多任務(wù)中的一個，應(yīng)用中另外一個重要的是任務(wù)是分析預(yù)測失敗的結(jié)果，從中吸取教訓對模型進行拍錯，并進行優(yōu)化提高。

由于深度學習的模型復雜，我們已經(jīng)無法通過人工方式得知為什么對一些特定的模型預(yù)測會出現(xiàn)失誤，這樣的問題讓我們在實際中往往束手無策，這就好比深度學習在靶場上能夠取得優(yōu)異的成績，但不能上戰(zhàn)場。

為什么深度學習從業(yè)人員沒有開發(fā)相應(yīng)的評判，解釋工具？這就要從開發(fā)人員面對的囚徒困境說起，對于統(tǒng)計中經(jīng)典的決策樹、線性模型，往往需要專業(yè)人員數(shù)十年的努力，才能得到比較完備的預(yù)測、評判、拍錯體系，這個過程往往比較痛苦，得到的注意力較少，而現(xiàn)今的領(lǐng)軍人物都開始進入工業(yè)界撈名撈利，幾乎沒有人會選擇更難走的道路進行工具開發(fā)。

（2）.應(yīng)用場景限制

深度學習目前最為火熱的是在圖像、計算機語言領(lǐng)域，這些領(lǐng)域往往有大量的數(shù)據(jù)，而且變量維度非常高，觀測之間、變量之間往往具有強相關(guān)性。而對于工業(yè)場景而言，其數(shù)據(jù)量較小、數(shù)據(jù)維度較低，深度學習的成績往往就不那么顯著了。

數(shù)據(jù)量小的時候，稀疏的數(shù)據(jù)量不足以支撐復雜神經(jīng)網(wǎng)絡(luò)的訓練，而經(jīng)典統(tǒng)計和機器學習模型可能已經(jīng)取得了優(yōu)異的成績，而且不會過度擬合。當維度較低的時候，從業(yè)人員往往進行人工單變量觀察，進行多種變量組合，以得到優(yōu)秀的成績，因此不需要依賴深度機器學習。

（3）.模型訓練成本限制

由于采用GPU集群、FPGA等硬件對深度學習進行加速，這些成本高昂的方法也使得一般從業(yè)人員難以承受，對人才的培養(yǎng)也造成了壁壘，對于需要部署大量GPU集群的應(yīng)用而言，工業(yè)領(lǐng)域的成本投入產(chǎn)出評估就是問題。

6.行業(yè)屬性太強

共性易于解決但不解決個性整體就沒有意義，解決核心工藝解決相當于解決90%的問題，其它數(shù)據(jù)呈現(xiàn)、傳輸、操作都是小問題，可以用公共技術(shù)資。每個不同的行業(yè)會有不同的行業(yè)Know-How,IT與OT的區(qū)別就是一個共性的工作，一個個性的工作在自己的領(lǐng)域，IT希望采用通用的平臺架構(gòu)來適應(yīng)變化的市場，通過大規(guī)模的普遍使用降低整體擁有成本，而OT通過技術(shù)壁壘提升競爭力，這看上去是矛盾的，但是，并非不能解決，抽取共性技術(shù)，這是需要兩方的技術(shù)人員在一起協(xié)同的，但溝通的語言和方法一直處于障礙階段，IT似乎總認為你只要有數(shù)據(jù)我就能分析，而OT的問題在于，你到底想要什么數(shù)據(jù)？為了這個問題雙方糾纏了許多年，就是所謂的兩化融合之所以難的原因。

不同的行業(yè)不同的特征，這是工業(yè)互聯(lián)網(wǎng)的平臺遇到的難題，而每個垂直的行業(yè)又有著自己的技術(shù)保密性需求，因此，對于如何推進，這些垂直的壁壘構(gòu)成了巨大的障礙。

三、技術(shù)實現(xiàn)要點的分析

對于推進智能制造其實有些關(guān)鍵要點需要突破，有些看上去那么基礎(chǔ)缺似乎也被忽視-如OPC UA，有些存在很多問題卻似乎風頭很盛像機器學習。?

1.OPC UA的背后是模型

這個問題目前大家的共識已經(jīng)很清楚了，OPC UA TSN被列為未來主要的技術(shù)路線，對于OPC UA的理解目前大部分僅停留在這是一項技術(shù)，而它是一項規(guī)范，而這個規(guī)范背后實質(zhì)上又是基于對制造流程的反映，它所構(gòu)建的架構(gòu)是匹配最優(yōu)的技術(shù)路線的，包括管理殼的傳輸，其中包含資產(chǎn)、能源、維護問題，因此，不要僅停留于它的技術(shù)特性來看待OPC UA，它是為了解決連接中的各種問題而定義的，包括傳輸機制、安全、信息篩選、預(yù)處理、降低流量消耗（Pub/Sub機制）、解決資產(chǎn)端的信息交互問題，OPC UA的背后是對所有產(chǎn)業(yè)共性問題的應(yīng)對策略包—它的每一種設(shè)計、集成都是為了解決產(chǎn)業(yè)中存在的現(xiàn)有問題。

2.數(shù)字化設(shè)計的背后是創(chuàng)新

數(shù)字化設(shè)計必須基于創(chuàng)新思想，基于原創(chuàng)性的開發(fā)，才能讓一個企業(yè)真正的復用知識和經(jīng)驗，并且具備應(yīng)對變化的能力，而數(shù)字化設(shè)計僅是工具，而其背后的邏輯是“正向設(shè)計”，智能制造是形成“應(yīng)對變化”的競爭力，這導致了“變化”不能被“固定”的方式復制—形成了企業(yè)新的競爭壁壘，這不難理解吧？以前人家做一個，你拷貝一個，現(xiàn)在，人家變成做的每個都不一樣，而這個拷貝的過程就沒法進行，因為對小批量進行抄襲的經(jīng)濟性不夠。第二個問題是“知識和經(jīng)驗”難以拷貝，就像現(xiàn)在的喜馬拉雅、樊登讀書會一樣，你聽知識和你自己去閱讀一遍完全是不同的，知識和經(jīng)驗只有你自己親身體驗才能真正掌握，它不像抄襲一個機械的幾何設(shè)計那么容易復制。

圖11-基于數(shù)字孿生的柔性產(chǎn)線設(shè)計

數(shù)字孿生在設(shè)計階段可以用于產(chǎn)線規(guī)劃的驗證，而在運營維護階段同樣能夠?qū)φ谶\行的產(chǎn)線進行監(jiān)測，并對數(shù)據(jù)進行學習，優(yōu)化。從圖X可以看到對于流程工業(yè)同樣如此，通過數(shù)字交互，可以讓生產(chǎn)中的設(shè)備提供不僅是維護，也包括最優(yōu)的參數(shù)和動態(tài)的模型構(gòu)建。

3.邊緣計算/云計算

邊緣計算主要基于實現(xiàn)生產(chǎn)中的“策略”如調(diào)度、優(yōu)化，邊緣計算涵蓋了數(shù)據(jù)的連接、存儲、應(yīng)用(工業(yè)APP)的開發(fā)，運行環(huán)境（也同樣需要類似PLC的Runtime）、開發(fā)工具（可借助于開放的通用工具如Python），傳統(tǒng)的DCS/SCADA包括了其中很多功能，因此，傳統(tǒng)OT廠商借助于自身的架構(gòu)也可以推進邊緣計算功能，在原有平臺上開發(fā)相應(yīng)的功能，對于IT廠商，其本身有較強的IT工具、容器技術(shù)，所需的是對運營場景中的分析、優(yōu)化算法進行集成，但測試驗證是IT廠商比較難的，因為OT廠商在這方面具有非常強的優(yōu)勢，因此，IT與OT的合作，分別在連接開放性、開發(fā)工具集成以及垂直行業(yè)Know-How方面的合作，這樣才能構(gòu)建融合的生態(tài)系統(tǒng)，但是，這個生態(tài)系統(tǒng)不能是IT與OT的簡單融合，而是包括了End User、OEM、自動化、AI、數(shù)字化設(shè)計軟件等系列廠商的共同融合，因此，協(xié)同的復雜性是當前的主要問題。

邊緣計算解決協(xié)同中的策略與規(guī)劃問題

邊緣計算亦或云計算，本身劃分時候是以時間粒度為主的，而實現(xiàn)方法可以有通用的，但是，最主要還是圍繞解決問題，降低企業(yè)運營成本。

IT的開放性、架構(gòu)性是優(yōu)勢，而OT的應(yīng)用緊密性，對穩(wěn)定可靠的保障是基礎(chǔ)。由于IT在廣泛的消費與商用市場所積累的低成本存儲、計算資源，包括開源社區(qū)所擁有的應(yīng)用如機器學習算法、圖像處理算法、語音等都可以被工業(yè)場景使用。

4.機器學

人工智能為未來智能化提供了無限遐想空間

就目前而言，機器學習對于工業(yè)場景仍然是有較大的潛力的，但是，因何在文初即提出關(guān)于“創(chuàng)新”的問題，提出“數(shù)字化”設(shè)計的問題就在于學習必須基于模型，而我們在基礎(chǔ)建模方面，包括機器制造商，產(chǎn)線設(shè)計廠商，都缺乏原創(chuàng)性設(shè)計，使得學習缺乏基礎(chǔ)模型，對于監(jiān)督式學習，仍然需要采用人工的標定，并且需要真實的物理機器進行測試，那就無法發(fā)揮真正機器學習的作用。

圖13-機器學習基本的過程

那么在較好的情況下，我們認為機器學習也還是可以為很多應(yīng)用提供場景，如產(chǎn)品缺陷的視覺檢測、工藝參數(shù)的最優(yōu)化都可以借助于機器學習（監(jiān)督式），這取決于預(yù)測函數(shù)—是監(jiān)督式機器學習的核心，理想的預(yù)測函數(shù)能夠按照需求，將因變量映射到自變量空間。

什么是機器學習模型適用場景？

1.低成本模型：軟件盡量用現(xiàn)成的，且對硬件要求較低。

2.模型易于解釋：在實際應(yīng)用中，我們往往需要對模型產(chǎn)生的結(jié)果進行解釋和拍錯，如果模型過于復雜，難以排錯，勢必影響應(yīng)用。

3.模型易于修改：建立的機器學習模型往往需要對未發(fā)生的事情進行預(yù)測，這個時候需要將人的判斷放入模型，這就要求機器學習應(yīng)該很容易帶入人工設(shè)置的參數(shù)。

如何評估監(jiān)督式機器學習的效果？

1.統(tǒng)計量是否優(yōu)秀，應(yīng)用業(yè)績是否優(yōu)秀：均方差誤差（Mean Square Erro,MSE），另外就是絕對誤差中位數(shù)

2.衡量分類的統(tǒng)計量：分類任務(wù)中，實際標簽和預(yù)測值進行分類，讓其定義為陽性和陰性。

衡量指標為準確率=真陽性/真陽性+假陽性。

準確率刻畫的是喊“狼來了”的孩子有多少次喊狼來了是正確的。

召回率=真陽性/真陽性+假陰性。

因此，對我們來說，智能制造整體來看，必須基于非常清晰的人才基礎(chǔ)、創(chuàng)新思維與文化、精益運營管理的基礎(chǔ)之上，然后再去一個個解決現(xiàn)實的垂直壁壘，不僅僅是自動化與信息化、智能化的融合，也包括業(yè)務(wù)上的上下游企業(yè)的關(guān)聯(lián)合作，生態(tài)系統(tǒng)構(gòu)需要技術(shù)的規(guī)范與標準作為“語言”溝通的基礎(chǔ)，無論是OPC UA TSN通信還是FMU/FMI的建模仿真，亦或IEC61131/IEC61499的編程開發(fā)，包括管理殼這些標準與規(guī)范，以及安全，因此，生態(tài)系統(tǒng)的構(gòu)建是在“標準與規(guī)范”，而標準與規(guī)范背后是流程與模型的一致性，是軟件與知識，是人的智慧。

而在標準與規(guī)范之上，就是思想的開放，因為，人們總是執(zhí)著于自我，IT與OT的融合中事實上有異議，相互之間并非是完全開放的，這些都是要解決的，因為融合的過程會有合作，但也會有潛在的利益沖突，這就需要更大的“和”—基于更高的智慧，全局的理解“競爭力”、理解合作，不偏執(zhí)于自我和自己的領(lǐng)域—看上去下面就要談到“佛”的般若境界了，的確，智能制造需要的不僅僅是技術(shù)，也包括思維的提升，包括對價值觀、世界觀的提升，扯太遠了。