工業(yè)人工智能及應(yīng)用研究現(xiàn)狀及展望

來源：《自動(dòng)化學(xué)報(bào)》，作者李杰等

摘 要?工業(yè)4.0 將工業(yè)制造流程以及產(chǎn)品質(zhì)量?jī)?yōu)化從以前依照經(jīng)驗(yàn)和觀察進(jìn)行判斷轉(zhuǎn)變?yōu)橐允聦?shí)為基礎(chǔ),通過分析數(shù)據(jù)進(jìn)而挖掘潛在價(jià)值的完整智能系統(tǒng).人工智能技術(shù)的快速發(fā)展在工業(yè)4.0 的實(shí)現(xiàn)中扮演著關(guān)鍵的角色.然而,傳統(tǒng)的人工智能技術(shù)通常著眼于日常生活、社會(huì)交流和金融場(chǎng)景,而非解決工業(yè)界實(shí)際所遇到的問題.相比而言,工業(yè)人工智能技術(shù)基于工業(yè)領(lǐng)域的具體問題,利用智能系統(tǒng)提升生產(chǎn)效率、系統(tǒng)可靠性并優(yōu)化生產(chǎn)過程,更加適合解決特定的工業(yè)問題同時(shí)幫助從業(yè)人員發(fā)現(xiàn)隱性問題,并讓工業(yè)設(shè)備有自主能力來實(shí)現(xiàn)彈性生產(chǎn)并最終創(chuàng)造更大價(jià)值.本文首先介紹工業(yè)人工智能的相關(guān)概念,并通過實(shí)際的工業(yè)應(yīng)用案例如元件級(jí)的滾珠絲杠、設(shè)備級(jí)的帶鋸加工機(jī)與機(jī)器群等不同層次的問題來展示工業(yè)人工智能架構(gòu)的可行性與應(yīng)用前景.

關(guān)鍵詞?工業(yè)人工智能,智能制造,自動(dòng)化,工業(yè)4.0

目前,很多國(guó)家正積極發(fā)展著眼于工業(yè)4.0 的智能制造技術(shù),許多領(lǐng)域的龍頭公司均通過投資和科研來開發(fā)其核心方法即人工智能技術(shù).在2017 年,加拿大首開先例宣布政府將以12.5 億加幣投資人工智能[1].同年的七月,中國(guó)發(fā)表了次世代人工智能發(fā)展計(jì)劃,以1 500 億人民幣的投資來幫助國(guó)內(nèi)人工智能產(chǎn)業(yè)的發(fā)展,以期在人工智能方面占領(lǐng)一席之地[2].次年8 月,德國(guó)推行5 點(diǎn)數(shù)字策略期望在2025 年成為人工智能的領(lǐng)軍者[3].2019 年二月,美國(guó)政府推行了類似的人工智能政策來刺激產(chǎn)業(yè)發(fā)展[4].工業(yè)人工智能也體現(xiàn)在流程工藝上,如鋼鐵或煉油制造產(chǎn)業(yè)等.從零部件級(jí)到設(shè)備端的預(yù)測(cè)維護(hù)均有相應(yīng)的研究成果,以石油業(yè)為例,石油管線衰退評(píng)估是個(gè)重要的課題,其中管線孔蝕現(xiàn)象是最主要、影響最大的損壞機(jī)制,孔蝕的成長(zhǎng)性與不確定性讓衰退預(yù)測(cè)變得更為困難,為了可以良好地評(píng)估管線內(nèi)部侵蝕的情況,如何用一個(gè)好的衰退模型對(duì)孔蝕作預(yù)測(cè)是主要的研究方向.在分析的方法上,可以分成基于物理模型和數(shù)據(jù)驅(qū)動(dòng)這兩大類,而傳統(tǒng)基于物理模型雖能在長(zhǎng)期預(yù)測(cè)上有一定的優(yōu)勢(shì),但是其根本是簡(jiǎn)化的物理公式或假設(shè),對(duì)于例如管蝕這種復(fù)雜且高度不確定的機(jī)制會(huì)較為困難,數(shù)據(jù)驅(qū)動(dòng)模型則可以較好地處理這類問題[5].在更高層級(jí)的平臺(tái)整合或是工業(yè)人工智能應(yīng)用層面,也有相關(guān)企業(yè)正著手進(jìn)行研究,例如?？松梨诔掷m(xù)的改進(jìn)自有的全球資訊系統(tǒng),在標(biāo)準(zhǔn)化、安全化或是生命周期評(píng)估等方向上都有相應(yīng)成果,同時(shí)也在改進(jìn)生產(chǎn)排程、工程應(yīng)用工具等方面有相關(guān)研究[6].今年?？松梨谂cCPLANE.ai 公司宣布將攜手合作進(jìn)行工業(yè)協(xié)作,在環(huán)境法規(guī)日趨嚴(yán)格與開采成本提高的情況下,將會(huì)對(duì)其發(fā)展有著重要的影響.另一方面,我國(guó)的首鋼鋼鐵也有相應(yīng)的工業(yè)人工智能應(yīng)用在流程工藝上成功的案例,通過智能平臺(tái)可以用少量的技工調(diào)控其所有的煉鋼爐,同時(shí)也能回收在制造過程中產(chǎn)生的90 %廢棄物和廢水,實(shí)現(xiàn)每年九百萬噸以上高品質(zhì)鋼鐵的產(chǎn)出.

對(duì)于基于智能技術(shù)的工業(yè)4.0 來說,這些措施都促使工業(yè)界產(chǎn)生前所未有的轉(zhuǎn)變,智能工廠所裝備的智能感知器在各個(gè)生產(chǎn)過程中產(chǎn)生大量的數(shù)據(jù),因此數(shù)據(jù)變成增強(qiáng)產(chǎn)業(yè)競(jìng)爭(zhēng)力的重要關(guān)鍵[7].通過實(shí)時(shí)數(shù)據(jù)分析來為決策者提供更全面的信息來做決策、提高生產(chǎn)效率、預(yù)測(cè)生產(chǎn)需求、自動(dòng)化制造與庫(kù)存品優(yōu)化[8].然而,根據(jù)現(xiàn)行的工業(yè)4.0 技術(shù),數(shù)據(jù)處理過程仍需人類專家的介入來做決策,人工智能方案通常要能滿足及時(shí)決策與最少的人員介入的目標(biāo)[9?10].因此,智能制造需要結(jié)合工業(yè)互聯(lián)網(wǎng)[11]、大數(shù)據(jù)分析[12]、云端計(jì)算[13]與網(wǎng)絡(luò)實(shí)體系統(tǒng)[14]等技術(shù)來實(shí)現(xiàn)彈性且有效率的數(shù)據(jù)處理.

即使有著諸多優(yōu)勢(shì),產(chǎn)業(yè)界仍對(duì)這樣的方案存有疑慮,主要的原因是對(duì)于同樣的問題,工程師在使用不同的算法會(huì)給出不同的方案,而這樣的情況會(huì)違反三個(gè)必須的特征:系統(tǒng)性、快速性與可繼承性.

另一方面,人工智能應(yīng)用的主要成功來自于圖像處理、自然語(yǔ)言處理、社群網(wǎng)絡(luò)、機(jī)器人等方面,在工業(yè)環(huán)境下的制造設(shè)備所產(chǎn)出的數(shù)據(jù)架構(gòu)和形式與前述大不相同,造成可應(yīng)用性的局限[15?19].

其次,盡管部分產(chǎn)業(yè)已開始進(jìn)行相關(guān)工作,但缺乏全面的技術(shù)藍(lán)圖與架構(gòu)來有效地結(jié)合自身的發(fā)展策略.

第三個(gè)可能的原因是缺乏標(biāo)準(zhǔn)化的數(shù)據(jù).目前,不同類型的機(jī)臺(tái)所產(chǎn)出的數(shù)據(jù)大不相同,形式也有差異,造成數(shù)據(jù)不一致.

第四個(gè)原因是故障數(shù)據(jù)難以取得,這個(gè)是阻礙人工智能技術(shù)發(fā)展的主要原因之一.在具體場(chǎng)景中,工業(yè)界難以允許機(jī)臺(tái)發(fā)生故障.另一方面,健康與故障的數(shù)據(jù)有時(shí)難以區(qū)分,這些因素都阻礙了人工智能技術(shù)的應(yīng)用.

針對(duì)上述問題,如何有效利用人工智能完成實(shí)際生產(chǎn)應(yīng)用的任務(wù),是當(dāng)前工業(yè)人工智能研究的熱點(diǎn)問題之一.2006 年,Anghel 等基于極大極小概率回歸模型,在實(shí)際數(shù)據(jù)上準(zhǔn)確地預(yù)測(cè)出污染物排放中各氣體濃度[20].2015 年,Min 針對(duì)遺傳算法在供應(yīng)鏈管理中的應(yīng)用,回顧了以往的成功案例,提出了供應(yīng)鏈管理中最適用于遺傳算法的領(lǐng)域[21].同年,Hu 等通過多目標(biāo)優(yōu)化算法,實(shí)現(xiàn)軋制規(guī)程的優(yōu)化,提高熱軋帶鋼的產(chǎn)品質(zhì)量[22].2018 年,Yang 等通過對(duì)文字?jǐn)?shù)據(jù)的知識(shí)提取以及可視化處理提取到有用的信息并應(yīng)用在汽車零部件數(shù)字化預(yù)裝的質(zhì)量改進(jìn)[23].同年,Cupek 等針對(duì)傳統(tǒng)方法難以準(zhǔn)確預(yù)測(cè)小批量多變量生產(chǎn)的問題,采用了基于K?均值聚類的方法,實(shí)現(xiàn)了性能指標(biāo)的自動(dòng)估測(cè)[24].同年,Mundada等通過神經(jīng)網(wǎng)絡(luò)和模擬退火算法準(zhǔn)確預(yù)測(cè)出了不同磨銑作業(yè)的工件表面粗糙度[25].2019 年,Liu 等對(duì)鋼帶表面缺陷進(jìn)行了研究,基于GoogLeNet,提出了可以用于實(shí)時(shí)分類的方法,并在6 種表面缺陷的鋼帶數(shù)據(jù)上實(shí)現(xiàn)了98.57%的準(zhǔn)確率[26].2020 年,Kesse 等提出了一種智能化惰性氣體焊算法用于幫助操作人員選擇理想的系數(shù)從而達(dá)到良好的焊接質(zhì)量[27].同年,Li 等提出了基于深度學(xué)習(xí)的壽命預(yù)測(cè)方法,并在實(shí)際生產(chǎn)中用于切割液晶屏的刀具上表現(xiàn)了較好的準(zhǔn)確性[28].同年,Kalil 等建立了一個(gè)用在切削刀具上的磨損監(jiān)測(cè)系統(tǒng),通過對(duì)刀具的邊緣圖像處理,達(dá)到94.3%的磨損以及破碎檢測(cè)率[29].

由于人工智能的實(shí)際應(yīng)用需要一系列關(guān)鍵的基礎(chǔ)技術(shù)與創(chuàng)新思維,李杰教授提出了一套系統(tǒng)性的方法來實(shí)現(xiàn)人工智能并命名為工業(yè)人工智能[30?33].工業(yè)人工智能由一套完整的技術(shù)體系與標(biāo)準(zhǔn)化方法架構(gòu)所組成,其核心技術(shù)包含數(shù)據(jù)技術(shù)、分析技術(shù)、平臺(tái)技術(shù)與運(yùn)籌技術(shù),Cyber physical system (CPS)的5C 架構(gòu)則作為實(shí)現(xiàn)這個(gè)閉環(huán)過程的功能框架[30?34].

1 CPS 的5C 技術(shù)體系與方法架構(gòu)

自從計(jì)算機(jī)的誕生以來,賽博空間與實(shí)體空間的組合快速成為人類日常生活不可或缺的一部分,從高度普及的家用電器到日益成熟的無人機(jī),從發(fā)電站的調(diào)度安排到實(shí)時(shí)的人體機(jī)能監(jiān)控,無不體現(xiàn)了賽博空間與實(shí)體空間的深度融合[35].而CPS 作為一種整合網(wǎng)絡(luò)世界和物理世界的多維度的變革性智能技術(shù)體系[36],以大數(shù)據(jù)、網(wǎng)絡(luò)與海量計(jì)算為基礎(chǔ),通過核心的智能感知、分析、挖掘、評(píng)估、預(yù)測(cè)、優(yōu)化等技術(shù)手段,融合計(jì)算、通信與控制,做到以數(shù)據(jù)為模型驅(qū)動(dòng)的自治和智能支持促進(jìn)工業(yè)的智能化發(fā)展.如圖1 所示,5C 作為CPS 在制造領(lǐng)域的架構(gòu)為其在制造領(lǐng)域的開發(fā)和部署提供了完整的指導(dǎo)方針.5C 分別代表Connection (智能感知層)、Conversion (智能分析層)、Cyber (網(wǎng)絡(luò)層)、Cognition (智能認(rèn)知層)、Configuration (智能決策與執(zhí)行層),具體含義如下:

圖1 CPS 在制造領(lǐng)域的支撐技術(shù)[32-34]
Fig.1 Enabling technologies for realization of CPS in manufacturing[32-34]

1)智能感知層(Connection):如何以高效率和高可靠性來采集數(shù)據(jù)是在機(jī)器或是組件層面上的首要任務(wù).如從數(shù)據(jù)的來源、采集和管理方式來確保質(zhì)量和全面性,構(gòu)建CPS 上層的數(shù)據(jù)環(huán)境基礎(chǔ).除結(jié)構(gòu)環(huán)境和采集通道外,另一核心的概念是按照目標(biāo)和分析的需求自動(dòng)地選擇所偏好的數(shù)據(jù)采集方式.

2)智能分析層(Conversion):在工業(yè)環(huán)境中,數(shù)據(jù)來源于各種不同類型的資源,這些代表著機(jī)器的不同狀況,但必須將原先采集到的低價(jià)值數(shù)據(jù)轉(zhuǎn)化為有意義且實(shí)際的信息.在這層中可以對(duì)數(shù)據(jù)進(jìn)行特征工程、分類和優(yōu)先級(jí)排列等工作來確保數(shù)據(jù)的可解釋性,其中也包括對(duì)數(shù)據(jù)的前處理.

3)網(wǎng)絡(luò)層(Cyber):即網(wǎng)絡(luò)化的管理,網(wǎng)絡(luò)環(huán)境中信息的融合和建模,將機(jī)臺(tái)狀況、周圍環(huán)境與群體結(jié)合,包括精確同步、關(guān)聯(lián)建模、變化記錄、分析預(yù)測(cè)等以構(gòu)建能夠指導(dǎo)實(shí)體空間的分析環(huán)境.

4)智能認(rèn)知層(Cognition):依據(jù)不同的需求進(jìn)行數(shù)據(jù)評(píng)估與預(yù)測(cè),與其他數(shù)據(jù)作比較,并能提供解決方案,同時(shí)結(jié)合數(shù)據(jù)可視化工具和決策優(yōu)化算法工具為用戶提供決策.

5)智能執(zhí)行層(Configuration):依照目標(biāo)的不同與前一層的分析結(jié)果,對(duì)決策進(jìn)行優(yōu)化,并將結(jié)果回饋給管理系統(tǒng),使管理人員能基于信息做出正確的決策,保證時(shí)效性和管理的協(xié)同性.

在實(shí)際的工業(yè)領(lǐng)域中通過智能技術(shù)來發(fā)揮制造系統(tǒng)的最大價(jià)值需要系統(tǒng)化、結(jié)構(gòu)化地建立信息世界和物理世界的紐帶,找到對(duì)解決問題最重要的影響參數(shù)而不是盲目地積累數(shù)據(jù),最終形成閉環(huán)優(yōu)化.另一方面,如何在技術(shù)層面來執(zhí)行CPS 架構(gòu)則是另一重大課題.工業(yè)人工智能4 個(gè)核心技術(shù)中,平臺(tái)與數(shù)據(jù)技術(shù)是工業(yè)智能化的首要條件,有效的數(shù)據(jù)連接與傳輸和成熟的平臺(tái)技術(shù)是其系統(tǒng)實(shí)現(xiàn)的前提,分析技術(shù)是設(shè)備展現(xiàn)智能化的靈魂,而運(yùn)籌技術(shù)是創(chuàng)造價(jià)值的關(guān)鍵,以下將對(duì)這4 個(gè)核心技術(shù)分別做討論:

1.1 數(shù)據(jù)技術(shù)(Data technology)

工業(yè)人工智能的基礎(chǔ)來自于數(shù)據(jù)本身,高質(zhì)量的數(shù)據(jù)是成功的關(guān)鍵,為從設(shè)備中取得具有代表性且質(zhì)量良好的數(shù)據(jù),此類技術(shù)將著重在解決以下幾類問題:

1)數(shù)據(jù)采集與傳輸;

2)數(shù)據(jù)的儲(chǔ)存、管理與大量數(shù)據(jù)的實(shí)時(shí)處理;

3)邊緣計(jì)算.

第一類的問題依靠傳感器與通訊技術(shù)的進(jìn)步,和工業(yè)數(shù)據(jù)的內(nèi)在物理意義.為進(jìn)一步了解設(shè)備特性,傳感器的加裝可以有效的獲取具代表性的信息,在更為復(fù)雜且關(guān)鍵的工業(yè)過程如半導(dǎo)體產(chǎn)業(yè)更是如此.通過傳感器來進(jìn)行數(shù)據(jù)采集,而傳感器的選擇、位置安裝、改良與研發(fā)應(yīng)用都是在DT 數(shù)據(jù)技術(shù)層面中所要面對(duì)的關(guān)鍵問題.

傳感器技術(shù)的長(zhǎng)足進(jìn)步也引發(fā)第二類問題,大量的數(shù)據(jù)考驗(yàn)著從業(yè)者如何去傳輸、儲(chǔ)存、管理,因此需要先進(jìn)的通訊技術(shù)和設(shè)備來進(jìn)行穩(wěn)定的傳輸.現(xiàn)行的設(shè)備與通訊技術(shù)大多可以滿足其基本需求,常用的通訊協(xié)議包括MTconnect、Modbus 等.在數(shù)據(jù)管理和儲(chǔ)存方面,應(yīng)用云端和數(shù)據(jù)庫(kù)技術(shù)來進(jìn)行高效率的儲(chǔ)存、搜尋和實(shí)時(shí)處理,并用當(dāng)下熱門的邊緣計(jì)算來實(shí)現(xiàn)數(shù)據(jù)挖掘的實(shí)時(shí)性并節(jié)省儲(chǔ)存空間.基于這些技術(shù),此類關(guān)鍵問題著重于保證數(shù)據(jù)的穩(wěn)定性和安全性,以及節(jié)省計(jì)算資源與儲(chǔ)存空間.

1.2 分析技術(shù)(Analytic technology)

分析技術(shù)是工業(yè)人工智能的靈魂.分析技術(shù)用于發(fā)現(xiàn)數(shù)據(jù)的潛在模式、數(shù)據(jù)間的關(guān)系與制造本身的未被發(fā)掘的隱含信息,這些此前未被發(fā)現(xiàn)的信息都將為后續(xù)的決策提供依據(jù).此外,其有用的分析結(jié)果可累積成為數(shù)據(jù)庫(kù),一方面可避免因人事變更或是流動(dòng)造成其經(jīng)驗(yàn)或是技能流失,另一方面,也可以提升產(chǎn)業(yè)的核心競(jìng)爭(zhēng)力.分析技術(shù)主要著重在兩個(gè)方面:

1)特征工程:數(shù)據(jù)預(yù)處理、特征提取、特征篩選

2)機(jī)器學(xué)習(xí)和模式識(shí)別

特征是對(duì)數(shù)據(jù)中有用信息的數(shù)學(xué)總結(jié).特征工程在分析技術(shù)是重要的一環(huán),通過數(shù)學(xué)方法來得到代表性的信息,如對(duì)時(shí)域或是頻域進(jìn)行特征提取方便后續(xù)的建模工作[37?38].在實(shí)現(xiàn)特征工程的過程中,首要考慮的是數(shù)據(jù)的可靠性.在采集數(shù)據(jù)的過程中,會(huì)有各種不確定性的因素存在,如不同來源信號(hào)的采樣頻率不同,以及采集過程中可能存在損壞點(diǎn)等問題,需要先進(jìn)行預(yù)處理排除,以得到較好的數(shù)據(jù)進(jìn)行分析[39?40].在完成提取特征的步驟后,往往會(huì)再進(jìn)行特征篩選,進(jìn)一步去除不必要、不相關(guān)的特征,只保留對(duì)分析目標(biāo)有用的特征.在特征篩選中,最具代表性的主成分分析(PCA)與費(fèi)雪準(zhǔn)則(Fisher criterion)被廣泛用在各工業(yè)場(chǎng)景.費(fèi)雪準(zhǔn)則主要對(duì)應(yīng)分類問題,該方法通過對(duì)原始特征中的每一個(gè)特征來評(píng)價(jià)分類的有效性.接下來的步驟為模型建立,主要是用機(jī)器學(xué)習(xí)、模型識(shí)別算法來辨認(rèn)數(shù)據(jù)潛在的模式并挖掘其中的關(guān)系.常用的算法如回歸算法、分類、聚類、估計(jì)算法等,各自對(duì)應(yīng)不同類型的問題與應(yīng)用場(chǎng)景.目前熱門的深度學(xué)習(xí)與遷移學(xué)習(xí)等技術(shù)也在諸多實(shí)際問題中取得了良好的成果.以上主要介紹的是特征工程中的手動(dòng)特征提取.手動(dòng)特征提取的局限性在于需要利用領(lǐng)域知識(shí)對(duì)特定問題從零構(gòu)建特征.目前熱門的深度學(xué)習(xí)與遷移學(xué)習(xí)等技術(shù)讓自動(dòng)特征提取在諸多實(shí)際問題中取得了良好的成果[41?51].自動(dòng)特征提取能夠根據(jù)不同的應(yīng)用以及數(shù)據(jù)更有效率地建模,同時(shí)還能提供更好的模型表現(xiàn)以及預(yù)防數(shù)據(jù)泄露.通過深度學(xué)習(xí)實(shí)施的自動(dòng)特征提取可以在幾天內(nèi)趕上以前人工花幾個(gè)月甚至幾年的工作成果,而且工業(yè)門檻更低,特征覆蓋更全面,可以把大數(shù)據(jù)的優(yōu)勢(shì)應(yīng)用在更多設(shè)備上建模.因此,對(duì)于從業(yè)人員來說,需要考慮的關(guān)鍵問題在于如何在不同的應(yīng)用場(chǎng)景下選用適合的算法.

1.3 平臺(tái)技術(shù)(Platform technology)

平臺(tái)技術(shù)是其他技術(shù)的載體,在工業(yè)人工智能的架構(gòu)下,其主要包含如下方面:

1)數(shù)據(jù)存儲(chǔ)平臺(tái):數(shù)據(jù)的安全存儲(chǔ)與快速檢索;

2)智能計(jì)算平臺(tái):智能平臺(tái)的計(jì)算能力、計(jì)算效率和可擴(kuò)展性;

3)用戶接口平臺(tái):用戶接口和功能擴(kuò)展.

云平臺(tái)的應(yīng)用可以幫助企業(yè)實(shí)現(xiàn)對(duì)于數(shù)據(jù)的統(tǒng)一管理的需求并支持不同客群的快速數(shù)據(jù)檢索和信息共享[52].云平臺(tái)可以解決ERP (企業(yè)資源計(jì)劃系統(tǒng))、MES (制造企業(yè)生產(chǎn)過程執(zhí)行管理系統(tǒng)) 和SCM (供應(yīng)商管理系統(tǒng))等造成的信息隔離,從而對(duì)多來源信息進(jìn)行有效管理[53?54].信息集中化更方便實(shí)現(xiàn)智能分析和快速部署算法,平行計(jì)算等核心技術(shù)可以大幅降低時(shí)間成本,提高計(jì)算效率.在這方面,先進(jìn)的GPU 與TPU 技術(shù)提供了相關(guān)的解決方案,與串行處理的CPU 相比,GPU 擁有數(shù)以千計(jì)的處理核心,讓其在并行運(yùn)算上有極大的優(yōu)勢(shì),而TPU又名張量處理器是一款可編程的AI 加速器,可用于加速模型測(cè)試過程所需的運(yùn)算.

對(duì)于用戶接口平臺(tái)而言,良好的人機(jī)接口與可擴(kuò)展功能有助于將數(shù)據(jù)與信息可視化,而設(shè)計(jì)友好的軟件系統(tǒng)可以提高服務(wù)質(zhì)量,平臺(tái)接口的多樣化,如個(gè)人電腦、手機(jī)、遠(yuǎn)程集控中心等,也有助增加用戶粘性,進(jìn)而生成新的商業(yè)生態(tài).

1.4 運(yùn)籌技術(shù)(Operation technology)

運(yùn)籌技術(shù)的主要目的是分析結(jié)果轉(zhuǎn)化成新的價(jià)值,客戶基于有用信息做出決策,因此運(yùn)籌技術(shù)是實(shí)現(xiàn)價(jià)值創(chuàng)造的最后一步.在工業(yè)人工智能領(lǐng)域,運(yùn)籌技術(shù)可以幫助實(shí)現(xiàn):

1)設(shè)備的自感知、自預(yù)測(cè)、自適應(yīng)等功能

自感知、自預(yù)測(cè)與自適應(yīng)是工業(yè)人工智能領(lǐng)域的重要課題,自感知所代表的具體意義為設(shè)備對(duì)于潛在故障有著自動(dòng)預(yù)警的功能,在運(yùn)行過程中由實(shí)時(shí)分析傳感器所收集的數(shù)據(jù),對(duì)系統(tǒng)本身與關(guān)鍵零組件的故障作診斷.自預(yù)測(cè)所代表的是基于偵測(cè)到的故障,對(duì)其嚴(yán)重程度作評(píng)價(jià),并預(yù)測(cè)未來的使用壽命.自適應(yīng)則是基于優(yōu)化模型對(duì)設(shè)備本身進(jìn)行保護(hù),如降速運(yùn)行等操作來避免實(shí)際的損壞和更加嚴(yán)重的事故發(fā)生.

2)彈性制造系統(tǒng)

彈性制造指的是面對(duì)生產(chǎn)過程中出現(xiàn)的突發(fā)狀態(tài)可以彈性的調(diào)整,以保證生產(chǎn)活動(dòng)的不間斷進(jìn)行.其特色是在實(shí)際生產(chǎn)發(fā)生變化的時(shí)候,可以基于智能優(yōu)化計(jì)算并依照現(xiàn)場(chǎng)情況,對(duì)控制系統(tǒng)進(jìn)行修正.

3)運(yùn)維排程及優(yōu)化

排程優(yōu)化和設(shè)備維護(hù)是每個(gè)企業(yè)和工廠都需面對(duì)的考驗(yàn),在這個(gè)部分,排程的優(yōu)化和設(shè)計(jì)需要明確了解其狀態(tài)和健康程度并安排相對(duì)應(yīng)的生產(chǎn)和維修活動(dòng).

2 工業(yè)智能帶來的新機(jī)會(huì)空間

生產(chǎn)系統(tǒng)中的問題大致可以分為可見的和不可見的問題.設(shè)備衰退、潤(rùn)滑不足、精準(zhǔn)度損失、零件磨損以及資源浪費(fèi)都是不可見問題中的常見問題.可見問題通常由不可見因素例如零部件故障、機(jī)器故障以及產(chǎn)品質(zhì)量下降等因素累計(jì)而成.傳統(tǒng)的人工智能技術(shù)注重于解決可見問題并試著取代在重復(fù)工作上人類專家的知識(shí)和判斷.這些人工智能模型并沒有幫助人們更好地理解和處理潛在的風(fēng)險(xiǎn).另一方面,工業(yè)人工智能的系統(tǒng)實(shí)現(xiàn)可以幫助解決不可見的預(yù)測(cè)問題并通過避免并修復(fù)實(shí)現(xiàn)制造過程的無憂化.具體來說,工業(yè)人工智能可以被劃為4 個(gè)機(jī)會(huì)空間如圖2 所示:

圖2 工業(yè)人工智能機(jī)會(huì)空間的4 個(gè)象限
Fig.2 The four quadrants opportunity space in industrial AI

1)第一個(gè)機(jī)會(huì)空間注重通過生產(chǎn)系統(tǒng)的持續(xù)改善與連續(xù)優(yōu)化,解決生產(chǎn)系統(tǒng)中的可見問題.

2)第二個(gè)機(jī)會(huì)空間注重通過分析數(shù)據(jù),挖掘新的系統(tǒng)知識(shí)以避免可見問題.

3)第三個(gè)機(jī)會(huì)空間是對(duì)數(shù)據(jù)線索、數(shù)據(jù)關(guān)聯(lián)性和因果性進(jìn)行深入挖掘,通過建立這些關(guān)系來實(shí)現(xiàn)不可見問題的顯性化.

4)第四個(gè)機(jī)會(huì)空間注重在不確定的動(dòng)態(tài)環(huán)境中尋找和彌補(bǔ)不可見的價(jià)值缺口,并減弱不可見因素的影響.

在此階段,大多數(shù)制造企業(yè)都將重心放在改善第一和第二機(jī)會(huì)空間,可以解決可見問題.在第三和第四機(jī)會(huì)空間中,需要制造系統(tǒng)產(chǎn)業(yè)鏈閉環(huán)式的整合去優(yōu)化系統(tǒng)的設(shè)計(jì)方面,進(jìn)而避免不可見的問題.采用工業(yè)人工智能技術(shù)可以在生產(chǎn)中增強(qiáng)創(chuàng)造新價(jià)值的機(jī)會(huì).例如,在機(jī)械刀片損壞后去替換的方法屬于第一和第二空間,通過人工智能技術(shù)基于振動(dòng)以及其他數(shù)據(jù)對(duì)機(jī)械刀片的壽命進(jìn)行預(yù)測(cè),在刀片故障前進(jìn)行刀片更換的方法屬于第三和第四空間.

3 工業(yè)人工智能的案例分析

3.1 零部件級(jí)別的案例分析

3.1.1 滾珠絲杠

滾珠絲杠是制造系統(tǒng)里需要高準(zhǔn)確性的關(guān)鍵部件,任何潛在的損壞或是退化都會(huì)影響其效率和位置精度,甚至?xí)绊懙綑C(jī)臺(tái)的控制精度或造成機(jī)臺(tái)損壞,而其復(fù)雜的運(yùn)動(dòng)軌跡及安裝位置的空間限制,讓數(shù)據(jù)采集與分析變得非常困難.

實(shí)際上,在滾珠絲杠的衰退分析中,其預(yù)載損失是一種最常被觀察到的現(xiàn)象,其分析方法可分為兩大類,一為基于物理模型的分析方法,另一類則是數(shù)據(jù)驅(qū)動(dòng)分析法.物理模型利用其損壞機(jī)理來推算軸承內(nèi)環(huán)軌道損壞頻率,但至今仍沒有公認(rèn)的公式可以用來分析,而數(shù)據(jù)驅(qū)動(dòng)則是利用量測(cè)數(shù)據(jù)本身來預(yù)測(cè)其健康度,因此可以較為有效地應(yīng)用在實(shí)際場(chǎng)景.

在實(shí)際的工業(yè)應(yīng)用上,相關(guān)的制造商也開始搭建自己的工業(yè)人工智能系統(tǒng),如圖3 所示,在DT數(shù)據(jù)技術(shù)上,數(shù)據(jù)來源通常來自加裝的加速度傳感器與其內(nèi)部的控制器,控制器本身可以提供轉(zhuǎn)速和力矩?cái)?shù)據(jù)等有用信息以供分析,AT 分析技術(shù)上會(huì)全盤比較不同的信號(hào)來源所產(chǎn)生的特征,并用特征工程對(duì)特征進(jìn)行系統(tǒng)性的篩選提取,在模型建立上則是運(yùn)用幾種常見的算法,如:支持向量機(jī)、線性回歸和高斯過程等算法來解決不同的任務(wù),而為了實(shí)現(xiàn)早期診斷機(jī)臺(tái)故障的目標(biāo),常用分類模型來對(duì)不同的衰退情況作分類,將衰退情況分為三大類:無衰退、些微衰退與完全衰退,接著再將三種不同的分類轉(zhuǎn)換為健康指標(biāo),最后再依此指標(biāo)預(yù)測(cè)壽命.

圖3 滾珠絲杠維護(hù)系統(tǒng)工業(yè)應(yīng)用架構(gòu)圖
Fig.3 Industrial application architecture of ball screw maintenance system

在PT 平臺(tái)技術(shù)上采用云計(jì)算系統(tǒng),用戶將可通過手機(jī)應(yīng)用程序線上讀取當(dāng)前滾珠絲杠的健康狀態(tài),查看如剩余壽命預(yù)測(cè)、潤(rùn)滑油量診斷和溫度診斷等關(guān)鍵指標(biāo),進(jìn)而通過OT 技術(shù)來進(jìn)行決策.

3.1.2 齒輪箱

PHM 協(xié)會(huì)在2009 年承辦的工業(yè)大數(shù)據(jù)競(jìng)賽,以通用工業(yè)齒輪箱為目標(biāo),通過振動(dòng)加速度數(shù)據(jù)與齒輪箱本身的規(guī)格來進(jìn)行故障診斷與估計(jì)如圖4 所示.要求參賽者在沒有任何故障標(biāo)簽的情況下,利用信號(hào)處理的方法與相關(guān)的背景知識(shí)來識(shí)別出故障部件、程度和模式.

數(shù)據(jù)集一共有560 個(gè)樣本,每個(gè)樣本各4 秒,包含3 個(gè)變量,2 個(gè)采樣頻率為66.7 kHz 加速度傳感器裝在輸入輸出軸的支撐板上,1 個(gè)每轉(zhuǎn)10 脈沖的轉(zhuǎn)速傳感器裝在輸入軸上,三者同時(shí)通過采樣得到.齒輪箱本身由正齒輪與斜齒輪組成,數(shù)據(jù)一共包含10 種工況,14 種故障模式.

以下將簡(jiǎn)述幾種有效的診斷策略.在這次的比賽中,前兩名皆來自美國(guó)辛辛那提大學(xué)智能維護(hù)系統(tǒng)中心(IMS)團(tuán)隊(duì).冠軍隊(duì)伍提出了信息重組法,利用18 個(gè)帶通濾波器組合來重建頻譜并對(duì)特定的頻域做特征提取,通過聚類來做工況區(qū)分且以HOLO系數(shù)雷達(dá)圖對(duì)14 種故障進(jìn)行分類,這個(gè)方法迭加了多個(gè)帶通濾波器,在全局分析同時(shí)可以發(fā)現(xiàn)局部特征,對(duì)于模型建立提供了很好的幫助.

第二名的隊(duì)伍則是采取了不同的策略,先對(duì)信號(hào)本身做常見的時(shí)域與頻域處理與小波分解、包絡(luò)譜等,在特征提取上取得了大量的特征,再由觀察輸入軸的轉(zhuǎn)速變化分離負(fù)載,利用齒輪嚙合頻率與頻譜相似性來分辨不同的齒型,再用健康評(píng)估的方法來得到無故障的樣本作基準(zhǔn),將剩余樣本與其找出的基準(zhǔn)計(jì)算距離作對(duì)照,并以機(jī)率模型給出分類結(jié)果.

第三名的方法使用一種基于包絡(luò)譜和譜峭度來作分類的方法,在包含故障信息的信號(hào)微弱而噪音為主導(dǎo)的情況下,包絡(luò)譜分析并不能提供有效的信息,因此在進(jìn)行包絡(luò)譜分析前需用特定的帶通濾波器來進(jìn)行濾波,可降低噪音對(duì)信號(hào)的影響.

在DT 數(shù)據(jù)技術(shù)上,主要依靠加速度傳感器與轉(zhuǎn)速傳感器來采集齒輪箱包含故障信息的信號(hào).在AT 分析技術(shù)上則是側(cè)重在數(shù)據(jù)處理的部分,通過不同方法來降低信號(hào)的噪音并提取特征,如利用帶通濾波器來改善數(shù)據(jù)質(zhì)量,再轉(zhuǎn)成包絡(luò)譜等提供相對(duì)應(yīng)的特征.

在此次的比賽中所進(jìn)行的故障診斷主要為穩(wěn)定的工況與固定的負(fù)載和轉(zhuǎn)速,在實(shí)際的應(yīng)用場(chǎng)景中,信號(hào)的噪音可能較強(qiáng)或者工況可能為動(dòng)態(tài)變化,因此仍需進(jìn)一步的研究來探討負(fù)載和轉(zhuǎn)速快速變化的情況下,相對(duì)應(yīng)的數(shù)據(jù)處理策略與分析方法.

圖4 PHM 2009 數(shù)據(jù)競(jìng)賽:齒輪箱的故障診斷
Fig.4 2009 PHM data competition fault diagnosis of gearbox

3.2 單臺(tái)設(shè)備級(jí)別的案例分析

3.2.1 設(shè)備刀具

成功的工業(yè)人工智能技術(shù)需要良好的架構(gòu),包含最小化點(diǎn)對(duì)點(diǎn)的通訊階層、行動(dòng)裝置的支持、位置感知與裝置間的互動(dòng).在這樣的設(shè)計(jì)之下,裝置可以存取多種來自傳統(tǒng)云計(jì)算和網(wǎng)絡(luò)邊緣計(jì)算的資源.這樣的架構(gòu)有著幾項(xiàng)優(yōu)勢(shì):

3)安全且高容量的數(shù)據(jù)存取而不必傳輸所有原始數(shù)據(jù);

2)增強(qiáng)物理層和網(wǎng)絡(luò)層的連接能力;

一個(gè)傳統(tǒng)的方法是依靠操作人員的經(jīng)驗(yàn),通過人員的觀察或是切削聲的程度來判斷刀具的健康狀況(圖2 左下區(qū)),人工智能技術(shù)可以通過偵測(cè)、診斷和預(yù)測(cè)刀具狀況來避免問題發(fā)生(圖2 左上區(qū)).然而,數(shù)據(jù)質(zhì)量、數(shù)據(jù)可見性及結(jié)果的可重復(fù)性等因素阻礙了傳統(tǒng)人工智能的發(fā)展和無憂智能制造系統(tǒng)的實(shí)行(圖2 左上區(qū)),需要新的適應(yīng)性強(qiáng)的人工智能算法來系統(tǒng)性的應(yīng)用,實(shí)現(xiàn)實(shí)時(shí)且準(zhǔn)確的刀具健康信息評(píng)估,完成工作量與廢棄量的減低(圖2右下區(qū)).

4)超算中心提供可擴(kuò)展的網(wǎng)絡(luò);

5)實(shí)時(shí)的數(shù)據(jù)存取;

6)通過平行運(yùn)算進(jìn)行實(shí)時(shí)的大數(shù)據(jù)分析.

一個(gè)概念性的架構(gòu)設(shè)計(jì)如圖5 所示,兩臺(tái)切削機(jī)被實(shí)時(shí)監(jiān)控且機(jī)器效能、刀具更換以及必要的維修可以被操作人員得知.

每一臺(tái)機(jī)器都安裝額外的振動(dòng)信號(hào)傳感器與10 kHz 采樣頻率的工業(yè)控制器,量測(cè)數(shù)據(jù)會(huì)被送到霧層作為主要的分析,在霧層中進(jìn)行數(shù)據(jù)的前處理以得到干凈的數(shù)據(jù)并區(qū)分刀具的不同工況.由于刀具的狀況可能來自不同的操作區(qū)間,必須對(duì)相似的工況作完整的分析.數(shù)據(jù)的前處理完成后,干凈的數(shù)據(jù)以及必要的分析會(huì)整合在一起送入云層作進(jìn)一步的分析,通過基于一種相似性方法的分析,每一個(gè)刀具的性能會(huì)與相似的刀具做比對(duì)而且具有代表性的信息如刀具的健康狀況、預(yù)測(cè)刀具損壞的時(shí)間與維修計(jì)劃會(huì)告知操作人員來做決策.

這個(gè)例子中,DT 對(duì)應(yīng)的是適合的傳感器安裝,控制器通過工業(yè)級(jí)的通訊協(xié)議如MTconnect、Modbus 等來傳遞數(shù)據(jù),而更先進(jìn)的通訊技術(shù)如4G 網(wǎng)絡(luò)被用來解析來自霧層的數(shù)據(jù);AT 創(chuàng)造一個(gè)流程來轉(zhuǎn)換數(shù)據(jù),讓先進(jìn)的機(jī)器學(xué)習(xí)模型如卷積神經(jīng)網(wǎng)絡(luò)可以用來評(píng)估刀具的健康狀況或是預(yù)測(cè)刀具的剩余壽命,刀具和其他部件的健康狀況通過可視化來呈現(xiàn),相關(guān)的結(jié)果可從行動(dòng)裝置和網(wǎng)絡(luò)服務(wù)得知.最后基于分析結(jié)果,操作人員來決定是否對(duì)該機(jī)臺(tái)進(jìn)行維護(hù)、更換刀具和其他零部件等.

一般來說,在切削過程中,不同的結(jié)構(gòu)件用不同規(guī)格的刀具加工,在這個(gè)例子,切削刀具的衰退以及剩余壽命的預(yù)測(cè)都是不可見的信息.工作量的降低、廢棄物的減少以及免憂慮是實(shí)現(xiàn)智能制造的關(guān)鍵.因此,工業(yè)人工智能的目的之一就是創(chuàng)造無憂的制造系統(tǒng).

1)通過提供預(yù)測(cè)分析工具給終端而減少網(wǎng)絡(luò)階層;

圖5 工業(yè)人工智能在刀具智能制造系統(tǒng)上的應(yīng)用
Fig.5 An application of the cutting tools in smart manufacturing systems of industrial AI

3.2.2 數(shù)控機(jī)床

數(shù)控機(jī)床主軸的健康監(jiān)測(cè)和維護(hù)是工業(yè)人工智能在設(shè)備級(jí)別應(yīng)用的范例.主軸是數(shù)控機(jī)床中最為關(guān)鍵的組件之一,不可預(yù)測(cè)的主軸故障會(huì)對(duì)經(jīng)濟(jì)成本和作業(yè)時(shí)間造成顯著的影響.通常,工廠不會(huì)儲(chǔ)備主軸備件,因?yàn)橹鬏S是機(jī)床中最為昂貴的部件并且故障率比較低.這就導(dǎo)致更換主軸的周期偏長(zhǎng).因此,主軸的生產(chǎn)商高度重視在客戶端隨時(shí)監(jiān)測(cè)主軸的健康并在主軸產(chǎn)生故障前郵寄主軸備件.自我意識(shí)、自我配置、和自我預(yù)測(cè)是主軸智能化的三個(gè)標(biāo)準(zhǔn),并對(duì)主軸廠家的高收益提供保證.

通過對(duì)主軸的智能系統(tǒng)進(jìn)行數(shù)據(jù)采集模塊安裝,可以采集到高質(zhì)量的振動(dòng)數(shù)據(jù)以及電流監(jiān)測(cè)數(shù)據(jù)等.數(shù)據(jù)采集是通過FCFT (固定工況特征測(cè)試)的方法,讓系統(tǒng)定周期重復(fù)在固定工況下運(yùn)行并采集相應(yīng)數(shù)據(jù).在數(shù)據(jù)采集的過程中機(jī)床會(huì)進(jìn)行恒速運(yùn)行以及變速運(yùn)行.采集到的數(shù)據(jù)會(huì)通過通信模塊和機(jī)床控制器的 “握手”進(jìn)行整理.機(jī)床和數(shù)據(jù)采集單元的交流會(huì)提前讓系統(tǒng)為FCFT 做準(zhǔn)備,并通知DAQ 系統(tǒng)采集數(shù)據(jù)的時(shí)間.

分析技術(shù)是由兩個(gè)部分組成的:1)前端的信號(hào)處理與特征提取部分;2)服務(wù)器(本地或遠(yuǎn)端)上的數(shù)據(jù)驅(qū)動(dòng)建模與學(xué)習(xí)部分.信號(hào)處理的專用特征是基于軸承的幾何形態(tài)、電機(jī)的型號(hào)以及傳動(dòng)軸的轉(zhuǎn)速提取的.特征隨后會(huì)同其他廠房相同規(guī)格的機(jī)器一起儲(chǔ)存在數(shù)據(jù)庫(kù)中.機(jī)床的健康模型會(huì)通過利用在服務(wù)器的機(jī)器學(xué)習(xí)算法來合成.當(dāng)系統(tǒng)檢測(cè)到一個(gè)偏差,人工智能技術(shù)會(huì)與資料庫(kù)中的數(shù)據(jù)進(jìn)行比對(duì),推理出故障種類以及預(yù)測(cè)下一次零件質(zhì)量偏差發(fā)生的時(shí)間.

智能主軸的平臺(tái)技術(shù)由前端處理單元Cyberbox 組成.前端處理單元Cyber-box 包含內(nèi)置數(shù)據(jù)采集器、通信模塊以及計(jì)算處理器,是平臺(tái)技術(shù)里重要的組成部分.當(dāng)一個(gè)FCFT 周期完成采樣后,系統(tǒng)會(huì)將數(shù)據(jù)按照機(jī)床運(yùn)行速度進(jìn)行劃分然后對(duì)時(shí)間和頻率的域特征進(jìn)行提取,提取出的特征會(huì)發(fā)送到服務(wù)器的數(shù)據(jù)庫(kù)中進(jìn)行進(jìn)一步的處理.人工智能技術(shù)會(huì)提取機(jī)床健康信息然后與機(jī)床信息以及時(shí)間戳一起儲(chǔ)存到服務(wù)器的數(shù)據(jù)庫(kù)中,同時(shí)會(huì)生產(chǎn)一個(gè)含有機(jī)床實(shí)時(shí)健康狀態(tài)和診斷信息的網(wǎng)頁(yè)界面.健康評(píng)估的分析結(jié)果可以讓機(jī)床對(duì)本身的健康狀態(tài)有自我意識(shí)的能力;同時(shí),機(jī)床可以通過檢測(cè)到的故障對(duì)主軸進(jìn)行剩余壽命預(yù)測(cè),給予機(jī)床自我預(yù)測(cè)的能力;最后,主軸可以在運(yùn)行中完成自我配置運(yùn)行參數(shù)進(jìn)而避免故障同時(shí)延長(zhǎng)壽命.

圖6 工業(yè)人工智能生產(chǎn)線機(jī)床的5C 架構(gòu)體系
Fig.6 The flow of data and information in a 5C architecture based production line for machine tools

圖6 所展示的是用在數(shù)控機(jī)床維護(hù)網(wǎng)絡(luò)中的5C 架構(gòu).在零件級(jí)別,主軸的傳感器數(shù)據(jù)會(huì)被轉(zhuǎn)化成信息,數(shù)字孿生技術(shù)會(huì)對(duì)未來進(jìn)行規(guī)劃來對(duì)每個(gè)零部件實(shí)現(xiàn)自我意識(shí)和自我預(yù)測(cè).在第二層,更高級(jí)別的機(jī)床數(shù)據(jù)(例如控制器參數(shù))會(huì)被整合在零部件信息中用來檢測(cè)機(jī)床狀態(tài)以及生成每個(gè)設(shè)備的數(shù)字孿生系統(tǒng).這些CPS 設(shè)備中的數(shù)字孿生還會(huì)提供額外的自我比對(duì)能力.在第三層(生產(chǎn)系統(tǒng)),通過對(duì)零部件和設(shè)備級(jí)別的知識(shí)整合,可以實(shí)現(xiàn)工廠的自我配置和自我維護(hù).這個(gè)級(jí)別的知識(shí)不僅可以保證無憂慮和 “近零故障”的生產(chǎn),同時(shí)還可以提供工廠管理生產(chǎn)規(guī)劃和庫(kù)存管理規(guī)劃.最后,CPS 的5C 架構(gòu)可以部署在云端平臺(tái)并應(yīng)用在全世界各地的工廠.

3.3 生產(chǎn)級(jí)別的案例分析

3.3.1 富士康貼片機(jī)吸嘴的健康管理

SMT (Surface-mount technology)是一種表面貼焊(裝)技術(shù)的工藝,在工廠內(nèi)是比較成熟且自動(dòng)化程度相當(dāng)高的一項(xiàng)工業(yè)過程.這項(xiàng)工藝主要是將電子零組件焊接在電路板表面上的一種組裝技術(shù).該流程在電路板(Printed circuit board,PCB)上通過錫膏印刷機(jī)(Printer) 印上錫膏后,使用貼片機(jī)(IC mounter)執(zhí)行打件處理(例如電阻、電容、二極管、晶體管和集成電路等),再經(jīng)回焊爐(Reflow oven)工站的熱風(fēng)使錫膏溶融,由此使得電子零件與電路板結(jié)合,完成零件的裝配與焊接,之后再通過AOI 光學(xué)檢測(cè)儀器來管控生產(chǎn)的質(zhì)量.

SMT 制程中的貼片機(jī)臺(tái)(IC mounter)通過使用真空吸力技術(shù)來搬運(yùn)電子零件,通過吸嘴濾芯傳輸真空來吸取零件,如BGA IC、聯(lián)接器(Connector)等,將這些電子零件放置到正確的電路板位置上.在實(shí)際生產(chǎn)中,吸嘴濾芯的使用壽命和使用程度將會(huì)影響到生產(chǎn)中的良率、吸嘴維護(hù)、更換工時(shí)和拋料成本,如果可以提前預(yù)測(cè)吸嘴的健康狀態(tài),就能夠提升生產(chǎn)效率及穩(wěn)定性進(jìn)而增加公司的競(jìng)爭(zhēng)力.此案例介紹工業(yè)人工智能體系應(yīng)用于貼片機(jī)臺(tái)的方法,對(duì)貼片機(jī)臺(tái)上吸嘴的健康狀態(tài)實(shí)現(xiàn)有效的管理.

傳統(tǒng)的吸嘴一般沒有標(biāo)記編號(hào),且無法進(jìn)行有效地搜集和追蹤吸嘴濾芯的健康狀態(tài),需通過人工目檢的手段來檢驗(yàn)濾芯臟污情形進(jìn)行預(yù)測(cè),然而這樣會(huì)造成手工作業(yè)時(shí)間成本增加.同時(shí),檢驗(yàn)人員的判斷標(biāo)準(zhǔn)不一致,一般會(huì)導(dǎo)致漏檢率高達(dá)10 %.因此,立項(xiàng)的前期,研究人員在設(shè)備生產(chǎn)端進(jìn)行數(shù)據(jù)采集,試圖找出影響吸嘴的壽命的主要影響因素.通過收集生產(chǎn)57 小時(shí)的數(shù)據(jù),分析得知吸嘴吸料次數(shù)和真空值有明顯的相關(guān)性,因此能夠?qū)⒄婵罩狄暈橐粋€(gè)主要失效關(guān)鍵測(cè)量值.在以數(shù)據(jù)為基礎(chǔ)進(jìn)行分析后,研究人員進(jìn)一步提出算法構(gòu)架并建立吸嘴健康預(yù)測(cè)模型.

若能收集實(shí)時(shí)數(shù)據(jù)(吸料次數(shù)、拋料率、置件良率)建立模型來評(píng)價(jià)濾芯臟污面積并檢測(cè)吸嘴健康程度,于吸嘴衰退老化程度達(dá)到預(yù)警程度前及時(shí)進(jìn)行濾芯清洗或自動(dòng)更換,就可以達(dá)到降低拋料率、漏檢率的效果,同時(shí)縮短人員的手工作業(yè)時(shí)間.

在DT 采集數(shù)據(jù)過程中,通過鐳雕二維碼讓吸嘴具備獨(dú)立的ID,并通過IoT 技術(shù)與機(jī)臺(tái)連接,采集吸嘴持續(xù)使用至設(shè)備真空門坎值或吸嘴失效的數(shù)據(jù),利用分布概要圖可以分析出失效區(qū)間之相關(guān)性.

在收集有效數(shù)據(jù)后,分析技術(shù)(AT)方面通過機(jī)器學(xué)習(xí)等方法訓(xùn)練數(shù)據(jù)驅(qū)動(dòng)模型,讓設(shè)備能自動(dòng)判斷濾芯臟污區(qū)域,再通過改善吸嘴濾芯的潔凈度,延長(zhǎng)其使用壽命.此模型目前在富士康集團(tuán)經(jīng)歷了多次優(yōu)化及改善,使每一支吸嘴都有專屬的獨(dú)立健康模型,并植入所開發(fā)的APP 中,如圖7 所示,可以及時(shí)反應(yīng)吸嘴受堵的異常狀態(tài)并警示維護(hù)人員,又能預(yù)測(cè)部件可用的剩余壽命.

圖7 Nozzle 吸嘴預(yù)測(cè)性維護(hù)APP
Fig.7 Nozzle predictive maintenance APP

通過吸嘴健康周期預(yù)測(cè)和自動(dòng)更換,智能維護(hù)系統(tǒng)可有效降低吸嘴保養(yǎng)成本、更換吸嘴維護(hù)的工時(shí)同時(shí)節(jié)省66 %拋料費(fèi)用成本,并降低64 %吸嘴庫(kù)存量.

3.3.2 富士康機(jī)床部件的預(yù)測(cè)性維護(hù)

機(jī)械加工的核心部件是用來切削工件的刀具部件,最直接影響加工工件的質(zhì)量.在加工的過程中刀具會(huì)隨著切削工件而逐漸磨損,這樣會(huì)造成加工效率和質(zhì)量的下降.同時(shí),在磨損到一定程度后要進(jìn)行更換,若無更換的話,嚴(yán)重則會(huì)導(dǎo)致主軸發(fā)生故障,引起更加嚴(yán)重的損失.富士康集團(tuán)擁有超過10 萬臺(tái)不同種類的精密加工CNC 設(shè)備,需要海量的人工來管理及監(jiān)控加工狀態(tài)和切削刀具的磨損情況,同時(shí)根據(jù)經(jīng)驗(yàn)來判斷更換刀具的時(shí)間.而刀具管理過程有很強(qiáng)的不確定性,例如材料差異、參數(shù)設(shè)定等因素,都會(huì)對(duì)刀具損耗的速度造成影響.所以,通常難以單純使用經(jīng)驗(yàn)法則來預(yù)測(cè)刀具的剩余使用壽命.

具體來說,在手機(jī)結(jié)構(gòu)件機(jī)加工和模具制造等過程中都會(huì)大量使用不同規(guī)格的刀具.對(duì)于車間的操作人員來說,刀具的剩余壽命和磨損狀態(tài)是不可見的,過去能夠憑借經(jīng)驗(yàn)來對(duì)其進(jìn)行粗略估計(jì),或者憑借操作員的經(jīng)驗(yàn)通過觀察切削火光和聲音判斷刀具狀態(tài).目前富士康以無憂刀具為目標(biāo),使刀具的狀態(tài)能夠被實(shí)時(shí)并準(zhǔn)確地評(píng)估,提高切削刀具的穩(wěn)定性和壽命.此項(xiàng)目一直是富士康集團(tuán)的核心研發(fā)項(xiàng)目之一,同時(shí)也是在國(guó)際上機(jī)械加工領(lǐng)域中的重要研究課題.

在實(shí)際生產(chǎn)中,影響刀具壽命和穩(wěn)定性的因素很多,比如刀具的材料、結(jié)構(gòu)、涂層以及加工機(jī)床的狀態(tài)、工件的材料、加工冷卻效果與場(chǎng)地環(huán)境等因素.傳統(tǒng)刀具壽命管理的痛點(diǎn)和瓶頸在于無法精確預(yù)測(cè)刀具加工過程中的正常磨損以及斷刀等狀況,通常通過加工者的經(jīng)驗(yàn)、刀具的加工時(shí)間或切削長(zhǎng)度進(jìn)行刀具壽命管理.然而,過早替換刀具部件會(huì)造成生產(chǎn)成本的提高,過晚替換刀具則可能造成產(chǎn)品質(zhì)量異常,甚至引起加工機(jī)床重大損失.一般企業(yè)需要一定的人員進(jìn)行質(zhì)量的監(jiān)控和檢測(cè),同時(shí)承擔(dān)異常品的損失.因此,刀具壽命監(jiān)控及預(yù)測(cè)的機(jī)制非常關(guān)鍵,可以顯著提高切削加工的效率及質(zhì)量.傳統(tǒng)的數(shù)學(xué)分析方法在高頻數(shù)據(jù)與多種影響因素的干擾下難以滿足實(shí)際的分析需求.因此,需要利用工業(yè)人工智能技術(shù)對(duì)海量數(shù)據(jù)進(jìn)行分析建模,解決刀具壽命預(yù)測(cè)的難題.

為了有效地進(jìn)行刀具壽命監(jiān)控及預(yù)測(cè),首先在數(shù)據(jù)技術(shù)(DT)方面,在目標(biāo)機(jī)床上部署邊緣端智慧硬件,將采集的原始傳感數(shù)據(jù)進(jìn)行信號(hào)處理和特征提取后傳送至擁有高運(yùn)算能力的FII 云計(jì)算平臺(tái).通過使用邊緣計(jì)算,提取能夠表征刀具衰退狀態(tài)的400 多個(gè)影響健康狀態(tài)的特征,將傳輸?shù)臄?shù)據(jù)體積縮小了近百倍,有效降低了數(shù)據(jù)傳輸和算力的負(fù)擔(dān),減小了通信等基礎(chǔ)設(shè)施的投資成本.在收集數(shù)據(jù)后和在建立模型前先評(píng)價(jià)數(shù)據(jù)可用性,采用有效的信息特征來建立數(shù)學(xué)模型并加以訓(xùn)練,避免低質(zhì)量的數(shù)據(jù)影響模型性能.

在本案例中我們通過采集傳感器與控制器中的高頻數(shù)據(jù)以及PLC 低頻數(shù)據(jù)進(jìn)行分析,包含振動(dòng)、電壓、電流信號(hào)以及加工單節(jié)、加工時(shí)間等數(shù)據(jù)信息.在進(jìn)行數(shù)據(jù)的前處理、分割、特征提取后,得到不同種類的時(shí)域和頻率特征集合,并采用不同的自動(dòng)化特征選取方法,建立刀具的磨損量評(píng)估模型,同時(shí)基于刀具磨損量的評(píng)價(jià)結(jié)果建立刀具剩余壽命預(yù)測(cè)模型.

最后將該模型部署于生產(chǎn)中的服務(wù)平臺(tái),實(shí)現(xiàn)上層應(yīng)用的用戶定制化界面開發(fā),提供接口供指定刀具傳輸實(shí)時(shí)數(shù)據(jù),實(shí)現(xiàn)刀具剩余壽命監(jiān)控及預(yù)測(cè)能力.本案例技術(shù)構(gòu)架如圖8 所示,通過采用刀具部件壽命監(jiān)控及預(yù)測(cè)維護(hù)系統(tǒng),可以最大限度的降低維護(hù)成本并優(yōu)化產(chǎn)品質(zhì)量.此系統(tǒng)為某條機(jī)殼加工線所帶來的效應(yīng)根據(jù)初步統(tǒng)計(jì),能夠減少60 %的意外停機(jī)時(shí)間,降低50 %巡視監(jiān)控機(jī)臺(tái)狀態(tài)所需的人力,并且質(zhì)量缺陷率從6 ‰進(jìn)一步降至3 ‰,每年能夠節(jié)約16 %的刀具成本.

3.4 機(jī)器群級(jí)別的風(fēng)力發(fā)電風(fēng)場(chǎng)案例分析

風(fēng)電行業(yè)是一個(gè)正在高速發(fā)展的領(lǐng)域,近十年中國(guó)在這方面保持著飛速發(fā)展的趨勢(shì)并且成為風(fēng)電行業(yè)裝機(jī)規(guī)模增速最快的國(guó)家.越來越大的市場(chǎng)需求對(duì)風(fēng)機(jī)的性能提出了更高的要求.風(fēng)機(jī)設(shè)備制造商(OEM)在降低風(fēng)機(jī)成本方面付出了很多人力物力,但是隨著風(fēng)機(jī)制造技術(shù)的不斷完善,所剩余的改進(jìn)空間越來越小.相對(duì)而言,風(fēng)機(jī)的運(yùn)營(yíng)管理還處在一個(gè)起步階段,風(fēng)機(jī)的故障診斷和健康管理還沒有被良好地利用.研發(fā)智能化風(fēng)機(jī)系統(tǒng)的難度在于:

1)風(fēng)資源的難預(yù)測(cè)性包含著風(fēng)速、風(fēng)向以及風(fēng)能密度的非線性變化.這些隨機(jī)性的動(dòng)態(tài)過程變量對(duì)于預(yù)測(cè)風(fēng)速和風(fēng)功率的精準(zhǔn)性提出了更高的要求.

2)風(fēng)場(chǎng)多建于偏遠(yuǎn)地區(qū)以及環(huán)境多變的海上,這就對(duì)于維護(hù)工作提出了更高的要求,也會(huì)應(yīng)用到一些特殊設(shè)備,導(dǎo)致維護(hù)成本和周期長(zhǎng)度的提升.

3)風(fēng)機(jī)傳動(dòng)系統(tǒng)的衰退程度、潤(rùn)滑狀態(tài)以及偏航齒輪條的磨損程度等會(huì)受風(fēng)資源的復(fù)雜性影像而具有較大的個(gè)體差異性,因此傳統(tǒng)的預(yù)防性維護(hù)很難應(yīng)用在風(fēng)場(chǎng)運(yùn)維中.

圖8 刀具壽命監(jiān)控及預(yù)測(cè)技術(shù)構(gòu)架圖
Fig.8 The four enabling technologies framework for tool life monitoring and prediction

基于目前的風(fēng)電發(fā)展趨勢(shì)和運(yùn)維挑戰(zhàn),智能化風(fēng)機(jī)系統(tǒng)需要滿足的關(guān)鍵功能總結(jié)如下:

1)風(fēng)機(jī)以及其關(guān)鍵零部件的健康管理與衰退的精確化和透明化分析;

2)風(fēng)機(jī)以及其關(guān)鍵零部件的健康趨勢(shì)分析和剩余壽命預(yù)測(cè);

3)風(fēng)機(jī)發(fā)電性能的實(shí)時(shí)監(jiān)測(cè)和風(fēng)場(chǎng)級(jí)別的風(fēng)機(jī)性能分類;

4)風(fēng)場(chǎng)基于風(fēng)資源預(yù)測(cè)技術(shù)的智能調(diào)度管理;

5)風(fēng)場(chǎng)基于風(fēng)機(jī)以及其關(guān)鍵零部件性能檢測(cè)的運(yùn)維優(yōu)化調(diào)度.

智能化風(fēng)機(jī)健康維護(hù)系統(tǒng)的核心是基于風(fēng)機(jī)關(guān)鍵設(shè)備狀態(tài)的精準(zhǔn)評(píng)估、環(huán)境情況的精準(zhǔn)預(yù)測(cè)以及運(yùn)維任務(wù)狀態(tài)的精準(zhǔn)分析下,對(duì)風(fēng)機(jī)運(yùn)維的調(diào)度、排程和執(zhí)行進(jìn)行管理決策方面的優(yōu)化.風(fēng)機(jī)所處的周圍環(huán)境比較復(fù)雜,風(fēng)機(jī)的運(yùn)行機(jī)制多樣,風(fēng)機(jī)內(nèi)部的關(guān)鍵零部件較多,同時(shí)運(yùn)維任務(wù)的流程和涉及到的情況比較復(fù)雜,這就需要在CPS 的框架構(gòu)造基礎(chǔ)上對(duì)系統(tǒng)的功能層級(jí)以及順序進(jìn)行分析.以IMS 中心創(chuàng)造的CPS 的5C 架構(gòu)作為模版,開發(fā)智能化風(fēng)機(jī)健康維護(hù)的CPS 功能結(jié)構(gòu),每一層的具體要求和實(shí)際機(jī)制如圖9 所示.

風(fēng)場(chǎng)具有一個(gè)典型多源異構(gòu)體的數(shù)據(jù)類型.數(shù)據(jù)主要來源于監(jiān)控和數(shù)據(jù)采集系統(tǒng)(Supervisory control and data acquisition,SCADA),以及狀態(tài)監(jiān)測(cè)系統(tǒng)(Condition monitoring system,CMS).這些信息資源提供了環(huán)境信息、工作狀態(tài)信息、控制變量、狀態(tài)變量、關(guān)鍵零部件的振動(dòng)信號(hào),以及一些其他數(shù)據(jù).額外的數(shù)據(jù)資源包括電網(wǎng)調(diào)度信息,工單系統(tǒng),人事管理以及資源狀態(tài)的維護(hù)等.通過IMS 中心提供的Watchdog Agent 大數(shù)據(jù)分析工具包對(duì)以上各種數(shù)據(jù)資源的綜合分析,對(duì)風(fēng)機(jī)進(jìn)行建模以及可視化,形成一個(gè)可以廣泛應(yīng)用的風(fēng)機(jī)性能評(píng)估,剩余壽命預(yù)測(cè)和風(fēng)場(chǎng)運(yùn)行維護(hù)管理系統(tǒng).

關(guān)于智能化風(fēng)場(chǎng)的健康管理和運(yùn)行維護(hù)方面的研究與開發(fā)分為兩部分:對(duì)于風(fēng)機(jī)性能的預(yù)測(cè)分析和維護(hù)排程的優(yōu)化.首先,通過對(duì)實(shí)時(shí)數(shù)據(jù)的分析,可以完成對(duì)當(dāng)前工作環(huán)境的有效路徑識(shí)別和風(fēng)資源的狀態(tài)評(píng)估.其次,提取的有效的健康特征可以建立風(fēng)機(jī)以及關(guān)鍵零部件的健康模型,當(dāng)前的風(fēng)機(jī)衰退狀況也會(huì)被評(píng)估和分析.通過對(duì)風(fēng)機(jī)以及關(guān)鍵零部件的健康評(píng)估,潛在的運(yùn)營(yíng)風(fēng)險(xiǎn)和儀器的可能失敗模式可以被進(jìn)一步判斷,而且剩余的有效壽命也可以被預(yù)判.這些都可以作為最大化風(fēng)機(jī)發(fā)電能力的保障,同時(shí)盡可能地減少系統(tǒng)的停機(jī)時(shí)間,避免重大停機(jī)問題的發(fā)生.

智能風(fēng)機(jī)系統(tǒng)的模塊化設(shè)計(jì)具有更多的可伸縮性.例如,部署云端服務(wù)器可以提供更多的風(fēng)場(chǎng)定制化服務(wù)的同時(shí)完成風(fēng)機(jī)的智能化升級(jí).通過對(duì)風(fēng)機(jī)的數(shù)據(jù)進(jìn)行處理,相關(guān)的特征和模型可以上傳到云端服務(wù)平臺(tái)來實(shí)現(xiàn)統(tǒng)一化管理.用戶也可以通過這個(gè)平臺(tái)實(shí)現(xiàn)多個(gè)風(fēng)場(chǎng)風(fēng)機(jī)的遠(yuǎn)端實(shí)時(shí)監(jiān)測(cè)和歷史性能的追蹤.

風(fēng)場(chǎng)動(dòng)態(tài)運(yùn)營(yíng)維護(hù)的優(yōu)化需要對(duì)每一個(gè)風(fēng)機(jī)進(jìn)行精準(zhǔn)的健康狀態(tài)評(píng)估,以及同步目前風(fēng)扇健康信息,環(huán)境信息以及維護(hù)資源信息.風(fēng)資源的預(yù)測(cè)也是風(fēng)扇調(diào)度優(yōu)化的一個(gè)重要方面.風(fēng)機(jī)的維護(hù)需要在風(fēng)資源貧乏的時(shí)候進(jìn)行,這樣可以盡可能地減少由于停機(jī)維護(hù)而造成的發(fā)電影響.IMS 中心已經(jīng)研發(fā)了一個(gè)用于海上風(fēng)場(chǎng)的中短期運(yùn)行維護(hù)計(jì)劃的優(yōu)化模型.這個(gè)模型是基于風(fēng)場(chǎng)的真實(shí)情況和優(yōu)化設(shè)計(jì)方案以及非線性的約束條件來確保實(shí)際維護(hù)實(shí)施擁有最大限度的擴(kuò)展性,該模型同時(shí)可以提供最優(yōu)決策.

圖9 基于CPS 的5C 架構(gòu)體系的智能化風(fēng)力發(fā)電風(fēng)場(chǎng)
Fig.9 The flow of data and information in a 5C architecture based wind farm

海上風(fēng)場(chǎng)維護(hù)計(jì)劃的優(yōu)化是基于海上風(fēng)場(chǎng)維護(hù)工作的特性而定,船只的使用、天氣因素、維護(hù)人員安排、維護(hù)訂單安排、風(fēng)機(jī)的健康狀態(tài)以及導(dǎo)航的費(fèi)用都需要進(jìn)行考慮.對(duì)于每一次維護(hù)作業(yè),不同的維護(hù)團(tuán)隊(duì)可以被安排在不同艘維護(hù)船只來提高維護(hù)計(jì)劃的靈活性同時(shí)降低成本.但是這樣一來就增加了可行性的搜索范圍,需要增加優(yōu)化要求來解決更加復(fù)雜的優(yōu)化問題,常用的優(yōu)化軟件如Matlab Optimal Toolbox 和Guribi 很難在合理的時(shí)間內(nèi)解決這種問題.為此IMS 中心設(shè)計(jì)了一種兩層的基因算法模型用于解決海上風(fēng)場(chǎng)的運(yùn)行維護(hù)優(yōu)化問題.這個(gè)算法有著強(qiáng)大的擴(kuò)展性,與商用優(yōu)化軟件相比更好的計(jì)算能力以及可以更好地滿足風(fēng)場(chǎng)的智能化實(shí)施.以一個(gè)海上風(fēng)場(chǎng)的維護(hù)任務(wù)為例,與傳統(tǒng)調(diào)度計(jì)劃相比優(yōu)化后的智能調(diào)度計(jì)劃可以降低多于25 %的維護(hù)成本,顯著提升了風(fēng)場(chǎng)運(yùn)行維護(hù)的效率.

3.5 Watchdog agent toolbox

IMS 中心在過去的研究中,從大量的應(yīng)用場(chǎng)景中歸納總結(jié)出一套分析流程與算法工具包:Watchdog agent toolbox,如圖10 所示,其分析流程采用了以下的預(yù)測(cè)與診斷框架,包含數(shù)據(jù)采集、信號(hào)處理、特征提取、健康評(píng)估、健康預(yù)測(cè)與結(jié)果可視化.

這樣的分析流程已被廣泛地應(yīng)用在不同層面上,從結(jié)構(gòu)較為簡(jiǎn)單的旋轉(zhuǎn)機(jī)械元件如軸承,到組成更為復(fù)雜的工程系統(tǒng)如發(fā)動(dòng)機(jī),也從產(chǎn)業(yè)如傳統(tǒng)制造到半導(dǎo)體制造等.在不同應(yīng)用中,都需要通過算法工具獲取關(guān)鍵信息,而即使在同一應(yīng)用環(huán)境下,仍然要根據(jù)實(shí)際情況來選擇適當(dāng)?shù)乃惴üぞ邅磉M(jìn)行分析.因此,IMS 中心發(fā)展了一套特別針對(duì)故障預(yù)測(cè)與健康管理的工具包來將廣泛使用的算法整合在一起,用系統(tǒng)化的方式對(duì)每種算法作優(yōu)先度排序以減少實(shí)際應(yīng)用中需要反復(fù)實(shí)驗(yàn)的次數(shù).

圖10 Watchdog 工具包簡(jiǎn)介
Fig.10 Descriptions of the Watchdog agent toolbox

其預(yù)測(cè)結(jié)果可與企業(yè)本身的生產(chǎn)規(guī)劃系統(tǒng)結(jié)合來確保適當(dāng)?shù)木S護(hù)措施可以在故障實(shí)際發(fā)生前進(jìn)行,并加以優(yōu)化維修策略,進(jìn)一步降低額外的生產(chǎn)成本.

4 結(jié)束語(yǔ)

工業(yè)4.0 是將工業(yè)進(jìn)程以及產(chǎn)品質(zhì)量從過度依賴人員經(jīng)驗(yàn)轉(zhuǎn)移到注重以事實(shí)為基礎(chǔ)的智能系統(tǒng).雖然人工智能在這個(gè)過程中起著至關(guān)重要的角色,但是傳統(tǒng)的人工智能技術(shù)過于注重日常生活、社會(huì)交流、金融等行業(yè).相比而言,工業(yè)人工智能是一個(gè)基于工業(yè)領(lǐng)域,注重于效率性、可靠性、重復(fù)性以及系統(tǒng)優(yōu)化的智能系統(tǒng).工業(yè)人工智能技術(shù)更加適用于解決特定的工業(yè)問題.盡管當(dāng)前工業(yè)人工智能技術(shù)正在飛速發(fā)展,然而整體上仍處于起步階段,工業(yè)界的許多實(shí)際的問題仍然沒有得到有效解決,如何發(fā)展工業(yè)人工智能方法體系以更好地服務(wù)實(shí)際工業(yè)生產(chǎn)并創(chuàng)造價(jià)值是未來的研究方向.具體來說,首先以深度學(xué)習(xí)為代表的計(jì)算方法是構(gòu)建智能系統(tǒng)的核心因素,此類技術(shù)的發(fā)展會(huì)直接提升我們對(duì)工業(yè)大數(shù)據(jù)的利用能力;同時(shí),當(dāng)前對(duì)工業(yè)系統(tǒng)的分析主要集中于對(duì)傳統(tǒng)信號(hào)的處理,如振動(dòng)信號(hào)、控制信號(hào)等,將最新的機(jī)器視覺方法引入傳統(tǒng)工業(yè)中對(duì)解決如質(zhì)量檢測(cè)、實(shí)時(shí)反饋控制等實(shí)際問題有著巨大的潛力;隨著5G 技術(shù)的發(fā)展,低延遲的分布式工業(yè)物聯(lián)網(wǎng)系統(tǒng)也會(huì)為工業(yè)人工智能體系帶來新的機(jī)遇,進(jìn)一步推動(dòng)完善工業(yè)級(jí)數(shù)字孿生系統(tǒng).本文所提出的工業(yè)人工智能系統(tǒng)框架預(yù)期會(huì)幫助專業(yè)人員探查復(fù)雜系統(tǒng)的隱性知識(shí),同時(shí)通過對(duì)工業(yè)設(shè)備實(shí)現(xiàn)自主判斷能力來完成彈性生產(chǎn)并最終創(chuàng)造更大的社會(huì)價(jià)值.

審核編輯：符乾江