提到智能制造，不能不提到"机器换人"，如果说利用
机器人、自动化控制设备或流水线自动化替代传统的生产线上操作工和物料人员，实现“减员、增效、提质、保安全”的目的，而在制造过程中应用机器学习就是进一步对制造系统进行智能赋能，实现替代或辅助管理人员和专业人员对不确定业务进行决策的能力。
DIKW模型将数据、信息、知识、智慧纳入到一种金字塔形的层次体系，展现了数据是如何一步步转化为信息、知识、乃至智慧的方式。当系统采集到原始的数据后，然后通过加工处理得到有逻辑的信息，再通过提炼信息之间的联系获得规则和知识、形成行动的能力和完成任务，最终使用对各种知识进行归纳和综合形成关注未来不确定性业务的预测能力，这样系统才能真正做到感知、分析、推理、决策、控制功能。
举个简化例子理解上述过程，系统通过
传感器采集到实时的温度，再把该数据与其他数据关联(比如批次、条码、机台、原料、产品质量等级等)，同时可以计算生产过程中温度点的各种统计值，这些信息既可以根据已知的知识(工艺要求)进行过程控制，也可以进行相关性分析归纳出模型，当后续出现新的供应商原料或者在新的产线上生产能优化调整工艺要求达到最佳产能和质量。
二、机器学习在智能制造中有哪些应用
机器学习是专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善优化，是提高信息到知识提炼和知识归纳能力的方法。 根据工信部发布的《工业大数据白皮书》对工业大数据集的定义，工业数据包括了
企业信息化数据、物联网采集的数据和外部相关的跨境数据，而机器学习也就成了工业大数据分析和挖掘的主要方法之一。
现代的生产制造过程中的专家系统和模式识别技术已经广泛应用，在视觉识别、自然语言理解、机器人多个学科在制造系统都有融合应用。原有专家系统更多是把业务专业人员的经验和实验数据用规则的方式在系统中定义，然后集成数学规划的算法根据给定条件的找出问题最优解，比如说调度排产中处理多目标的动态规划；而模式识别是根据已经设定的特征，通过参数设定的方法给出识别模型从而达到判别目的，重点解决数据变化小、业务目标单一的感知问题，比如生产信号处理、图像识别和SPC控制。而机器学习能够采用标准的算法，学习历史样本来选择和提取特征来构建和不断优化模型,使得企业中原有的系统增加了自主学习的能力，解决生产过程中不确定业务，提升系统的智能化水平。
比如在排产系统实施过程中，实施顾问会与有经验的调度人员去确认规则，比如由于工艺约束产品必须排在甲线而不应该排在乙线，由于切换时间更少应该先排A产品再排B产品等等，生产批次最大100个最小40个等等，通过某些专业领域来制定规则集，在系统中通过数学规划方式得出排产结果；而机器学习首先建立调度任务的模型和衡量度量指标，再通过对大量的生产计划最终执行结果进行主因分析提取出影响度量指标的特征，再用模型对生产批次大小的区间这样的规则参数进行调整优化，甚至归纳出新规则来设定生产批次大小的区间，进而达到优化排产系统模型的目的，并且这个学习的过程是持续的，可以根据最新的特征不断调整，而避免了传统的由专家定时去修改规则参数的方式。
三、怎样在智能制造中应用机器学习
将机器学习应用智能制造系统，一种方式是建设的单个系统本身具备机器学习的功能，另外一种方式是建立企业级的机器学习平台，为企业中的其他系统提供机器学习的能力和服务，后一种机器学习平台系统架构可分成
数据采集层、源数据层、数据
存储层、数据分析层和应用层。
数据采集层主要作用收集机器学习所需要的原始数据，为平台提供学习的数据集。按照RAMI模型，数据采集层主要来源于外部系统、企业系统、工厂系统、车间系统、
控制系统、现场设备和智能产品。外部系统主要采集企业上下游供应链数据和与企业相关的外部数据比如竞品分析数据等；企业系统主要采集企业订单、客户信息、库存信息等；工厂系统主要采集主计划、设备台账等；车间系统采集工单信息、质量信息、操作日志、监控视频等；控制系统提供生产过程数据、环境、能耗等数据；从现场设备中采集仪表读数、启停信号等数据；智能制造生产的智能产品能够采集产品运行和维护数据。
源数据层保存从数据采集层获得的数据和信息，采用关系数据库存储已经组织过的信息；实时数据库存储压缩后的时序数据；用文件系统存储日志和视频等文件。另外如果需要机器学习平台进行流计算的实时数据，需要对应用层系统进行改造，把数据直接发送到数据存储层的消息队列中等待处理，这部分可以采用在企业服务总线中添加新的路径降低对原有系统的影响。
机器学习平台可定时把源数据层的数据抽取到数据存储层的值对数据库或对象数据库中，而实时数据库中的数据可以通过主动推送的方式发送给消息队列，文件系统中的文件通过文件提取的方式保存到分布式文件系统中。
数据分析层从数据存储层抽取样本特征，一般采用定时触发的批数据处理方式，比如一个工单结束后或者交接班时，得到机器学习需要的样本，把样本分成训练集和验证集两个部分，采用聚类、回归、神经网络等算法训练模型，再通过验证集对模型进行评估和调整模型参数。
训练并验证通过的模型就可以进行发布，对于通过机器学习得到的预测类模型（推荐模型、分类、神经网络），这类主要在实时性要求高的场景中根据输入反馈预测结果。采用流数据处理监控消息队列或者文件增量得到测试集，再使用模型计算得到测试结果，测试结果反馈给数据应用层使用。比如说通过根据实时的仪表数据推荐最佳的设备工艺参数集进行生产，或者预测质量异常发送给控制系统进行报警停机。这类模型的应用也可以利用边缘计算，把预测模型发布给生产现场的工控系统或嵌入系统中使用。
结语
机器学习在智能制造领域应用前景广阔，但是在应用中需要业务分析人员和数据分析人员紧密合作，从业务目标和解决实际问题出发，明确机器学习的分析目标和可行性，本文介绍了一种制造企业可行的应用架构，希望抛砖引玉，为智能制造领域的从业人员提供思路，形成合适企业的最佳解决方案。
本文为e-works原创投稿文章，未经e-works书面许可，任何人不得复制、转载、摘编等任何方式进行使用。如已是e-works授权合作伙伴，应在授权范围内使用。e-works内容合作伙伴申请热线：editor@e-works.net.cn tel：027-87592219/20/21。
需求中心
AI助手
联系我们
返回顶部