SIEMENS江苏省南京市 西门子代理商——西门子华东总代理

AI正在成为一种热潮，不断的引发产业的关注。而在制造业，AI同样正在成为各个自动化厂商、机械制造商、用户关注的焦点。作为自动化领域的技术lingdaoqiye，贝加莱一直在关注着AI的进程，并在其产品技术研发、工程实践中，不断的引入AI来解决实际制造业中的问题。

人工智能-隐性知识的挖掘

自动化系统正是用机器和系统来代替和帮助人的工作，而因此，机器和系统需要像人一样的思考。而人的思维方式主要是演绎法和归纳法，我们可以理解为对应了物理建模（Physics-based Modeling）和数据驱动建模（Data-Driven Modeling）。物理建模具有良好的可解释性、可预测、算力低、安全等优点。但是，它并不产生新知识，并且，它的控制是在既定规则下的控制，具有局限性。而工程中更多的隐性的知识，如隐藏在技师脑中的经验，它无法被有效的描述进而复用。并且，工程中必然存在着大量的不确定、非线性问题，尚未被认知，因此，通过数据驱动的建模，包括统计学、机器学习，深度学习的方式是更好的知识挖掘—而“学习”是人工智能的基础能力。

图1-工业知识的软件化过程

图1显示了工业软件的本质在于知识的复用，知识是显性，可被物理化学公式描述的，而经验则是隐性的-需要被挖掘。实际上，自动化系统进行AI的训练具有先天的条件。而现代控制理论的研究中，控制科学与工程领域的专家通常也兼具AI专家。主要在系统辨识、Zui优优化、模糊控制、自适应控制等领域。而工程实践中，AI也作为一种重要的工具辅助问题的解决。

自动化开发工业AI优势

与商业AI不同，工业AI在可解释性、实时性、稳定与安全等有着特殊的需求。这使得自动化领域的工程师，必须依据工业的特殊场景，基于AI的方法和工具，来解决复杂的问题。因此，在工业AI的应用开发中，自动化领域有着先天的优势。这包括了以下几个方面：

❶ 在数据方面的资源

自动化领域有丰富的现场数据采集与处理，包括逻辑、运动控制的扭矩、速度、位置，振动信号、视觉等专用的I/O模块。以及在内存中的中间计算量等，这些数据可以被直接访问，也可以被访问。

❷ 工业通信与信息建模

通信，除了底层的物理层与数据链路层的网络协议，也包括用于信息建模的垂直行业模型，如PackML、EUROMAP、Unimat、Automation ML等。信息模型使得数据被结构化，并提供周期性采样与传输能力。包括OPC UA/MQTT，可以建立在运行的OT系统与边缘、云端系统，经由通信规范来实现连接。例如OPC UA可以通过Pub/Sub机制在OT与云平台之间进行数据的上下行访问。

❸ 机电经验积累的专家

在工业自动化领域，工程师们通常需要对机电对象的物理特性，如对材料的张力特性、机械摩擦、模态等的了解，才能更好的进行控制。而同样，这些经验丰富的机电专家，在AI的数据采集、特征工程、训练模型的评估、参数调校、泛化方面给出自己的洞见（Insight）--这非常关键，因为，工业数据的背后是机电的强耦合关系，这些关系的判断，对于AI如何去训练具有非常重要的指导意义。

图2-自动化在工业AI应用中的优势

❹ 智能执行

AI可以让机器变得更聪明，但是，聪明的大脑还需要有力的臂膀去在现场执行。基于工业的控制系统、运动控制、输送技术—AI优化的参数、模型，可以被本地推理，并发送给智能的执行机构去执行。而工业自动化可以现场执行—实现整个的逻辑闭环。