当工业4.0遇见AI：现在的智能制造有多“智能”？

这里的“知识库”即是AI在W.K. Choi所说“预测”中的大脑，其中包含所有“知识点”和解决方案，并通过学习不断完善。这里再来看一个例子，在某晶圆厂半导体制造CVD（化学气相沉积）流程中，追踪发现某一天（本例为4月18日）出现了异常高的报警数，很多晶圆质量都受到影响（图2）。报警内容为：“TDS”设备某节气阀发生位置偏移。如果这份数据拉长到为期半个月，那么很容易发现，在高报警事件发生的前两天，数据就已经显现出节气阀位置发生潜在漂移——而且早在10天以前，前序压力就因为节气阀位置偏移而出现不规则现象。poSesmc

poSesmc

那么实际在发生高报警数之前，通过预测性维护（Predictive Maintenance）就能率先预知问题，“在错误发生之前就预测到错误”，以避免故障停机时间，因此得以提升效率并节省成本。更多的“预测”行为还包括预测设备的剩余可用寿命（RUL），以及各种执行基于条件的的预测性分析。poSesmc

这里“基于条件”的预测性分析可认为是智能制造的核心产物。就好像日常的汽车保养，仍是基于时间或里程的：如每隔一个固定时间或固定行驶里程前往4S店做保养；但如果能够针对汽车发动机转速、温度、振动等各种参数做关联分析和预测，则在综合所有参数与AI分析过后，系统得出现在是否需要维护或下一次维护时间应该是在什么时候，这才是节约保养成本、提高生产效率的最佳方案。poSesmc

现在我们知道，AI在智能制造中的应用，至少可有检测、分析和预测三步骤。不过这依然不是AI的全部。在BISTel的定义中，AI能够实现的终极目标远不止此。“AI应用，可嵌入已习得的知识，并实现自动化操作；应用AI获取的知识库，具备自主控制、自主治愈的能力。”poSesmc

这句话强调的是AI学习的“自适应”能力，全过程包括完全自主地发现问题、学习问题，并采取行动。工厂内部的这个过程无需或少有人工干预。W.K. Choi说：“这是我们理想中的智能生产。”即便这一步尚未达成。poSesmc

当工业MCU/SoC开始增加AI单元

从上述解决方案的实例来看，AI如何部署似乎还不够明朗。我们尝试往下看解决方案底层的硬件支持。不难想见，上层AI应用需求自然能够带动下层AI芯片或专核的兴盛，比如工业现场生产用机械臂或电机内部的MCU/SoC——毕竟我们反复在说AI这一技术热点是贯彻在整个垂直行业的。poSesmc

常规能够想到的AI专核通常是具备高度并行计算能力+片上存储+低精度计算的ASIC核心，尤其如果是特别针对某个具体的工业应用场景。不过行业内颇具代表性的瑞萨电子DRP（Dynamic Reconfigurable Processor）技术，或称e-AI（嵌入式AI，DRP是e-AI技术的一部分）在思路上还略有不同。这里还是先举个例子。poSesmc

poSesmc

在图3故障预判解决方案中，工业制造现场电机运行时，可通过加速度传感器来采集电机运行振动情况，这些采集的数据上传到云服务器，经由云服务器的学习软件做深度学习（基于谷歌TensorFlow神经网络架构）；再由解释器将高级语言AI模型翻译成MCU可识别的机器语言，AI控制软件将AI模型下载到本地e-AI单元，实现故障预判。poSesmc

这套系统监测的是电机运行情况，并可预测其剩余使用寿命，属于相当典型的AI预测性维护使用场景。在这一例中，由于硬件的具象化，我们得以更清晰地理解预测性维护的流程是什么样。瑞萨电子中国工业自动化事业部高级总监徐征告诉我们，除了预测性维护，e-AI还能用于异常检测，提高质量，自动化检验。poSesmc

“我们已经在一些工业生产现场取得验证性测试结果，比如瑞萨电子那珂工厂，GE医疗（日本）日野工厂。那珂工厂的验证测试结果表明，以下三点在智慧工厂中是完全可行的：poSesmc

- 使用AI识别异常结果。通过为复杂波形设置阈值，消除难点。poSesmc
- 显著减少错误信息，从每月每台机器大约50条错误信息降低为零，消除工程师负担。poSesmc
- 准确检测异常结果。通过使用高分辨率数据，将异常结果检测率提高6倍以上。”