一、為什么要把機器學習應用于智能制造
提到智能制造，不能不提到"機器換人"，如果說利用機器人、自動化控制設備或流水線自動化替代傳統的生產線上操作工和物料人員，實現“減員、增效、提質、保安全”的目的，而在制造過程中應用機器學習就是進一步對制造系統進行智能賦能，實現替代或輔助管理人員和專業人員對不確定業務進行決策的能力。
DIKW模型將數據、信息、知識、智慧納入到一種金字塔形的層次體系，展現了數據是如何一步步轉化為信息、知識、乃至智慧的方式。當系統采集到原始的數據后，然后通過加工處理得到有邏輯的信息，再通過提煉信息之間的聯系獲得規則和知識、形成行動的能力和完成任務，最終使用對各種知識進行歸納和綜合形成關注未來不確定性業務的預測能力，這樣系統才能真正做到感知、分析、推理、決策、控制功能。
舉個簡化例子理解上述過程，系統通過傳感器采集到實時的溫度，再把該數據與其他數據關聯(比如批次、條碼、機臺、原料、產品質量等級等)，同時可以計算生產過程中溫度點的各種統計值，這些信息既可以根據已知的知識(工藝要求)進行過程控制，也可以進行相關性分析歸納出模型，當后續出現新的供應商原料或者在新的產線上生產能優化調整工藝要求達到最佳產能和質量。
二、機器學習在智能制造中有哪些應用
機器學習是專門研究計算機怎樣模擬或實現人類的學習行為，以獲取新的知識或技能，重新組織已有的知識結構使之不斷改善優化，是提高信息到知識提煉和知識歸納能力的方法。 根據工信部發布的《工業大數據白皮書》對工業大數據集的定義，工業數據包括了企業信息化數據、物聯網采集的數據和外部相關的跨境數據，而機器學習也就成了工業大數據分析和挖掘的主要方法之一。
現代的生產制造過程中的專家系統和模式識別技術已經廣泛應用，在視覺識別、自然語言理解、機器人多個學科在制造系統都有融合應用。原有專家系統更多是把業務專業人員的經驗和實驗數據用規則的方式在系統中定義，然后集成數學規劃的算法根據給定條件的找出問題最優解，比如說調度排產中處理多目標的動態規劃；而模式識別是根據已經設定的特征，通過參數設定的方法給出識別模型從而達到判別目的，重點解決數據變化小、業務目標單一的感知問題，比如生產信號處理、圖像識別和SPC控制。而機器學習能夠采用標準的算法，學習歷史樣本來選擇和提取特征來構建和不斷優化模型,使得企業中原有的系統增加了自主學習的能力，解決生產過程中不確定業務，提升系統的智能化水平。
比如在排產系統實施過程中，實施顧問會與有經驗的調度人員去確認規則，比如由于工藝約束產品必須排在甲線而不應該排在乙線，由于切換時間更少應該先排A產品再排B產品等等，生產批次最大100個最小40個等等，通過某些專業領域來制定規則集，在系統中通過數學規劃方式得出排產結果；而機器學習首先建立調度任務的模型和衡量度量指標，再通過對大量的生產計劃最終執行結果進行主因分析提取出影響度量指標的特征，再用模型對生產批次大小的區間這樣的規則參數進行調整優化，甚至歸納出新規則來設定生產批次大小的區間，進而達到優化排產系統模型的目的，并且這個學習的過程是持續的，可以根據最新的特征不斷調整，而避免了傳統的由專家定時去修改規則參數的方式。
三、怎樣在智能制造中應用機器學習
將機器學習應用智能制造系統，一種方式是建設的單個系統本身具備機器學習的功能，另外一種方式是建立企業級的機器學習平臺，為企業中的其他系統提供機器學習的能力和服務，后一種機器學習平臺系統架構可分成數據采集層、源數據層、數據存儲層、數據分析層和應用層。
數據采集層主要作用收集機器學習所需要的原始數據，為平臺提供學習的數據集。按照RAMI模型，數據采集層主要來源于外部系統、企業系統、工廠系統、車間系統、控制系統、現場設備和智能產品。外部系統主要采集企業上下游供應鏈數據和與企業相關的外部數據比如競品分析數據等；企業系統主要采集企業訂單、客戶信息、庫存信息等；工廠系統主要采集主計劃、設備臺賬等；車間系統采集工單信息、質量信息、操作日志、監控視頻等；控制系統提供生產過程數據、環境、能耗等數據；從現場設備中采集儀表讀數、啟停信號等數據；智能制造生產的智能產品能夠采集產品運行和維護數據。
源數據層保存從數據采集層獲得的數據和信息，采用關系數據庫存儲已經組織過的信息；實時數據庫存儲壓縮后的時序數據；用文件系統存儲日志和視頻等文件。另外如果需要機器學習平臺進行流計算的實時數據，需要對應用層系統進行改造，把數據直接發送到數據存儲層的消息隊列中等待處理，這部分可以采用在企業服務總線中添加新的路徑降低對原有系統的影響。
機器學習平臺可定時把源數據層的數據抽取到數據存儲層的值對數據庫或對象數據庫中，而實時數據庫中的數據可以通過主動推送的方式發送給消息隊列，文件系統中的文件通過文件提取的方式保存到分布式文件系統中。
數據分析層從數據存儲層抽取樣本特征，一般采用定時觸發的批數據處理方式，比如一個工單結束后或者交接班時，得到機器學習需要的樣本，把樣本分成訓練集和驗證集兩個部分，采用聚類、回歸、神經網絡等算法訓練模型，再通過驗證集對模型進行評估和調整模型參數。
訓練并驗證通過的模型就可以進行發布，對于通過機器學習得到的預測類模型（推薦模型、分類、神經網絡），這類主要在實時性要求高的場景中根據輸入反饋預測結果。采用流數據處理監控消息隊列或者文件增量得到測試集，再使用模型計算得到測試結果，測試結果反饋給數據應用層使用。比如說通過根據實時的儀表數據推薦最佳的設備工藝參數集進行生產，或者預測質量異常發送給控制系統進行報警停機。這類模型的應用也可以利用邊緣計算，把預測模型發布給生產現場的工控系統或嵌入系統中使用。
結語
機器學習在智能制造領域應用前景廣闊，但是在應用中需要業務分析人員和數據分析人員緊密合作，從業務目標和解決實際問題出發，明確機器學習的分析目標和可行性，本文介紹了一種制造企業可行的應用架構，希望拋磚引玉，為智能制造領域的從業人員提供思路，形成合適企業的最佳解決方案。
核心關注：拓步ERP系統平臺是覆蓋了眾多的業務領域、行業應用，蘊涵了豐富的ERP管理思想，集成了ERP軟件業務管理理念，功能涉及供應鏈、成本、制造、CRM、HR等眾多業務領域的管理，全面涵蓋了企業關注ERP管理系統的核心領域，是眾多中小企業信息化建設首選的ERP管理軟件信賴品牌。
轉載請注明出處：拓步ERP資訊網http://www.guhuozai8.cn/
本文標題：機器學習在智能制造中的應用
相關文章
