關於阿里雲工業大腦宣講的感想

03-06

有幸聽了阿里雲工業大腦王峰總經理的一段宣講，結合自己的經驗，分享一些想法，感覺工藝參數複雜的化工行業，需要廣域實時監測的風電和物流行業，更適合雲，而珠三角中低端的製造業，上雲的意義並不大。

王總講了一些阿里雲案例（嘗試用人工智慧解決製造業困難），並表示阿里雲是專註於數據的分析展示和支持決策，而數據採集上傳則由合作方完成：

1）晶圓廠切片機工藝參數優化和設備故障預警，提升了良率，

2）橡膠廠化工工藝參數優化，改善了品質，

3）風力發電機組的軸承斷裂預警，減少了維修停機，

4）結合交通實時信息和運籌學進行物流調度優化，

5）結合iot進行車間排產和庫存管理

國內製造業的困難，可以簡單分為不明白（技術缺乏積累，山寨的出來但是不明精粹導致在關鍵參數上與原廠差一截）與明白但做不到（管理不善，要麼因為工作效率低或排產不當導致無法按時完成訂單，要麼庫存居高不下運營成本高昂），對於前一個問題，如果是生產效果非常依賴於設置參數，如化工生產，則機器學習可以發揮明顯作用，而機加工行業的工藝優化和化工行業的工藝優化多有不同，前者的關鍵參數不是多個特徵的羅列，牽涉到尺寸鏈要難處理的多，尚不清楚人工智慧在這個領域的發展潛力。對於後一個問題，即排產啊進銷存啊這些，其實已經有很多軟體服務商在做，近年物聯網大興後mes領域也加速發展，但是這種數據上雲的必要性其實並不大，畢竟生產還是集中在廠區進行，相對而言跨地域的物流調度和風機監測這種，上雲並結合機器學習技術進行優化的意義更大，我對物流不了解，這裡只說下風機監測。

傳統風機故障診斷由人手完成，一個是被測物分布在荒郊野外，到處跑測點消耗資源大，另一個是診斷結果依賴人員經驗，效果並不穩定，改為在每個風機上放置集成了感測器和數據鏈的採集端，把數據上雲後進行數據挖掘，可以在集中投資軟硬體後在長期運營中拉低平均運維費用（也許還能拉點政府補貼什麼的），並嘗試通過大數據得到更穩定的運維效果，目前進入此領域的國內公司中，金風科技本身做風電，具備一定行業優勢，觀為監測是軟硬體都做，其在線監測平台在2017年入選工信部全國大數據50家優秀解決方案，另外還有北京智擎，蘇州耕耘，根雲等公司，也在這個領域有發展，

但是要把這種雲預警模式推廣到機床領域則不容易，一則製造業機床集中，可以由專人使用少量設備進行定期點檢後集中上傳數據並分析處理，對分散式的在線監測和上雲的需求並不大，而分析效果又主要依賴業務專家提取的故障特徵，對演算法的要求並不高，二則好機床的故障率其實並不高，我在機床展上見到dmg機床保修5年，業務人員表示其機床質量過硬，5年承諾已經很保守了，至於晶圓廠對在線故障預警比較在意，是因為工件價格實在太高，因為設備故障導致工件報廢的損失比做故障預警的成本高的多，三則國內製造業利潤率感人，而大規模部署軟硬體對成本提出更高要求，企業是否能把投入的資源以其他形式回收，是個問題。整體而言，限制設備故障預警推廣的主要是硬體成本和可靠性知識，而不是網路通信或神經網路模型水平。

人工智慧和製造業結合的一大流派，機器人視覺（AGV小車視覺導航，機器手視覺分揀上下料），王總並未提及，也許和行業定位有關吧。反之聽完之後，覺得人工智慧和雲計算確實能在某些領域發力，但是要在更廣泛的製造業發揮作用則還是任重道遠，需要依賴各種外部條件的發展。