黄沙百战穿金甲,工业智能实现背后的技术挑战

2017-12-26 10:47:51  来源:腾讯  编辑:

        【每日科技网】

   目前的工业智能还处在初级阶段,大部分场景下还做不到完全智能化,但只要具备活动优化、自适应等特点的系统,都可以属于工业智能应用的范畴。问题域的确定和分析方法等众多环节的联结,会导致工业智能实现上所面临的技术挑战或远高于消费级人工智能所对应的难题。

  例如,在 2015 年通用电气(General Electric)推出 GE Digital 时,GE Digital 的 CTO Harel Kodesh 就提出过:工业数据不准确、工业智能对风险控制和响应能力的高要求、终端处理能力的限制、复杂模型必须被解释等显示了工业智能与消费人工智能的重要区别,这也导致了在数据、算法和模型训练上工业智能所要开辟的一些「新领域」。
  在采访中,朱武为我们解释了数据特征提取、建模等层面的技术挑战:
  工业数据的多源性、复杂性和动态性强,比如柴油机气缸排气温度,取决于燃油、燃烧、进气温度、封闭性等等,因此,特征提取要求在高背景噪声下必须实现准确且快速的降维。另外,在数据建模及训练层面,工业应用的碎片化、个性化以及结果的专业性,需要建模及训练在整体和个体、通用性和个性化之间取得均衡。
  那么,实现人工智能所依赖的关键技术多如牛毛,数据感知、大数据、机器学习、自动控制、仿真等该怎样地更好应用在工业智能中呢?朱武认为,从工程实现的角度,工业智能实现的关键有如下几步:
  定义工业场景:正如上文所提及,问题域所涉及工业场景定义的准确性和完备性决定了该问题在多大程度上被解决的可能性;
  数据的完备性和质量:工业现场数据一般带有很多噪声,而数据范围和质量决定了后续处理的难易程度和最终结果的准确性;
  智能应用支撑环境:工业智能应用本身就具备碎片化、个性化、专业化的特点,如何提供快速有效的应用实施环境,包括数据环境、模型研发实验环境、应用部署环境等,决定了工业智能应用的推广和客户接受速度。
  美国早在 2006 年提出了 Cyber-Physical System(CPS), 也就是“信息 - 物理系统”的概念,并将此项技术体系作为新一代技术革命的突破点。
  依照美国 NSF 智能维护系统中心创始主任李杰教授、天泽智云 CTO 刘宗长共同发表的《工业大数据:挖掘“不可见世界”中的价值》一文中的阐述,CPS 是一个具有清晰架构和使用流程的技术体系,针对工业大数据的特点和分析要求所构拟的技术体系,其能够实现对数据进行收集、汇总、解析、排序、分析等全套处理流程,实现对工业数据进行流水线式的实时分析能力,并在分析过程中充分考虑机理逻辑、流程关系、活动目标、商业活动等特征和要求。因此可作为工业大数据分析中的智能化体系的核心。

免责声明:本文仅代表作者个人观点,与每日科技网无关。其原创性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容、文字的真实性、完整性、及时性本站不作任何保证或承诺,请读者仅作参考,并请自行核实相关内容。

本网站有部分内容均转载自其它媒体,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责,若因作品内容、知识产权、版权和其他问题,请及时提供相关证明等材料并与我们联系,本网站将在规定时间内给予删除等相关处理.

图片中心