基于现代工业基础的智能化

自动化和智能化有什么区别？我向来反对咬文嚼字，就把这个问题转化成另一个问题：在全自动化的工厂里，为什么还需要人？我想至少有两类问题需要人来处理：1、生产过程出现问题和异常时，需要人来发现和处理；2、对现有生产方式的改进与创新。从自动化到智能化，其实就是要解决这类问题。

这两类问题又与一个概念有关，这就是“标准”。在笔者看来，“标准”是连接现代工业思想与数字化的桥梁，是理解智能化的关键。以“标准”为基础，上面两类智能化问题都可以很好地定义，并借助数字化方法完善：所谓的“异常”就是超出了标准允许的范围；所谓的改进与创新，往往就是标准的优化与改变。

工业界实用的好方法，往往看似“笨办法”，而标准化就是这样一种办法。遇到问题时，学术界的许多同志总想着用理论方法给出答案。但现实中，理论有各种局限性，人们往往在很大程度上需要借助实践和尝试。一旦通过实践或者尝试成功了，就把成功的方法记下来，这就是“标准”。标准不一定是最理想的，但严格遵守标准却能取得理想的结果。

在现代工业企业中，标准往往成为一个体系，覆盖到生产经营的方方面面。比如，产品标准、工艺标准、控制标准、操作标准、设备维护标准、采购标准、检验测试标准等。标准越是完整、全面，随机干扰就会被压缩得越少，生产过程和产品质量也就越稳定。

很多人注意到：在智能化的过程中需要利用人的知识。数字化的实施过程，往往是把人的知识数字化、软件化。这样，让计算机去处理问题，本质上也就实现了标准化。我们注意到：在数字化时代，计算机管控标准的能力大大提升：可以分场景建立标准、可以根据不同产品分别建立标准、可以把若干函数作为标准、可以把若干条曲线作为标准；可以把2维的图像作为标准；可以把多变量形成的模式作为标准；.....这些标准可以在生产过程中实时监控。

知识是什么呢？人工智能有一个学派叫“符号主义”或者“计算机学派”。在这个学派中，用符号描述概念，知识的本质是概念之间的关系。比如，“老虎会吃人”是一条知识，而“老虎”、“人”都是概念。

我们一直用控制论的观点认识智能化：通过获取和处理信息，提升系统的能力。于是，就出现了一个问题：除非是人类的输入，计算机获得的信息都是通过传感器获得的。但传感器的都是物理量，如何去对接人类知识中的“概念”呢？我把从传感器的数据转化成“概念”的过程，称之为“感知到认知”。

人们眼睛看到老虎的图像，脑子中就出现老虎的概念。这就是典型的认知。与计算机相比，人具有更强的认知能力。人工智能的一个重要作用，就是让计算机具备“认知能力”。但我们必须强调的是：在工厂的场景下，人工智能只是让计算机具备认知能力的方法之一、甚至不是最重要的方法。意识到这一点，才能看到智能化广阔的应用前景。

在钢铁厂的连铸车间，通过光电管的通断，计算就能知道某一块钢坯到达或者离开了。这本质上就是一种“认知能力”。当然，这种认知的前提，是在工厂特定的场景下才能实现的。在数字化时代，通过RFID、二维码、条形码等，也能识别人或者物料，这也是一种认知能力。

借助“标准”的思想，让计算机具备很强的认知能力。前面说到：在高度自动化的工厂里，人们的一个重要作用是发现异常。而所谓的异常，就是“超出标准范围之外”。大家注意到：传统的报警就是一种认知能力。

根据信号进行报警，一直都是一种传统的、常见的功能。但在数字化背景下，这种功能可以极大地发挥出来。这是因为：计算机管理标准的能力大大提升了。比如，用射钉枪打钉子时，扭矩曲线就可以作为标准：如果某次打钉子的扭矩曲线与标准曲线不同，则意味着发生了异常。再如，设备的震动曲线也可以作为标准：当震动曲线的特征与标准不同时，就可以判断发生了异常。

许多了解我的朋友都知道：我对设备的预测性维护并不是太看好。一个重要的原因是：这些方法往往不具备一般性；算法也可能会随着时间产生漂移。如果用标准化的思想，问题就简单多了：只要关系设备状态是否在标准范围之内——只要偏离了标准，就去处理。对于数据条件好的高科技企业，这种办法是具有一般性的：当设备状态发生了奇怪的现象，能不去管吗？

在数字化背景下建立标准时，也可能会遇到一些困难。典型的问题是：标准的范围取多大好呢？如果标准过宽，则难以发现问题；如果标准过窄，虚假报警就会太多。再如，如何针对多变量问题建立标准？但我相信办法总比困难多。比如，用模式识别（分类）方法、主成分分析方法，就可能会得到广泛应用。