話說在古代，國師會通過觀測星象來預測來年的國運。雖說iot101君沒有夜觀星象的本事吧，但至少能從咱們行業(yè)內(nèi)的某些事件中看出一點兒物聯(lián)網(wǎng)領域的發(fā)展趨勢。
最近連著發(fā)生的幾件事兒，都讓iot101君覺得有某種新的勢頭正在顯現(xiàn)：機器學習正在大舉進入工業(yè)和制造業(yè)領域，與工業(yè)物聯(lián)網(wǎng)技術的結(jié)合有可能引發(fā)行業(yè)的新變革。
第一件事就在這兩天——勞倫斯伯克利國家實驗室的研究人員在《Nature Computional Materials》上發(fā)表論文稱，他們首次通過建立和訓練機器學習算法，得以預測某些金屬間化合物的缺陷行為，而且預測具有高精度。
要知道，材料從來不是化學純的或者是結(jié)構無缺陷的，了解這些“點缺陷”對于設計材料的研究人員來說至關重要。傳統(tǒng)上，研究人員使用一種被稱為密度泛函的計算方法來預測金屬間化合物在給定的結(jié)構中會形成什么樣的“點缺陷”以及它們將如何影響材料的性質(zhì)。雖然有效，但是計算成本高昂，所以使用格外受限。
但是現(xiàn)在，研究人員可以對幾百種材料進行密度函數(shù)計算，然后訓練機器學習算法，從而快速、準確并且便宜地預測大量材料的“點缺陷”。
利用為946 B2型金屬間化合物建立的r－MART模型預測金屬的主要缺陷類型。如下圖，不同的顏色顯示了預測和計算之間的關系。
當然，我們并不需要明白什么是“點缺陷”和晶體結(jié)構“空穴”，也不需要會算什么計算量子力學的密度泛函。只要明白，因為機器學習，材料工業(yè)可以為充滿無限可能的未來歡欣鼓舞一下了——從汽車到航空航天，這種新方法都將加速新型高級合金和輕量化新材料的應用。
除了材料工業(yè)，就在前幾天，英偉達也是要“造反”，其新一代GPU劍指深度學習和虛擬現(xiàn)實！
其發(fā)布了基于其最新的 Pascal 架構的新一代 Quadro 系列顯卡。英偉達宣稱，新的芯片組可將桌面工作站轉(zhuǎn)變成為具有突破性能力的超級計算機，為不同行業(yè)的專業(yè)任務提供保障。新的 Quadro 芯片組可以為設計、工程和有關虛擬現(xiàn)實以及深度學習的各種領域提供硬件支持。這些顯卡可以構建企業(yè)級視覺計算平臺，為用戶簡化設計和模擬工作流難度，與上一代產(chǎn)品相比，新的顯卡速度最多可以提升兩倍。
“開發(fā)者們的專業(yè)工作流已經(jīng)充斥著人工智能、虛擬現(xiàn)實和照片級圖像處理任務，這對計算設備硬件提出了新的挑戰(zhàn)，”英偉達專業(yè)可視化副總裁 Bob Pette 說道，“我們的新一代 Quadro 系列提供了解決這些挑戰(zhàn)所需的圖形和計算性能，通過統(tǒng)一計算和設計，Quadro GP100 可以將普通桌面工作站轉(zhuǎn)換成為超級計算機?！?/span>
因為GP100，工程師們常見的CAE模擬仿真等工作，將會產(chǎn)生鳥槍換大炮的體驗。
基于這些事件，也難怪GE軟件＆GE全球研究院的高級首席科學家，會在最近2017年1月的一次演講中，著重強調(diào)AI與IIoT結(jié)合的效益。他認為在世界范圍內(nèi)，工業(yè)環(huán)境中AI（人工智能）和IIoT（工業(yè)物聯(lián)網(wǎng)）的整合都是一片藍海，IAI是當前的絕佳創(chuàng)業(yè)機會。
機器學習變革制造業(yè)的五種方式
不只是最近，機器學習早已開始慢慢“入侵”制造業(yè)了。根據(jù)日本工業(yè)領域人工智能專家Tomi的觀點，機器學習變革制造業(yè)主要有五種方式：
（1）代替肉眼檢查作業(yè)，實現(xiàn)制造檢查的智能化和無人化
例如工程巖體的分類，目前主要是通過有經(jīng)驗的工程師通過仔細鑒別來判斷，效率比較低，并且不同的人有不同的判斷偏差。
通過采用人工智能技術，把工程師的經(jīng)驗轉(zhuǎn)化為深度學習算法，判斷的淮確率和人工判斷相當。得到對應的權值后開發(fā)出APP，這樣現(xiàn)場工程人員在使用tablet拍照后，就可以通過APP自動得到工程巖體分類的結(jié)果，高效且淮確率高。
還有汽車零部件廠商，目前能夠檢查生產(chǎn)出的零件磨損種類與等級情況的，多是有經(jīng)驗的人工。同樣，通過采用深度學習算法，可以把人工的檢測經(jīng)驗轉(zhuǎn)化為算法，從而實現(xiàn)無人化檢測。
（2）大幅改善工業(yè)機器人的作業(yè)性能，提升制造流程的自動化和無人化
將深度學習算法應用到工業(yè)機器人上，拿來做商品或者零件分揀，大概可以分為“分類”和“撿起”兩步：
（1） 對商品或者零件進行“分類”
這個步驟非常適合使用深度學習，因為深度學習本質(zhì)上就是用來做分類識別的。
（2） 將商品或者零件“成功撿起”
對于單個商品或者零件，要想將其成功撿起，關鍵是選擇合適的把持位置，通俗的講，就是確定機器人夾零件的哪個地方，可以使零件不下滑，從而使零件成功地被撿起來。
對于多個商品和零件堆積在一起的情形，除了把持位置的選擇，還需要選擇合適的抓取順序，即先抓取哪一個零件，后抓取哪一個零件，這時可以采用Reinforcement Learning算法，最終可以達到約90％的成功率，和熟練工人的水平相當。
當然，要將這些成果大規(guī)模應用到工業(yè)流水線上，還需要考慮到正確率要求更高（一般是99．9％），以及速度要求更快等，目前許多改進就是圍繞滿足這兩點指標來進行的。
例如bin picking機器人，工業(yè)上有許多需要分撿的作業(yè)，如上圖所示的零件分撿，采用人工的話，速度緩慢且成本高，而且還需要提供適宜的工作溫度環(huán)境（夏天的空調(diào)，冬天的暖氣等），如果采用工業(yè)機器人的話，可以大幅減低成本，提高速度。但是，一般需要分撿的零件是沒有整齊擺放的，機器人雖然有camera看到零件，但卻不知道如何把零件成功的撿起來。這種情況下，使用機器學習，先讓工業(yè)隨機的進行一次分撿動作，然后告訴它這次動作是成功分撿到零件還是抓空了，經(jīng)過多次訓練之后，機器人會知道按照怎樣的順序來分撿，會有更高的成功率。
上面的圖片表明通過機器學習后，機器人知道按照按照怎樣的順序分撿，成功率會更高，圖中數(shù)字是分撿的先后次序
經(jīng)過機器學習后，機器人知道了分撿時夾圓柱的哪個位置會有更高的撿起成功率，經(jīng)過8個小時的學習后，機器人的分撿成功率可以達到90％，和熟練工人的水平相當。
（3）工業(yè)機器人異常的提前檢知，從而有效避免機器故障帶來的損失和影響
這方面和IoT（Internet of Things）結(jié)合比較多。例如在制造流水線上，有大量的工業(yè)機器人。如果其中一個機器人出現(xiàn)了故障，當人感知到這個故障時，可能已經(jīng)造成大量的不合格品，從而帶來不小的損失。如果能在故障發(fā)生以前就檢知的話，可以有效做出預防，減少損失。
例如下圖的工業(yè)機器人減速機和主軸，如果給它們配上sensor，并提前采取它們正常／不正常工作時的波形，電流等信息，用于訓練機器學習系統(tǒng)，那么訓練出來的模型就可以用來提前預警，實際的數(shù)據(jù)也表明人工智能會比人更早地預知到故障，從而降低損失。
經(jīng)過機器學習后，模型通過觀測到的波形，可以檢知到人很難感知到的細微的變化，并在工業(yè)機器人徹底故障的之前的數(shù)星期，就提出有效預警。利用機器學習來提前預警主軸的故障，一般人都是主軸出現(xiàn)問題后才知道。
（4）高匹配率的找出符合3D模型參數(shù)的那些現(xiàn)實零件
例如工業(yè)上的3D模型設計完成后，需要根據(jù)3D模型中參數(shù)，尋找可對應的現(xiàn)實中的零件，用于制造實際的產(chǎn)品。使用機器學習來完成這個任務的話，可以快速，高匹配率的找出符合3D模型參數(shù)的那些現(xiàn)實零件。
根據(jù)3D模型設計的參數(shù)，機器學習模型計算各個現(xiàn)實零件與這些參數(shù)的類似度，從而篩選出匹配的現(xiàn)實零件。沒有使用機器學習時，篩選的匹配率大概是68％，也就是說，找出的現(xiàn)實零件中有1／3不能滿足3D模型設計的參數(shù)，而使用機器學習后，匹配率達到了96％。
（5）PCB電路板的輔助設計
任何一塊印制板，都存在著與其他結(jié)構件配合裝配的問題，所以，印制板的外形和尺寸，必須以產(chǎn)品整機結(jié)構為依據(jù)，另外還需要考慮到生產(chǎn)工藝。層數(shù)方面，也需要根據(jù)電路性能要求，板尺寸和線路的密集程度而定。如果不是經(jīng)驗豐富的技術人員，很難設計出合適的多層板。通過機器學習，可以將技術人員的經(jīng)驗轉(zhuǎn)化為模型，從而提升PCB設計的效率與成功率。
機器學習在工業(yè)領域的瓶頸
參考知乎用戶苗廣藝和Assam的觀點，機器學習在工業(yè)領域應用，仍有許多需要攻克的瓶頸。
（1）數(shù)據(jù)量的問題
效果好的方法大都是有監(jiān)督訓練的，這就需要很多標注數(shù)據(jù)，數(shù)據(jù)的質(zhì)量、歸一化方法、分布等，對模型的效果都影響很大。
數(shù)據(jù)量的問題可以分成兩類來討論：
a．數(shù)據(jù)太多：那么面臨著計算能力和計算成本的問題。
b．數(shù)據(jù)太少：數(shù)據(jù)太少有時候是很客觀存在的事情，在這種情況下模型的預測能力一般都不會太好。
（2）工程師經(jīng)驗
機器學習的方法對于一般的工程師并不友好，尤其是在工業(yè)和制造業(yè)領域深耕對機器學習根本不了解的工程師朋友。
如果沒有了解原理和做過一些實驗，這就是一個參數(shù)很多的黑盒，弄不好效果就會很差。
（3）計算能力和工程實現(xiàn)能力
很多模型，特別是深度學習模型，訓練時間和資源消耗很大，如果需要多次訓練調(diào)整策略和參數(shù)，周期很長。實際部署運行速度也受模型大小和種類影響，速度和效果會有一個權衡。
另外，好的算法要有好的工程實現(xiàn)，才能發(fā)揮正常的作用，代碼能力不行，再好的模型也不行。
（4）機器學習的不可預測性
機器學習的每個過程都充滿了不可預測性，比如解釋model，比如處理missing value，也比如將文字轉(zhuǎn)化為vector。按理來說，我們會覺得更復雜的處理效果更好，但大部分時候你會發(fā)現(xiàn)bag of words比skip－gram強多了。大概機器學習的每個環(huán)節(jié)都存在這種問題，沒有唯一的經(jīng)典的最好的方法。做機器學習就像是猜密碼，而且是一個很多位的密碼。（來源：物聯(lián)網(wǎng)智庫）
