得益于在亚马逊Alexa 和苹果Siri 等消费设备和服务中的广泛应用，机器学习和人工智能 (AI) 已成为主流技术。事实证明，这些系统能精准识别会话语音并在复杂视觉场景中辨认和说出对象名称。Facebook 称其每天运用该技术执行约 60 亿次翻译任务。然而，人工智能的应用远不仅限于消费者服务领域。
得益于在亚马逊Alexa 和苹果Siri 等消费设备和服务中的广泛应用，机器学习和人工智能 (AI) 已成为主流技术。事实证明，这些系统能精准识别会话语音并在复杂视觉场景中辨认和说出对象名称。Facebook 称其每天运用该技术执行约 60 亿次翻译任务。然而，人工智能的应用远不仅限于消费者服务领域。
人工智能在工业控制和类似应用领域就拥有大量实际运用。这些应用对机器学习的部署提出了更多额外要求，例如实时性能管理和商业敏感数据处理等。而人工智能技术具备对复杂数据进行分段和分类的能力，因而正逐渐成为下一代机器状态监控系统和流程优化的主要选择。
预测性维护为联网工业应用提供高投资回报率
对于联网工业应用而言，可实现高投资回报的预测性维护是一种备受追捧的应用实例。预测性维护中的状态监控不仅可以减少现场检查的频次，还能降低维护成本。如果系统能准确地识别出设备部件的剩余使用寿命，便可以把部件更换时间安排在低产时段，避免作业期间发生故障的风险；而若采用的是故障发生再维修的方案，则需组建一支成本更高昂的快速响应团队。部署预测性维护的企业已经实现了20% 到 25% 的效率增益。
人工智能在预测性维护等应用环境中的优势在于它能从避开确定性算法的数据中找出规律。例如，温度和振动偏差通常呈正态，但某些组合和时间序列加在一起则可能产生问题。基于人工智能的模型可以解译大量的时间序列数据，从而更好地了解特定部件的故障状况。
通过本地处理为基于云的人工智能系统添砖加瓦
当前，人工智能系统仍然存在一个问题，即常常依赖于云服务器中可用的计算能力。而在消费者使用的人工智能应用中，只有极少数能够对使用机器学习构建的模型执行本地推断。所谓推断，就是将新输入值应用于训练模型，使模型能够确定输入值含义的过程。
对于工业企业用户而言，这种远程执行问题重重，原因有以下几点：其一是敏感运营数据的机密性；其次是及时性。许多基于云的人工智能系统执行任务，如将文本从一种语言翻译成另一种语言时，出现可变延迟，甚至长延迟都是可以接受的。但对于采用人工智能进行运行控制的工业系统而言，情况却并非如此。其三，通信带宽可能不足，以致无法将充足的数据传送至云端进行可靠推断。这使得对人工智能模型的本地处理，尤其本地推断能力的需求更加强烈。而对于模型训练的计算密集型过程，将其卸载到强大的云服务器通常将还是较为明智的做法。
实现上述本地处理有两种方法。一种是使用设备自身可用的计算能力，不过设备可能没有充裕的备用处理能力来运行异常复杂的模型。若基于设备的处理不可行，另一种办法则是把处理过程全部或部分卸载到其他设备。例如，设备本身运行简化后的人工智能模型，执行数据初始分析，而附近的网关或板级计算机负责运行功能更强大的模型。本地网关甚至可以自行训练并优化模型，无需将训练传递到云服务器上。
设备上的人工智能可提供最低的通信延迟。然而，本地网关具备更快的处理速度，可能超过性能较低的设备处理器，并能提供最佳延迟和吞吐量参数。无监督机器学习系统可以在传感器读数中找出规律，并将侦测到的规律而非原始传感器数据传送至网关或本地服务器，这极大地减轻了通信负担。随后，使用有监督的人工智能技术训练出的模型就可以分析这些规律并确定它们的含义。
寻到合适的学习技术解决方案
人工智能可算作一种强大的工业控制技术，然而相关用户却面临着缺乏充分利用这种技术所需的深度知识和经验的问题。开发人员首当其冲，面临着采用哪种机器学习策略的抉择。当前，大多数基于云的人工智能系统都使用深度学习：一种需要使用功能强大的计算机的计算密集型技术。但深度学习只是实现人工智能众多方法中的一种。它属于一种更宽泛类别的有监督学习技术，更适用于工业系统处理的数据类型。有监督学习是指训练数据已预先标记。标签与输入数据的匹配使深度学习系统可以对以往从未见过的图像进行分类。
机器学习模型的训练不仅仅依赖于已标记数据。聚类等无监督机器学习算法可以在没有其他额外辅助的情况下找出数据规律，该过程在使用多个传感器或输入的时间序列行为很关键的工业控制系统中非常有用。以对机床的状态监控为例，振动强度可能无法说明有问题，但可能是该过程的结果。时间序列数据的移动规律配上温度的快速变化，可能表明存在需要维护的问题。若直接使用源数据无法显示出清晰的规律，数据将被划分成易于区别的多个簇，从而揭示出异常值。工业开发人员需要解决的问题是如何确定目标应用中需部署的机器学习形式。
Octonion为此开发出了一项解决方案Brainium，一款可为开发人工智能解决方案和物联网系统的工程师大幅缩短学习曲线的架构。Brainium高度灵活，可在设备、网关和云端三层运行，能够满足工业用户的需求。用户可自行确定适合其所需部署环境的最佳方案。
人工智能已经实现了向云、网关及边缘的过渡，并且当前边缘与网关的集成也已被证明可以扩展人工智能的应用范围。人工智能技术显然已经成为各种工业应用中不可或缺的组成部分。哪种人工智能方案更适合某种特定应用情景完全取决于应用开发人员。可喜的是，目前已经有许多解决方案可供选择，且能够满足当前以及未来相当长一段时间内对数据管理和控制的要求。
您可能感兴趣
