Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

高静宜采访

工业物联网行情见长,力推工业云平台的老牌公司西门子如何「挥拳」出击?| 对话

如果把数字化双胞胎比作西门子的关节,起到有机联结工业数据的作用,那么人工智能的存在对于西门子来说,无疑就是经脉——将数据的价值和能力输送至更深、更远,延伸到那些不容易被挖掘或是此前难以发现的细枝末节。

 举个简单的例子:老旧车间是否需要进行数字化升级改造?

首先遇到的问题就是掌握车间的基本情况,包括设备的运行状态、系统的种类与架构、运营维修等信息。

然后,实现初步的数字化双胞胎。

将这些形式迥异、来源不同的数据关联在一起,构建一个一体化的语义模型,以便清晰地把控车间的全局状况。西门子助力双星集团打造数字化工厂,图片来自双星

规划定义阶段之后,接下来的问题往往是:数字化究竟能够带来多少好处?是否值得投入?有大的提升空间?

「大部分客户在一开始对这些问题都很难有一个清楚的把握。而我们有 AI,就可以基于语义和数据去做智能分析,然后通过仿真验证,帮助客户解决数字化升级中遇到的这些问题。」西门子中国研究院产品建模与仿真研发部研发总监李明说道。

而且在他看来,AI 在工业领域的潜能并不止步于分析与评估,还会在故障诊断、预测性维修等方面展现能力,

「如果仅仅知道故障却不能判断原因,就无法做到提前预防,这其实不算是真正帮助车间完成了改善工作。」

毫无疑问,老旧工厂的数字化升级是一个典型,但却不是个例。

西门子拥有庞大而多元的业务与产品体系。在过去的几十年里,西门子针对人工智能技术展开了一系列探索,并将其应用于 CT 及 MRI 结果分析的复杂图像识别、燃气轮机和风场等工业系统、铜价预测和电网产能利用率的预期以及工业 4.0 中用于协作、自适应和柔性生产的物理自主系统等方面。

与此同时,西门子在人工智能相关技术和人才方面上的持续投入也有目共睹。

2017 财年,西门子在相关业务的投入约为 52 亿欧元,超过 2016 财年的 47 亿欧元。2018 年财年,西门子的研发投资计划在现有水平上增加 4.5 亿欧元。

此外,西门子在北京、上海、苏州、南京、武汉、无锡、青岛等城市建立了研发分支机构,并在青岛、成都成立了智能制造创新中心。截至 2017 财年,西门子全球研发人员已经达到约 4 万人。

近日,西门子全球高级副总裁 Norbert Gaus 接受了机器之能的采访,还原了这家老牌工业企业在人工智能大潮中的独特思考与生存法则。西门子全球高级副总裁 Norbert Gaus

以下为采访实录,机器之能做了不改变原意的整理。

从最初的互联网到后来的移动互联网,发展至后来的人工智能技术以及现在大热的边缘计算、区块链,对于西门子而言,要抓住的技术机遇是哪些?

这涉及到我们的技术部局。

西门子拥有非常广泛的产品和技术组合,结合技术门类,公司定义了 14 项核心科技。

西门子公司定义的 14 项核心技术

总体来说,是通过数字化手段来进行研发。

数字化是基础,产品要实现互联化和智能化,这也是在技术发展中我们要促成的其中一个方面,让大家知道互联与智能对于现场设备全生命周期的安全和可靠意味着什么。

我们有许多工作组从事这方面的研究,其中之一是将老旧工厂的设备进行互联,另外是让一个或多个系统实现智能化,未来将实现现场设备和系统之间的实时交互和通讯。要让现场设备自主实现优化,这是现场层面涉及到的科技。

第二是我们研发的信息技术,用于帮助客户和我们自己进行产品设计、制造流程的设计以及工厂的自动化和运营服务的自动化。

我们有各种各样的工具来建造模型,用这些模型生成数据。这其中就用到 MindSphere(西门子推出的基于云的开放式物联网操作系统)。

MindSphere 为设备提供互联,对设备进行管理、实施功能或者实施模型;在数据端和模型端,还对产品生命周期管理工具进行连接,为利用数据开发应用程序提供了一个生态系统。这些应用程序来自西门子,也可以来自我们的合作伙伴、客户和供应商。

在这个生态系统的背景下,有一些非常热门的技术,比如区块链物联网、互连设备或者边缘设备、人工智能、仿真和数字化双胞胎等技术。

最后一个方面是信息安全。上百万计的设备互联会产生大量数据,保证网络信息安全才能实现设备的可靠性。

这些技术方向对于我们来说,既是一个让人兴奋的课题,又是一个要求极高的工作内容。

对于人工智能在工业领域的应用,西门子有哪些可以分享的成功案例?

在工业领域,通常会把人工智能应用在维修、服务这些方面。

第一个案例是预测工业设备的维修时间。

很多时候,我们需要从火车、轮机这些关键部件中提取数据,来预测磨损等原因造成的故障,这里面涉及维修间隔的计算。

例如,燃气轮机一旦出现故障,那么对于我们和客户来说,都需要一个漫长的维修时间,而且成本十分高昂。

因此,我们需要挖取并推送数据,以便安排好在客户方便的时间去进行维修,这样就能节约大量的成本,实现系统的优化。

在一些场合下,我们会与客户签定维护合约,为其定期提供维护服务。我们的客户并不关心你怎样实现维修,只在乎设备能否在它的生命周期内能否正常工作。

当然,我们可以通过增加备件、增派工程师人手的方式实现的设备正常工作的要求保障。客户是无所谓的,但我们有所谓,我们希望的是付出最小的代价完成任务。

如此一来,问题转移到了我们自己身上,就需要通过调取数据来研究如何实现工况的优化,还要更加准确地在现场预测什么地方会出问题,以及预测问题会在什么时候出现。

另一个案例是在电网行业。

在电网里,你也许检测到一个故障,但却无法知道到底什么地方出现了故障,因此我们需要对故障进行精准定位。

定位越准确,维修成本就越节约。

传统的定位方法依赖于人工,他们会通过评估数据完成定位任务。现在我们则用人工智能训练神经网络,可以把定位的准确度提高 20%。

这不仅能够为客户节省大量的成本,还有一个妙处就是,定位能力不是依赖一个后端的超级计算去定位,而是只要在现场部署神经网络就可以实现了。

另外,我们除了维修服务方面,还会用人工智能技术进行优化运营,例如机床等方面。我们现在还开始用人工智能技术支持产品的设计。

可以说,我们的人工智能应用非常广泛,现在是贯穿于产品全生命周期的各个阶段,覆盖设计制造、运营、服务、维修等各个方面。

有人认为,工业领域人工智能的突破方向在于,把统计模型与领域内的知识与机理模型深度融合,您如何看待这一观点?

我是非常认同的。

工业数据与其他环境中的数据非常不一样。相比于商业、医疗领域,工业领域的数据量小了很多。

我们并不希望去弄来特别多的训练数据,而且工业领域有很多庞杂的非结构、非标签化的数据,没有那么多可供训练的数据,所以我们会使用仿真模型。

但有的时候,仿真模型的设计并非最优化,所以很难完成这个过程,就只能依靠传统领域专家和人工智能专家一起开展工作的方式。

现在,我们不会单独利用训练数据,而是会综合利用产品的设计、制造以及运行流程中各个方面的数据,把它们场景化、背景化,从而构建出知识图谱,然后让领域知识的积累实现自动化,再同机器学习以及神经网络结合起来,进而克服工业领域中数据量不够的瓶颈。

当然,我们所说的数据量不够指的是故障数据不够。

的确,在工业领域,有价值的异常、故障样本数量相对稀缺,西门子如何解决其中数据样本的不对称、不平衡问题?如何最大化利用工业数据的价值?

我们会通过两种途径解决这个问题。

一种是使用仿真模型来生成数据,但是仿真以及现在的数字化双胞胎,还未必能够生成可用于机器学习的数据。

另一个途径也是主渠道,就是利用领域知识,按照数据需求定制网络的设计,使得我们不再需要那么多的数据。毕竟汽轮机不可能出现一百万次故障,这样的话,数据量是够了,但我们就有更大的问题需要解决了。

而且,我们不只看机器的数据、传感器的数据,也会去看服务报告、制造报告等,以形成一个语境、上下文关系。如此一来,我们就可以把机器数据与其他的数据整合起来,综合展开评估,也就弥补了机器数据的不足。

从 2001 年开始,西门子前前后后收购了 20 余家与工业软件相关的公司,我们可以理解为西门子正在变成一家工业制造行业的软件平台级公司吗?基于这一点,西门子在技术研究上和微软等其他软件公司相比,有什么差别?

我们和其他软件公司的差异就在于 IoT(物联网)和 IT(信息技术)之间的区别。

我们在软件业务上往往会提供工具来支持产品的全周期管理,包括产品的设计以及制造产品的工厂的设计,工厂的运行等方面,这里有很大的区别。

我们总是可以借鉴到 IT 厂商在 IT 方面的专业知识,再结合我们自己在垂直领域中的专有知识。要知道,你是设计一个工厂,还是设计一个建筑;是设计一个电网,还是设计一个设备,领域知识是很不一样的。

不仅需要设计工具能够聚焦在某一个垂直领域的使用上,也需要长期积累大量的知识和丰富的经验。因此,我们会把 IT 行业和我们在专业领域的专有知识相结合,这是我们在软件业务方面的方法。

另一方面,现在 IT 技术已经贯穿到每一个产品当中,也就是每一个产品线都在越来越智能化,越来越能适应物联网的世界。

现在的产品需要做到智能、可靠、安全、耐用。一个产品往往会有 20 年左右的寿命周期,所以我们希望相应的 IT 技术也能跟上产品的使用年限。

我们不仅要提供所需的软件、硬件,还要区考虑到部分部件是在本地加工,部分部件需要在云端进行管理。

在云端管理不同国家的数以百万计的设备,是物联网世界中独一无二的挑战。

我们现在所处的行业与其他行业既有相似性也有差异性,我们的确可以从传统 IT 厂商那里得到学习和借鉴,但我们也要知道哪些技术是可以拿来用的,哪些是我们必须自己去开发的。

西门子在工业领域的 AI 应用上有着怎样的推广策略?在实地完成工厂的自动化改造过程中,遇到过哪些问题?

首先,我们拥有一系列非常完整的解决方案。

从研究的角度出发,我们也认识到中国有很多老旧企业拥有数据不存在的问题,所以产线改造不没有想象中容易。

老旧工厂的改造和传统的工厂智能化项目有一些区别。我们会从工厂的底层设计到物联网设备的安装,以及到最后的数据采集和展示展开研究。

针对中国的这个独特需求,西门子研究院会开发一个全新的解决方案,去讨论如何解决老旧车间的数字化双胞胎命题。

西门子中国研究院是一个做开放创新的机构,会在很多项目上与本地的企业客户展开一些试点项目的创新合作,进而验证我们的研究方向和方法。

做研究也要了解市场,我们会在市场上找到一些代表性的企业。

例如,去年九月的西门子创新日上,我们就与两家当地的企业签署了备忘录,分别是一汽锡柴和苏州耐世特,得到了当地政府的大力支持。

这两家企业都是大量使用了我们的设备,我们会帮助它们基于现有生产线通过数据获取的方式实现生产效率的优化。

如何看待中国的人工智能以及智能制造能力?

作为一家在华经营多年的企业,我们感受到了中国的长足进步,尤其是在工业领域。

眼下,不管是人工智能还是其他技术领域,各个国家都在各自展开研究。不管是中美德,还是其他的国家,都在开发数字化双胞胎以及自动化等技术,也都拥有优质的人才。

在人工智能的开发上,最大的瓶颈其实并不在于数据,而是人才。我们希望能够从各地招揽到最优秀的人才为我们所用。

中国就拥有非常多的人才,西门子在中国建立了除德国以外最大的研究机构,这也是有原因的。

中国拥有非常强大的云服务提供商,并不弱于其他国家。在基础技术和产品方面,中国也有很强的技术实力。

未来,我们会基于中国本土所研发出来的这些技术,与中国的合作伙伴和客户一起展开合作。我们并不是说要引进或是出口技术,而是会综合利用中国的技术以及西门子自己的技术,包括 MindSphere,再把这些技术汇集起来为中国客户所用。

产业西门子工业物联网工业云平台
相关数据
区块链技术

区块链是用分布式数据库识别、传播和记载信息的智能化对等网络, 也称为价值互联网。 中本聪在2008年,于《比特币白皮书》中提出“区块链”概念,并在2009年创立了比特币社会网络,开发出第一个区块,即“创世区块”。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

神经网络技术

(人工)神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型,那时候研究者构想了「感知器(perceptron)」的想法。这一领域的研究者通常被称为「联结主义者(Connectionist)」,因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型,它们都是前馈神经网络:卷积神经网络(CNN)和循环神经网络(RNN),其中 RNN 又包含长短期记忆(LSTM)、门控循环单元(GRU)等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习,但也有一些为无监督学习设计的变体,比如自动编码器和生成对抗网络(GAN)。

推荐文章
暂无评论
暂无评论~