智能制造中存在的算法原理

智能制造中存在的算法原理

而我们一直认为，智能化的主流思路有两种：一种是把人的知识变成机器的代码（吴淑珍式的智能）、一种是让机器帮助人类决策（小秘书模式）。这两种方式都是“用人容易理解的办法，做人做不好的事情”。算法的原理往往很简单，但信息通信技术不发达时做不到。这意味着：它们是信息通信技术不断发展带来的机会。这些办法简单粗暴，却像散打、拳击一样更加实用。

对于工业智能，搞算法的人到底需要什么功夫？

我认为，搞算法的最需要的是“计算思维”。也就是把现实问题转化成可计算的问题。比如，解决“监控卡车司机干私活”问题，先要用数据定义什么叫“干私活”。比如，我们把“干私活”定义为“在不该装货的地方装货，在不该卸货的地方卸货”，进而把“装货”、“卸货”定义为重量增加和减少。这样，把问题转化成了监控位置信息和重量信息。这就是计算思维。

前几天，帮着年轻人搞算法。他说：算法与操作规程和机组特性有关。我就问：什么叫操作规程、机组特性？能否用数据和计算方法描述一下？小伙子一听就明白了。

换一个角度，数字化的能够帮助人们提升“认知能力”。我前面讲到的“小秘书”模式，往往就是用算法提高认知能力。我见到很多人，把认知能力与人工智能、深度学习挂钩。这也是错的。

其实，除了图像识别，在相当多的工业场景中，“认知”就是判断对象、过程或者操作正常或者不正常。说的再白一点，就是让计算机去“对标”。判断方法也很简单：先建立数字化的标准，然后和这个标准的做法“对标”。

孔利明师傅我的老友、全国劳模、著名工人发明家孔利明师傅曾经举过一个例子。过去的调琴师是师傅带徒弟。师傅要徒弟把声音调得“浑厚一点”。“浑厚”过去是很难理解的。现在，采取数字化的办法，把声波拿出来对比一下，就知道是不是“浑厚”了。

所以，数字化的好处是便于建立标准。在数字化背景下，标准可以是若干数字、也可以是曲线、两维图像以及多条曲线的组合。在大数据的背景下，“标准”可以定的非常细；场景变化以后就用新场景对应的标准进行对标。“对标”往往不太复杂：因为工业过程往往会尽量排除干扰。“对标”的方法却往往具有普遍意义，就是因为现代工业（尤其是生产过程），就是基于标准化展开的。

不懂工业的人，有时候把工业想简单了：对细节和系统性干扰的重视不够，把理想条件下的原理当成工业技术本身；有时候还会把工业想复杂了：他们不理解，工业人为了追求安全、稳定、可靠，往往是复杂问题简单化、排除干扰，然后用简单、标准化的方法处理。