怎样在智能制造中应用机器学习

怎样在智能制造中应用机器学习 Machine Learning in Intelligent Manufacturing Application

    将机器学习应用智能制造系统，一种方式是建设的单个系统本身具备机器学习的功能，另外一种方式是建立企业级的机器学习平台，为企业中的其他系统提供机器学习的能力和服务，后一种机器学习平台系统架构可分成数据采集层、源数据层、数据存储层、数据分析层和应用层。       数据采集层主要作用收集机器学习所需要的原始数据，为平台提供学习的数据集。按照RAMI模型，数据采集层主要来源于外部系统、企业系统、工厂系统、车间系统、控制系统、现场设备和智能产品。外部系统主要采集企业上下游供应链数据和与企业相关的外部数据比如竞品分析数据等；企业系统主要采集企业订单、客户信息、库存信息等；工厂系统主要采集主计划、设备台账等；车间系统采集工单信息、质量信息、操作日志、监控视频等；控制系统提供生产过程数据、环境、能耗等数据；从现场设备中采集仪表读数、启停信号等数据；智能制造生产的智能产品能够采集产品运行和维护数据。  

    源数据层保存从数据采集层获得的数据和信息，采用关系数据库存储已经组织过的信息；实时数据库存储压缩后的时序数据；用文件系统存储日志和视频等文件。另外如果需要机器学习平台进行流计算的实时数据，需要对应用层系统进行改造，把数据直接发送到数据存储层的消息队列中等待处理，这部分可以采用在企业服务总线中添加新的路径降低对原有系统的影响。       机器学习平台可定时把源数据层的数据抽取到数据存储层的值对数据库或对象数据库中，而实时数据库中的数据可以通过主动推送的方式发送给消息队列，文件系统中的文件通过文件提取的方式保存到分布式文件系统中。         数据分析层从数据存储层抽取样本特征，一般采用定时触发的批数据处理方式，比如一个工单结束后或者交接班时，得到机器学习需要的样本，把样本分成训练集和验证集两个部分，采用聚类、回归、神经网络等算法训练模型，再通过验证集对模型进行评估和调整模型参数。  

    训练并验证通过的模型就可以进行发布，对于通过机器学习得到的预测类模型（推荐模型、分类、神经网络），这类主要在实时性要求高的场景中根据输入反馈预测结果。采用流数据处理监控消息队列或者文件增量得到测试集，再使用模型计算得到测试结果，测试结果反馈给数据应用层使用。比如说通过根据实时的仪表数据推荐最佳的设备工艺参数集进行生产，或者预测质量异常发送给控制系统进行报警停机。这类模型的应用也可以利用边缘计算，把预测模型发布给生产现场的工控系统或嵌入系统中使用。  

      结语           机器学习在智能制造领域应用前景广阔，但是在应用中需要业务分析人员和数据分析人员紧密合作，从业务目标和解决实际问题出发，明确机器学习的分析目标和可行性，本文介绍了一种制造企业可行的应用架构，希望抛砖引玉，为智能制造领域的从业人员提供思路，形成合适企业的最佳解决方案。