導讀:基礎的模型問題是工業(yè)互聯(lián)網繞不開的話題,必須把工業(yè)原有的基礎模型大量測試的驗證道路走完,否則就無法真正的對制造業(yè)有什么大的幫助。
【編者按】基礎的模型問題是工業(yè)互聯(lián)網繞不開的話題,必須把工業(yè)原有的基礎模型大量測試的驗證道路走完,否則就無法真正的對制造業(yè)有什么大的幫助。
我們互聯(lián)的標準是什么?
世界經濟論壇在2014年的工業(yè)互聯(lián)網推進障礙調研中發(fā)現(xiàn)第一大障礙是“缺乏互操作標準”,這個問題比較典型,按照我們反復強調的,如果你沒有數(shù)據(jù)的統(tǒng)一規(guī)范與標準,即OPC UA的信息建模,那么就意味著大量的數(shù)據(jù)讀寫操作和工程量投入,那么,第一步數(shù)據(jù)連接的問題將會變得沒有“經濟性”,因此,現(xiàn)在的實際情況就是,很多工業(yè)互聯(lián)網公司的本質可能更多在于“導表”,這是個體力活,其實,你聽上去高大上,但是實際上是個沒有技術含量的活,我必須強調的是,沒有OPC UA肯定可以實現(xiàn)數(shù)據(jù)連接,沒有人說必須、一定要采用OPC UA這樣的規(guī)范與標準,但是,如同在之前的文章中所描述,OPC UA會是一個必然的道路,就是說,如果你不想走OPC UA這條路,但是,按照最經濟有效的設計道路走的話,你可能最終還是會設計成OPC UA這個樣子,你可以叫自己的標準與規(guī)范,這個沒所謂。
因為如果不解決經濟性問題,現(xiàn)在大量的人力投入在數(shù)據(jù)連接、驅動、接口的調試上,想想人工成本,尤其是來自IT的工程師成本,這肯定是場災難。
因此,我特別擔心他們何時盈利的問題,我想目前國內有200多個所謂的工業(yè)互聯(lián)網平臺,我實在擔心他們的盈利能力,因為,傳統(tǒng)的自動化廠商其實都有穩(wěn)定的盈利模式,包括像Microsoft、華為這樣的軟件、通信平臺提供者,目前的工業(yè)互聯(lián)網公司其實都沒有所謂的技術,其實實在現(xiàn)有這些大廠的基礎上“攢”的一個平臺—畢竟,你以為平臺真的那么容易開發(fā)啊?
借助于開放的IT技術來攢一個所謂的工業(yè)互聯(lián)網平臺這件事情,OT的人都可以干,我覺得我的確比較委婉,按照戴老師的話就是,其實制造業(yè)沒有互聯(lián)網平臺照樣在運行,因此,就目前的生存而言,對于制造企業(yè)而言,可能沒有工業(yè)互聯(lián)網倒沒有問題—除非如工業(yè)互聯(lián)網平臺們所說的能夠帶來生產效率的真實的提升和優(yōu)化。
關于標準的這個疑問來自于似乎很多工業(yè)互聯(lián)網平臺從業(yè)者對工業(yè)的通信了解非常少,究竟有多少現(xiàn)場總線這個問題不斷被問及,而至于制定規(guī)范,OPC UA ,TSN也少有人了解,因此,我想沒有通信規(guī)范與標準,這些平臺和別人怎么交互,多個工業(yè)互聯(lián)網平臺之間怎么交互?
有沒有自己的開發(fā)工具?
對于所謂的“平臺”,我一直比較困惑,因為,我一直覺得“平臺”這個東西必須是一個完整的架構才能稱之為平臺,工業(yè)互聯(lián)網,為什么就會有一個平臺呢?云,那就是云的架構,一般由已有的技術提供商來提供,一個平臺是不是應該包括以下幾個部分啊?
(1)運行時(Runtime),參考Linux、Windows的Kernal,你是否需要一個核心的任務調度機制啊?這個當然我不懂,不過,PLC都是有任務調度的,如VxWorks的實時控制循環(huán),通信調度。
當然了,對于工業(yè)互聯(lián)網這些廠商用的什么runtime我不了解—不過,既然做工業(yè),它就必須考慮“實時”調度問題,這跟非工業(yè)應用場景不同,因為非工業(yè)場景,你的操作系統(tǒng)可以是非實時的系統(tǒng)。
(2)開發(fā)環(huán)境,無論是Microsoft.net還是Java,或者像貝加萊的Automation Studio、Siemens 的Portal,它總是需要一個開發(fā)環(huán)境,這個環(huán)境能夠對不同的開發(fā)庫進行集成,并且對不同的底層通信開發(fā)驅動可以被調用,我不大懂,工業(yè)互聯(lián)網的開發(fā)環(huán)境是什么?
(3)開發(fā)工具,無論是C/C++,Java,Python或者其它任何語言,你用什么開發(fā),那你就會牽扯到不同的API,那么這些平臺與這些開發(fā)工具之間是怎么集成的?
如果這么多公司號稱有“平臺”,那我想知道目前這些平臺里的運行時、開發(fā)環(huán)境、開發(fā)工具都是些什么呢?
如果工業(yè)互聯(lián)網平臺的企業(yè)不說要替代現(xiàn)有的制造業(yè)運行架構,我們當然不會關心這個問題,但是,有些工業(yè)互聯(lián)網平臺號稱要替代現(xiàn)有的架構,我想這個問題就有討論的必要了,就是你目前的操作系統(tǒng)是否具有實時能力?你的網絡—很多對現(xiàn)場總線都不是很了解的人怎么知道數(shù)據(jù)怎么連接呢?并且很多人對現(xiàn)場總線的了解基本上仍然停留在Modbus和CAN總線的年代—看了很多他們做的演講稿,談到底層設備往往就說Modbus和CAN,其實,現(xiàn)在工業(yè)網絡主體是實時以太網,至于OPC UA over TSN,連自動化圈里目前能講清楚并投入研發(fā)應用的還不多,我特別想知道的就是難道我不懂人家的牛,如果你號稱“平臺”且想要顛覆現(xiàn)在的架構,我就特別想了解如何顛覆的?好讓我們知道人生應該走向何方。
另外一個就是覺得似乎大部分工業(yè)互聯(lián)網平臺的人對PLC的了解似乎仍然停留在20年前的“邏輯”控制時代,其實今天工業(yè)里的控制器早已不是過去的“可編程邏輯控制器”那么簡單了,現(xiàn)在的PLC可以玩什么呢?
-->機器學習:No Problem,其實,機器學習就是算法問題,那么這個算法是運行在你的工業(yè)互聯(lián)網平臺上,還是運行在PLC上,你以為PLC不能運行算法,那可能你對今天的PLC了解太少,PLC完全可以跑個機器學習算法,什么GA、貝葉斯這些都可以玩,因為,基于VxWorks、RTOS架構下的PLC可以支持高級語言編程,在1992年貝加萊推出的黑色系列當年運行的就是PSOS+的定性分時多任務操作系統(tǒng),那個年代就可以用BASIC編程了,現(xiàn)在,你想C/C++,Python其實都可以。
-->復雜運動控制:在20年前這個事情也可以做的,控制器的架構之前是采用PLC+專用運動控制模塊,在90年代就有這樣的架構,而運動控制在本質上是數(shù)學問題,CNC是插補算法,而機器人則是齊次變換庫,那么這些數(shù)學問題運行在一個強大的硬件處理器上和RTOS上同樣是可以的。
-->機器人:機器人通常也是采用嵌入式操作系統(tǒng)+Windows兩個,現(xiàn)在的控制器都可以實現(xiàn)這個。
-->回路調節(jié)—回路調節(jié)也在于算法。
歸根結底一句話,工業(yè)控制的本質是數(shù)學,無論是哥柯諾莫夫的系統(tǒng)論—奠定了今天人工智能的各種數(shù)學模型,維納的控制論、香農的信息論,其實都是數(shù)學問題,工業(yè)領域都是數(shù)學問題,這個數(shù)學問題運行在PLC上、PC上還是云上?這個不重要,用什么來做這件事情是由經濟性來決定的。
但是,換個角度,自動化卻不斷的在采用IT技術來擴展自身,包括以太網的使用、Web技術在控制器中的應用、新的FPGA芯片、MATLAB/Simulink、FMU/FMI都往自動化平臺上集成,以擴展自身的能力,因此,好像工業(yè)互聯(lián)網的總想顛覆制造業(yè),但是,工業(yè)的人似乎沒有想過要顛覆誰。
有多少模型的積累?
很多工業(yè)互聯(lián)網平臺都覺得“數(shù)字孿生”這個詞可有意思了,覺得人工智能可有前途了,但是,我覺得可能他們忽視了幾個問題:
(1)我們有模型嗎?
在一個通過“測繪”或“逆向工程”而發(fā)展了很多年基礎上的制造業(yè),原始性的設計實際上是非常少的,因為原創(chuàng)性設計需要建模,并且去測試驗證,而我們簡化了這個最為耗費研發(fā)投入的過程,直接測繪了已經被驗證的設計,這個的確降低了成本,也縮短了研發(fā)周期,但是,這也使得我們沒有基礎的模型,知其然不知其所以然—知道“What”,卻不知道“Why”—這個模型基礎弱,就會導致所有的學習算法必須“空轉”,無法去驗證。
2018年上海有兩家公司分別因為侵權而賠付達索1000萬,他們不愿意買正版的軟件平臺來用,認為它太貴,但是,實際上,這些建模仿真軟件設計目的都是降低研發(fā)風險的,如果你真的按照原創(chuàng)設計,構建物理模型、制作原型、測試、修改的循環(huán),那么真正的研發(fā)就極其燒錢,這個時候你發(fā)現(xiàn)用建模仿真是可以大幅降低成本的,你一定會覺得買這些正版的軟件是非常合算的,我想他們不愿意買的原因是他們僅僅是為了“繪圖”的功能—因為供應鏈需要采用這個軟件的圖紙。
在一個沒有模型基礎上,你如何實現(xiàn)數(shù)字孿生?如何進行機器學習?
有些人覺得機器學習可以解決很多問題,還打算用機器學習來代替現(xiàn)有的控制模型-->按照之前柴院士有一次聊到的話題,你在互聯(lián)網應用場景里的學習很多都是大數(shù)據(jù)小問題,但是,在工業(yè)里是小數(shù)據(jù),大問題,并且可解釋性成為了障礙—你說這樣學習可以,但,能解釋嗎?它有什么潛在的風險嗎?如果說0.1%的不確定,那么對工業(yè)而言,也是不可接受的。
很多人號稱要通過學習來改變工業(yè)現(xiàn)有的模式,你必須明白一點“傳統(tǒng)”那些模型實際上是“最經濟”的,學習模型的成本是比較高的,而且,機器學習模型主要解決“非線性”部分的,即,觀測器對現(xiàn)有的控制模型觀測中,無法求導的那部分任務進行學習—因此在單個控制系統(tǒng)已經達到局部最優(yōu)的情況下,工業(yè)里一直在尋找更為復雜的動態(tài)下的最優(yōu),以前這個是算力不足,但是,現(xiàn)在的芯片、存儲、網絡技術使得這件事情變得可行—那么IT的貢獻在于工具和平臺的貢獻—就像很多人認為西醫(yī)目前最大的進步來自于測量工具的水平提高了,而非就在模型方面的貢獻,因為工業(yè)做這些已經非常久的歷史了。
這也是我比較奇怪的,那些真正提供平臺的企業(yè)如Microsoft、華為這些本身有非常強大平臺、研發(fā)支撐的企業(yè)倒是很低調,定位自己的角色在于平臺與工具。
但是,很多工業(yè)互聯(lián)網平臺—特別強調一下,說自己屬于“平臺”的—我覺得你這些平臺可能只是微軟、IBM、華為他們的“系統(tǒng)集成”角色比較合適,如果是這個角色,那就必須要深入工業(yè)中的應用場景實現(xiàn)上,那么就有很多問題需要解決
(1)你知道該怎么為復雜的參數(shù)進行分析嗎?可能你連這些參數(shù)是什么都不知道,但是,你一旦要進入這個領域,如果沒有一個資深業(yè)內工藝專家,你根本就沒有任何可能性進行學習。
(2)你的模型是什么?就是網上下載的開源學習代碼?這個要是能玩的話,那制造業(yè)的工藝專家為什么不自己玩,非要你來給我玩?
數(shù)據(jù)真的那么容易獲取嗎?
這是個很現(xiàn)實的問題,之前我曾經寫過,預測性維護的偽命題,即,如果這個機器故障數(shù)據(jù)很多,那么這個機器可能在客戶那里就會被淘汰,第二個問題是,如果你能采集到故障信號,但是,故障數(shù)據(jù)可能是很少的—而與之對應的關聯(lián)數(shù)據(jù)如果缺乏完整性的話,這個模型就無法學習到真正的原因,而這個就需要大量的積累經驗。因此,數(shù)字化的學習必須與實際的模型相結合,在這方面,擁有自主模型的工業(yè)基因的企業(yè)反倒是有條件的,但是,就是缺乏數(shù)字化工具,但是,如果你是做平臺的,你有榔頭卻沒有釘子就比較尷尬了。
三無的工業(yè)互聯(lián)網平臺能活多久?
在風力發(fā)電市場比較熱鬧的時候,國內蜂擁而上的有89家主機制造商(2012年左右),那個時候大家就說,這個行業(yè)最終能活下來的大約就15家,現(xiàn)在來看,這是真的,而光伏行業(yè)在熱的時候,那場景就是做鞋子、做襪子、打火機的都蜂擁而上的去做光伏了,太賺錢了,現(xiàn)在呢?
對的,我們主要想說的是“有標準”、“有工具”、“有模型”的平臺才能真正在未來為制造業(yè)賦能、帶來轉型的效率提升,否則,就是風險投資中的“風險”而不是“投資”。