四、深度学习

       随着数据爆炸式增长，传统的统计建模方式已经难以处理高维度、非结构化的数据。此时，深度学习技术因其具备处理高维度、非线性数据模式的固有能力，开始登上历史舞台。

      智能制造大力发展的今天，深度学习技术可以辅助零部件和材料缺陷检测。在生产制造过程中，可能会出现划痕、裂纹等损坏，使产品不能用于生产线上的下一道工序。深度学习技术可以在毫秒内检测到裂纹、划伤等缺陷。具体地，通过深度神经网络系统，可以从历史样本中自动提取各种缺陷特征，从图片中自动识别可能的缺陷并加以标识，能够让工作人员快速发现并且纠正，从而提升产品质量和工作效率。其实这种应用非常类似于之前Watson的医疗诊断应用，都是通过图片信息来识别问题所在，这方面机器的效率要远远高于普通工人。几万张图片，深度学习的机器可以在一秒之内完成识别和标注，如果人为的话至少需要两个小时。据IBM资料显示，通过深度学习，机器还可以在更多生产领域实现智能制造。比如工件定位，也就是工件在机械臂上的位置情况；工件精度测量、不良品分拣以及工件装配检查等方面。

      斯坦福大学计算机系教授吴恩达（Andrew Ng）携手富士康，帮助传统制造业借助人工智能转型升级。比如：通过利用深度学习、神经网络，可以让电脑快速学习做自动检测的工作。人工智能介入了以后，工厂的误判率会在上线时达到3%~4%的水平，并且会逐步减少到最低。

      2018年汉诺威工业展上，西门子展位展示的是搭载西门子Autonomous系统（用人工智能技术打造的增加生产柔性的系统）的KUKA机器人，这款机器人的最大优势在于其出色的灵活性。其中一台样机搭载了三维感知摄像机，基于图像识别和深度学习技术，能对现场任何环境变化做出灵敏反应，即时调整操作轨迹。这种技术可以大大增强生产线的柔性，不再局限于生产标准化产品。

此外，深度学习系统可以根据数百个工厂过程参数和产品设计变量来跟踪用电量的模式，并可以动态地推荐最佳实践以实现最佳利用率。例如，在可再生能源行业，可以利用深度学习算法的预测来绘制从依赖化石燃料到使用可持续能源的最佳过渡轨迹，而传统的预测分析方法很难处理这种模式。

       另外，一条生产线突然发出故障报警，利用深度学习算法，可以使得机器能够自己进行诊断，找到问题出在哪里，原因是什么，同时还能够根据历史维护的记录或者维护标准，告诉管理者如何解决故障，甚至让机器自己解决问题、自我恢复。例如，在一个电网中，当出现故障时，若利用常规方法识别电网的哪个地方出现了问题，通常准确识别定位的可靠概率是80%。而西门子利用了深度学习技术对历史故障事件学习，通过已经分布在电网中的继电器，来更好地判断电网出了什么问题，出在哪个地方等。

      在智能制造的过程中，可将深度学习技术与其他技术进行过融合，从而使得智能制造的过程更加精确和高效。例如，将神经网络融合到模式和图像识别技术中，有助于提取图像特征、优选特征向量组成方案，从而优化智能制造系统图像识别技术。其次，利用基于多物理域信息多模式融合与深度学习的智能加工机器自主感知方法，从而可以有效地解决智能机器自主感知问题。而且，在深度学习的基础上利用大数据分析技术，可以提高对机械零部件故障诊断的识别分类精度。此外，将深度学习、数字孪生（digital twin，DT）和信息物理系统（cyber-physical system，CPS）的架构进行集成，可以促进传统制造向智能制造和工业4.0的转型。

未完待续......