智能制造装备行业作为实现产品制造智能化、绿色化的关键载体,其产业链涵盖智能装备,工业互联网、工业软件、3D打印以及将上述环节有机结合的自动化系统集成及生产线集成等。目前智能制造产业正在迅速发展,智能制造产业已经形成了长三角地区、珠三角地区、环渤海地区和中西部地区的四大聚集区。数据显示,2019年我国智能制造装备产值规模达1.7万亿,预计2021年我国智能制造装备产值规模将达到2.2万亿元。


此外,从全球范围来看,中国制造业水平与欧美和日本相比,仍有一定差距。IDC将企业数字化成熟度划分为入门者、探索者、组织者、转型者、颠覆者5个阶段,目前来看,对比全球,中国制造企业数字化转型总体成熟度处在中间阶段,而在第四、五阶段的数字化转型者和数字化颠覆者的占比很低。


为什么智能制造离不开边缘计算的加持?


要讲清楚智能制造和边缘计算的关系,我们先要了解智能制造现阶段面临的挑战。根据浪潮方面的消息,目前智能制造所面临的问题主要包括以下三个方面:

 

  • 复杂多元算力挑战


随着深度学习不断发展,分类算法AlexNet分析224X224大小的图像需要720FLOPS,以往使用工控机设备处理(使用酷睿i5CPU)需要1秒左右,而实际生产中常使用的ResNet50视频处理的计算量是AlexNet的数十倍,复杂度越来越高。

 

  • 巨量数据贯通挑战

 

智能制造转型升级要实现智能化生产、个性化定制、网络化协同等创新应用并非易事。海量的智能化装备、各异的生产线以及跨领域的系统平台的出现,让工厂的数据量以指数形式增长。智慧化工厂需要去解决海量数据的贯通化和深度挖掘计算的问题,以实现对不同流程及业务的精准预测及优化。


-    智能化装备:从2015年到今天,国内机器人装机量从25万台猛增长到100万台;


-    生产线:数控机床、PLC的市场规模从1400亿增长到2000多亿;


-    系统平台:从原来以人为核心的ERP、OA、CRM、SCM的系统扩展到以物为核心的IIOT、MES、WMS、PLM、QMS的系统

 

  • 高并发实时处理挑战


目前随着机器视觉技术的发展,智能制造过程广泛使用装配机器人,但对智能机器人的目标识别、轨迹规划的计算实时性、复杂性也提出了更高的要求。有数据显示,工业现场单个摄像头每天会产生大概330G的视频数据,完全传输至云端不仅占用带宽,也难以满足实时性(毫秒级)的业务需求。


此外,据浪潮和IDC发布的2020全球计算力指数评估报告显示,制造行业是全球算力投资第二大行业,也是算力投入最大的传统行业。综上,我们不难看出智能制造的升级与大数据、边缘处理设备和算力有着千丝万缕的关系。


边缘计算与中国智能制造产业结合时,存在哪些落地挑战?


根据研究预测,2020年将有超过500亿台设备连接在一起,每个工厂每天收集的数据将超过14.4亿,这意味着对计算能力、服务速度和质量等方面有着前所未有的需求和期望。


理论上来说,边缘计算可以在靠近数据源头的边缘侧提供计算及存储服务,能够有效缓解网络带宽与数据中心的压力,增强服务的响应能力并对工厂内的隐私数据进行保护,提升数据和生产的安全性。并与云计算结合,通过云端的交互协作,实现系统整体的智能化。


但事实上,在落地过程中仍旧面临非常多的挑战,比如浪潮方面总结的AI技术链条与制造行业的产业链条脱节、云边的协同缺乏一整套云边资源管理和任务调度整体方案以及工厂内消费级算力产品稳定性较差等。而笔者作为站在智能制造一线的一位工程师,也从产业的角度总结了目前智能制造领域面临的三大困境:


1、知识普及的挑战:让企业认识到数字化转型对于制造业竞争力提升的重要性;


2、产业碎片化挑战:智能制造分布在各行各业,很难找到两家一样的企业,一家企业也很难有两家一样的工厂,如何归一化是一大难题;


3、安全性挑战:当我们在打通数据采集、数据处理与应用的同时,决不能忽略安全性问题,一旦出差,满盘皆输。


下面我们针对这三个问题具体来分析:

 

  • 知识普及的挑战


业界一直有一种声音“智能制造就是要把不转换思维的企业淘汰了!”确实,后疫情时代,全球经济K型复苏,对于制造行业,如果企业不提高有效产能和良率,就很容易被超越。但事实上,即使有部分中国的企业家已经认识到这个问题,真正行动的也还是少数。为什么?因为在推动这件事情的有两波人,一波就是自身有需求的制造企业,他们尝试了,但由于行业的成熟度不够,他们尝到了失败的苦涩,只能静待花开;还有一波就是智能制造设备和系统商,他们往往会站在自己的角度去普及知识,什么边缘计算、人工智能等等,制造企业老板就被这些概念砸晕了,导致 “吸收不良”。我们常说“不以解决用户痛点为目的的创业都是耍流氓”,这句话放在智能制造领域同样适用。所以目前针对智能制造知识的普及还要多下工厂,多了解用户需求,最终只要告诉制造企业家们三点:1、为什么要升级?2、如何升级?3、为什么要用我的产品?或许这才是最朴素的推广途径。

 

  • 产业碎片化挑战


碎片化或者说柔性制造带来的问题不仅困扰着物联网产业,同时也影响着智能制造产业的发展。如何实现一定程度上的归一化?


首先需要的是统一的标准,只有在市场达成共识的条件下,各个企业才能朝一个方向做下去,否则各个企业都在做自己的烟囱,没有办法复制,也没有办法打通,非常不利于产业的发展。

 

 图 | 边缘计算领域国内外标准对比


浪潮边缘计算事业部总经理孙波表示,“在通信行业,比如Wi-Fi、蓝牙,其实各家的协议是可以打通的,但在工业现场我们发现,一些协议标准好像很难在不同厂家之间进行连通,比如常用的Zigbee,要想互联,底层协议必须相通,不同的品牌就会遇到通信问题,因此两个模块必须使用同一个品牌的产品。因此,我们希望未来能够在标准层面与大家达成共识,目前信通院正在联合行业生态链上的企业,包括浪潮,一起定义标准,制定智能制造行业的白皮书。”


其次是软硬件互相掣肘的问题,退回五年甚至更长时间来看AI的发展,AI技术发展需要底层的硬件提供算力,上层软件算法迭代提供更高精度的算法模型,这两者是相辅相成的。但是随着时间的推移,硬件开始跟不上软件的发展速度了。


孙波举了一个例子,“最开始在2010年左右,我们的一些头部(CSP)客户开始尝试做AI计算,用GPU服务器做模型训练,那时候大家刚开始起步,所用的机器是通用化的有GPU卡的设备。但慢慢地大家发现,软件算法在快速迭代,原来单台服务器加一个GPU卡的方案已经没有办法满足大规模模型训练的需求。因此快速迭代开发硬件势在必行,而开发硬件的周期基本上至少需要一年,但软件的迭代周期很快,尤其像互联网的软件可能每周都要迭代更新,硬件跟软件开始脱节,AI整个行业面临发展的瓶颈。”


“于是,我们开始根据客户的诉求不断提高算力,单机2卡、单机4卡、单机8卡、单机16卡,再加上2个或4个CPU,让CPU和GPU去配合来发挥AI算力的性能。但是这种迭代的速度仍然在掣肘软件的发展,所以我们开始思考这两者之间的耦合关系,我们发现CPU和GPU之间的配比决定了产品生态,也限制了软件的迭代速度,如果将两者解耦开,或许可以解决这个问题。那时候我们提出了融合架构,把GPU资源拿出来作为一个GPU资源池,在box里面装满GPU卡,然后让CPU的服务器作为机头去连它,从而通过上层软件去定义一颗CPU要配几张卡,1张、2张、16张,甚至64张。在2016年左右,浪潮与百度做了第一代的X-MAN,一个box装16张卡,一个机头可以最多挂4个box,达到64张卡。值得一提的是,同期市面上的GPU服务器最多、最先进的是做到单机8卡。后来,大约在2018年的时候,英伟达推出来的HGX-2,才做到单机16卡。”


最后就是算力如何融入边缘市场,匹配现场所需。针对这个问题,孙波表示,“浪潮和同行们需要做的有两点,第一是对接好传感器和摄像头抓取过来的数据,第二是根据场景匹配算力,帮客户高效低成本的实现算力部署,灵活组合,用模块化的架构思维解决不同场景的需求,再加上算法合作伙伴的算法出厂预装,一站式交付,快速促进市场落地。”

 

  • 安全性挑战


安全是制造领域的核心,对于一些用户来说,数据安全是企业数字化转型中不可逾越的底线。思谋科技首席架构师侯力政表示,“我们是做智能制造应用系统的,对于我们来说,就是要100%地配合客户的要求。以产品质检智能化为例,可能我们在检测过程中会发现某个单元会经常出问题,原因可能是来料问题,这种情况下,我们就会去跟客户建议,我们是不是要把大部分的生产数据,包括核心生产数据放到客户指定的本地云里面,比如像浪潮提供的一些数据存储服务器或者边缘服务器,同时把问题数据抛到公有云的层面,跟上下游的客户做数据互通,让他们也及时发现他们自己的产品线上出了一些这样的问题,这样的话可以更快速的去解决上下游因为产品质量造成的低效。”


以浪潮及其下游企业为例,他们正在为这个产业做些什么?


浪潮2016年起就在布局边缘计算,截止目前,已经打造了边缘微服务器、便携AI服务器、边缘服务器和边缘微中心四大产品系列,并汇聚智能制造领域系统、算法、应用等伙伴,形成了多种智能制造解决方案,举三个例子:

 图 | 边缘计算+智能制造落地场景

 

  • 智慧工厂的“火眼金睛”


制造领域,对于一些电子设备的质检工,通常每天要完成1万多个零件的检测,平均每分钟要检测十几个产品。如此庞大的工作量往往需要质检工人超过10个小时的高负荷工作,导致工人精力跟不上,不仅产品质量提升不上去,还会造成漏检率不断提升。为帮助制造企业提升产品品质,缓解工人质检工作压力,浪潮携手思谋信息科技有限公司基于深度学习算法打造边缘工业智能质检解决方案,通过实时读取质检图片,对缺陷产品进行推理、定位,实时给出缺陷类型、大小和处理建议,炼就了智慧工厂的“火眼金睛”。同时,这些数据缺陷问题还会反馈到云端数据中心,进一步优化AI质检模型算法,帮助企业进行更加精确、高效的生产。目前,该解决方案已成功应用在钢铁、3C电子及汽车等用户的智能工厂,缺陷诊断率从原来的90%提升到99%,日均处理产品件数大幅提升,对产品品质控制和生产效率优化具有重要意义。

 

  • 工业机器人“智能体检”


随着智能工厂的规模日益增长,工厂内智能机器人数量与日剧增,海量机器设备需要进行统一的运维与管理。浪潮与展湾科技为浪潮智能工厂开发了一套“智能体检模型”,能够实时监控智能工厂内机器人健康参数,通过“物联网+算法模型” 在线监控和预测机器人系统可能发生故障的隐患, 将传统TBM(基于时间的维护)转变为以设备状态 进行管理的CBM(基于状态的维护)。根据设备健康参数提供分析图表,可提前将有问题的设备进行更换。避免机器人非计划停机,保证了全自动化产线全天连续、稳定高效的生产运转,提高产线的稼动率,提升工厂整体效率。

 

  • 24小时在线的“安全监督员”


是否佩戴安全帽、空气呼吸器等安全防护设备,工作区域是否存在明火烟雾,危险禁区是否有人员入侵等是生产监督和安全管理的重要防范内容。目前各行业的作业现场安全监督工作仍以人工管理为主,完全依赖人眼通过监控系统或者现场巡查进行核查,无法做到24小时不间断控制,很容易出现疏漏。因此,利用计算机视觉、边缘计算等先进技术手段,对生产全过程进行智能化监管,已经成为各行业保障安全的优先发展方向。构建生产安全监控系统,实现基于计算机视觉的AI智能监管,可以通过摄像机采集现场视频,依托安全帽监测、防护服监测等算法来判断工人操作是否符合生产安全规范,随后自动进行告警和记录。


写在最后


“垂直行业有需求,才有改进的方向。目前面向工业的边缘计算产品,各个公司都已经提出了对应的解决方案和产品,现在他们需要与以科研院所、研究机构、产业联盟为代表的第三方平台在一起,相互联动形成完整的产业闭环,从而推动中国智能制造产业的进步与突破。”中国信通院技术与标准研究所互联网中心高级项目经理宋平博士如是说。