首页/文章/ 详情

再议针对工业场景的“认知”

4年前浏览1549

有个著名的问题叫做“你是谁”。

 

这个问题往往只是想得到你的某个属性。比如,我是洋洋的爸爸、是浙大的校友、是某次大会的发言人、某篇文章的作者。地下工作者在接头时,遇到自己的熟人:原来你是....所以,即便是你认识的人,也可能不知道这个属性。所谓的认知,其实就是要知道这个属性。

 

认知非常重要。因为逻辑推理必须以认知为基础。如果没有认知,很多知识都没有用了。例如,医生的认知过程就是诊断的过程。只有基于正确的诊断,人类积累的医学知识才能正确运用。

 

我常说,智能化推进的过程中,要促进感知到认知的转变。智能化为什么不特别强调“机器代替人”呢?因为经常做不到、或者经济不可行。我反复讲“养花不能出烂叶子”的故事,是强调创新者应该有意识地避免过度理想的目标,服从现实的可行性。“提前十分钟到办公室,把烂叶子剪掉”的办法,就是服从可行性。“退半步海阔天空”,就能为创新找到更多的机会。同样,理想的智能化是计算机决策;如果做不到,就可以让计算机帮助进行感知、认知。从某种意义上说,从感知到认知的进步,就是从信息化到智能化的转变。这种做法的意义,是显著提升企业的管理能力。这里就不多讲了。

 

图像识别是典型的计算机认知。但工业过程中,需要认知的东西非常多、能够做到的也非常多。例如,操作是不是规范、操作工是不是尽职尽责;机器状态是不是良好、会不会发生故障;物料是不是合格、是不是正确;工艺路径对不对、参数是不是在正常范围内;环境条件如何等。提高机器的认知能力,智能化才能推得动。

 

两个不熟的人初次见面时,不一定会描述对方长的什么样子。而是描述穿什么颜色的衣服、背什么样子包、拿一个什么物件等。其实,就是帮助人们实现认知。现代化工厂也会采用类似的办法。比如,认识物件时,喷上一个号码、安装一个RFID或者二维码。

 

但更普遍的做法,还是通过传感器采集的信号,如温度、压力、流量、震动频率等特征来实现认知。但是,依据这些信号的认知是比较麻烦的。对于这类问题,很多人会想到模式识别的办法。但在我看来,多数情况下并不是那么复杂。多数情况的做法是:建立一个标准,然后进行对标。比如,记录下设备正常时的属性。如果属性类似,就认为“正常”;如果发生了改变,就“认知”为“不正常”。

 

原理如此,实现起来会有些困难。比如,正常设备的温度和震动频率与工作负荷相关。既然如此,又如何定义“正常”呢?对于这种情况,大数据和数据建模就有用武之地了。具体地说,就是根据不同的场景,建立简单的(自变量少)的函数。分场景的好处在于:每一个函数的非线性性会显著降低,建模过程会大大简化。这时,也要记住“养花不出烂叶子”的故事:追求技术进步,不追求技术的理想化或一步到位。

 

---------------------------------------------------------------------------------------------

版权声明:

原创文章,作者郭朝晖,来源蝈蝈创新随笔,本文已经授权,欢迎分享,如需转载请联系作者。


科普通用工厂
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2020-11-18
最近编辑:4年前
仿真圈
技术圈粉 知识付费 学习强国
获赞 10228粉丝 21738文章 3589课程 222
点赞
收藏
未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习计划 福利任务
下载APP
联系我们
帮助与反馈