再议针对工业场景的“认知”

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。