谁会成为工业人工智能的杀手应用？

以下内容节选自李杰教授新著「工业人工智能」，详情请点击「阅读原文」，以下约 2533 字，阅读约 5 分钟：

作者简介：李杰（Jay Lee），美国辛辛那提大学特聘讲座教授，美国国家科学基金会（NSF）智能维护系统产学合作中心（IMS）创始主任，美国工业人工智能中心（Industrial AI）创始主任，富士康工业互联网副董事长，美国麦肯锡全球资深顾问与世界经济论坛（WFF）未来生产委员会委员，担任清华大学、上海交通大学、华南理工大学等高校的EMBA教授及德韬创新大师。2018年获清华大学经管学院“the best EMBA教授”。李杰教授创立IMS中心与全球100多个企业合作，研发推广工业大数据分析和故障预测与健康管理（PHM）技术，被誉为美国工业大数据与PHM技术的“西点军校”。李杰教授在2016年被美国制造工程师学会（SME）评选为“美国30位较有远见的智能制造人物”。

在工业场景中，无论是在工厂内的生产环境还是一个机队的运营，都非常注重流程和执行的协同。丰田提出的精益制造系统对流程的优化赋予非常重要的意义，这对流程的精细化设计和精准执行带来了一个新的制造模式，即节拍型制造。这样的制造模式并不仅在一个工厂内发生，还需要供应链、物流和销售体系的协同，因此当提到丰田制造系统时往往并不仅仅指丰田的一个工厂或一条生产线，而是一个由许多供应链工厂组成的庞大体系，这也形成了日本制造业金字塔式的产业链结构。

工业人工智能技术在智能排产和决策优化上的应用，同样建立在大量数据收集与管理的基础上，通过观察积累大量数据以及由这些数据所组成的流程，可以了解事物背后的规律，随后在这些规律的基础上，将决策问题转化为数学模型，对决策目标进行量化，并定义这个决策中的限制调节和规则，在这个框架下寻找无数种可能性中最优的那个解决方案。

传统生产计划的制定，主要依靠老计划员的经验，传统企业的生产计划内容相对单一，订单交期相对固定，不会经常发生改变；但随着大型生产制造企业的生产需求不断扩张，受到材料、产能的双重约束，顺利地排出一份不用调整的生产计划对于计划员来说难度日渐增大，而计划调整往往需要多个部门同时配合，也可能需要与外部的反复沟通、各个工厂的生产执行部门产能分配的多次协调。这其中的人工成本相当可观，而比人工成本大得多的则是一份需要调整的生产计划带来的业务损失。

举例来说，对于节拍型制造而言，尤其是汽车装配线，对节拍行的严格要求和近乎为零的中间库存，使得任何一个中间过程的设备停机超过1分钟就会造成损失。举例来说，在生产正在进行时，为了维护设备而关闭一台机器可能会造成上流机器的物料堵塞，也可能会造成下游机器的物料供给不足。对于一个典型的汽车生产线来说，1分钟的停工可能带来大约2万美金的经济损失。调查表明，在当今的美国制造业，有三分之一的系统维护费用是由于低效的资源利用而白白浪费。

生产计划软件则应运而生，但目前而言，传统的计划软件存在两个问题：

（1）由于决策复杂度已经增长到相当的水平，需要考虑的问题也在不断多样化。而传统软件处理的场景往往针对单一工厂内的生产情况，使用的算法一般分两步:第一步确定物料，在产能无限制的情况进行第一次求解；第二步通过收紧产能，确定生产计划，对那些因产能限制而无法生产的订单，则进行延迟。这些解决方案，本质上是无法将所有复杂的业务条件全部都考虑并加入模型中的。

（2）由于决策涉及变量的激增，“可能性”往往可能达到数十亿种，所以需要一个高效的优化求解算法来保障决策的实时性。有的软件为了追求高速求解而采用启发式算法等快速求得不精确解的算法，在场景不复杂时，可以由计划员经验进行调整和补足，但在目前工业企业场景的数量级面前，没有专业的求解器是不可能解决问题的。

随着生产系统越来越复杂，生产流程中的任务和参与者不断增多，产品种类更加多样，产品的柔性化定制程度提升，很多企业在制定生产计划时不得不更加科学地考虑。尤其是许多传统大规模生产的行业都在向拉动型生产和柔性制造转变，小批量多批次订单成为主流，还会经常出现插单和变更需求的情况，这使得生产计划和协同调度变得难上加难。如果将这个问题从单个工厂扩展到多个工厂，使生产订单能够在多个工厂之间流转，并用同一个供应链系统满足多个工厂的需求，那问题的难度又会提升一个量级。因此面向小批量多批次产品的多工厂智能排产成为工业人工智能的用武之地。

案例:多工厂智能排产解决方案

多工厂智能排产解决方案主要是针对:①原材料有限且未来一段时间的供应量固定；②每个工厂有一定生产内容限制，每天总产能上限固定且不可突破；③部件生产关系给定，部件生产时间与在工厂间转运时间给定，在满足以上3点重要约束与其他细小约束的情况下，智能排产系统将最佳优化安排未来一个月时间内每天、每个工厂具体的生产内容，以保证这一个月内的订单需求尽可能地满足交付要求。

具体来说，多工厂智能排产解决方案不仅在物料、产能、运输等方面存在诸多约束，还存在库存、采购、部件生产版型要求，原材料特殊供需要求，上下层生产关系代更新（ of material BOM）部件生产批次版本，订单交付优先级等诸多庞杂而琐碎的生产细节约束。这些约束充分体现该问题的复杂性，人工手动排产的旧模式在如此规模的约束需要考虑的情况下往往顾此失彼。多数情况下，只能寻找到一些满足上述一部分条件的排产计划，往往需要违背一些约束，并且舍弃一部分的订单需求。在一些极端情况下，工厂的生产计划都有可能被迫中止以等待一份可行的排产计划，可想而知，从上千万种排产计划中寻找到一份稳定、有效乃至最优的排产计划对于一个大型制造企业的重要性。这种排产计划背后面临的其实是一个变量和约束条件规模通常到达千万乃至上亿级别的规划问题。

对复杂生产系统和大规模定制进行智能化的生产排程，不仅要满足企业当前的需求，也需要在使用功能上考虑到企业在未来可能发生的多方面的需求例如利用结果并进行溯源分析，提升算法鲁棒性并对小范围预测失误进行微调，或是以生产制造为末端的供应链网络的全链条优化等各个方面。在时间维度上，企业随着全球布局快速扩张，需要前瞻性地探索更行之有效的算法，加之并行处理等工程化手段使求解效率相匹配地提升。这些方面既是企业满足目前业务诉求的刚需，也是着眼于未来发展的战略技术储备。

如果将应用的场景从工厂内移到户外，甚至是偏远的山区或是海上时，维护活动的排程是否合理不仅关系到停机损失，还会对维护成本和维护效率造成很大的影响。外场（field）设备的维护排程优化建立在对这些设备连续监测和故障预警的基础上，以海上风场的维护排程优化为例，在对风机的状态进行精确评估的基础上，如何综合状态信息、环境信息和维护资源信息等，对维护计划的决策进行优化，也是智能管理和使用的重要方面。风场的维护是一项非常复杂的工作，尤其是建设在海上的风场，其维护需要调用船舶、直升机、海工船等特殊设备，成本更加高昂，且维修周期更长。由于风机运行环境较恶劣、风资源的随机性以及风场多地处偏远地区等客观因素，进行人工的状态监控和维护排程难以实现风能利用的最大效率。如何根据风机的健康状态、风资源预测结果、维护资源的可用性、海上天气状况等综合因素，以实现最小的成本为目的，对风场的维护维修任务进行最优化的排程，依然是业界普遍面临的难题。为了解决上述难题，我们IMS中心开发了面向海上风场中短期运维计划排程的优化系统（见图3-24），该优化模型属于带约束条件的非线性优化问题范畴，并使用了遗传算法对该模型进行求解。

图：海上风场中短期运维计划排程的优化系统

案例：面向海上风场中短期运维计划排程的优化系统。风场维护排程优化的基础是对风资源的精确预测，在此基础上结合维护需求信息，尽可能地选择在风资源较弱的时刻进行维护，而在风资源好的情况下尽可能运转发电。针对每个维修任务，可以由多个可用的维修团队选择乘坐多个可用的维修船只进行维修，这增加了系统维修排程安排的灵活性，有利于降低成本。但是扩大可行解的搜索和推演范围会使问题变得更加复杂。遗传算法是目前较为流行的解决不确定性调度问题的启发式算法，该算法通用性强，计算能力较好，并且具有隐并行性和全局搜索等特点，在处理不确定性调度问题上具有较强的鲁棒性。本案例针对海上风场维修任务的特点，充分考虑船只、天气、维修人员、维修次序、风机健康状况、航行费用等因素，根据遗传算法的思想，建立了风场维护排程优化的推演和决策环境。这个推演环境需要具有非常好的拓展性，简而言之，就是要能够灵活适应安排M个维修船只和N个维修团队去完成P个不同的维修任务。维修排程优化的目标是为每个维修任务选择最合适的维修船只、维修团队和维修开始时间，使整个维修过程中由于风功率损失和资源使用造成的成本达到最小。因此，海上风场维修排程优化问题可以分为3个子问题：①确定每个维修任务的开始时间；②确定每个维修任务对应的维修船只；③确定每个维修任务对应的维修团队。为了支持尽可能多的船只、维修团队和任务的数量，推演环境中的模型也需要具有很好的运算效率。在设计遗传算法模型的求解过程中，采用了两层模型相互嵌套的方法，对维护任务的顺序及开始时间分别进行优化，即首先确定维护任务开始的顺序，再确定两个任务开始之间的等待时间。这样就能够将排程问题的复杂度从N2降低为2N（N为维护任务的数量）的数量级。以在由24台风机组成的某海上风场中，对17个维护任务进行排程优化为例，优化后的排程计划在执行推演中预测的成本，比没有进行优化的维护计划的成本降低了25%以上，图3-25进行了简单的展示。而由于元启发式算法具有较强的随机性（遗传式算法是元启发式算法的一种），并不完全适用要求较强稳定性和可追溯性的现代化、标准化工业问题。相对而言，精确算法在中小规模问题的求解上具有与启发式算法相媲美的求解速度，在精度上也可以更稳定地达到25%以上的成本节约。

图：对某海上风场17个维护任务的排程优化结果对比

对于工业中的资源运筹和排程优化问题，解决问题的关键就在于能否将问题转化到一定范围内，并建立对这个有边界问题的数学化表达，否则就会陷入过度复杂或不可解的困境，而这需要运筹学者的精确建模能力和丰富业务经验。

(完)

参考资料：

文字：「工业人工智能」李杰[著] 上海交通大学出版社 ISBN：9787313211798

图片：Pexels

（侵删）