MathWorks工業自動化和機械領域行業經理Philipp Wallner日前在接受《電子工程專輯》采訪時預測稱，2021年，整個工業領域將從大規模生產向定制化生產轉型，數字化變得比以往更加重要，包括生產系統更加自主化、工程師更依賴通過仿真的方式去確認設備的行為等。

他將未來的工廠稱之為“柔性（Flexible）”的，認為市場驅動力源自商品的個性化，包括從大規模生產向定制化生產、自主的生產線需求、以及產品迭代周期縮短等因素。當然，由此帶來的挑戰也顯而易見，系統復雜性的增加最為顯著，例如參數數量與種類、模組與元件之間的數據交互和無處不在的軟件。這樣，就需要越來越多的仿真模型去進行參數的調優和設計，需要AI和數字孿生技術用于運行優化，或是對設備進行健康預測。“這其中涉及到幾個比較重要的生產要素。”Philipp說，其一，性能越來越強勁的硬件，這是確保復雜算法能夠順暢運行的先決條件；其二，由于系統日趨復雜，開發者需要新的工具和設計流程用于開發、測試和部署控制軟件和AI算法；其三，也是非常重要的一點，就是要有越來越多的工程師能夠把各自領域內的專業知識與AI技術融合起來。而以下五大工業趨勢將促成以上預測：

趨勢一：AI項目的經濟性優勢日益凸顯

目前，在工業領域，柔性和自主制造是AI發揮優勢的重要應用方向，例如預測性維護、健康監測、生產優化、基于視覺的質量檢測等。MathWorks提供了大量APPS用于幫助工程師進行AI功能的設計開發，并通過與包括微軟在內的廠商合作，將非實時性的數據部署在云端，從而實現從云端到邊緣設備端的完整部署。

MathWorks提供了大量APPS用于幫助工程師進行AI功能的設計開發

在Philipp列舉的Mondi公司案例中，通過利用MATLAB開發出的用于監測生產線狀況的APP，Mondi公司每年能夠節省至少5萬歐元費用；而在與VDMA的合作中，MathWorks通過提供AI應用指導書指導企業將AI技術應用在基于視覺的智能檢測、機器人訓練等各種應用中。他強調說，軟件已經成為很多用戶的一個主要資產，并正在成為他們與同行區分開來的重要因素。復雜的軟件，很多情況下包括AI和工程數據的融合使用，在幫助生產制造企業獲取成功方面上扮演著越來越重要的角色。在這種背景下，開發和測試基于軟件的功能變得越來越重要。所以，生產制造行業的領導企業都在幫助工程師開發和驗證軟件功能方面相關的工作流以及工具方面，大力投入。

趨勢二：機器的功能驗證轉向數字模式

如前文所述，由于復雜的系統功能日益依賴通過軟件實現，使得設計過程中的仿真和測試驗證工作，更多傾向于采用數字化模型的方式去實現從設計，到交付，再到運行的全生命周期。這種復雜性往往來源于我們對于柔性生產、模塊化生產、更高質量和精度、更多數據吞吐能力、以及更短的上市時間和交付周期的需求。這意味著，未來的工廠將被建造兩次——先虛擬，再實體。在設計環節，設計人員可以在Simulink環境下用桌面仿真的方式對整個系統進行完整的構建，并在比較安全的環境下對整個系統做基于仿真的測試；接下來，利用MATLAB提供的自動代碼生成功能，將經過驗證的算法生成面向于工業控制器的CC、C++代碼；再下一步，通過采用虛擬交付技術，將測試環境部署到實時運行的工業原型機上，對即將交付的軟件進行測試，從而顯著減少利用物理實體進行測試的需求；最后，就可以利用這種模型去構建數字孿生體，用監測/預測性維護算法對設備的狀態進行估算，降低運維成本。

基于仿真的測試

在回答“單純依靠模擬仿真能否全面的驗證機器的功能以及其設備生命周期？”這一問題時，Philipp表示，仿真模型不能用作完全替代物理世界進行的測試驗證。基于模型設計的目標是在設計的早期就開展功能測試，以避免將一些設計上的問題帶入到后面的物理實體的制造環節。利用仿真技術的生產系統早期的測試驗證，將顯著減少后面投入在物理實體上測試驗證的時間投入，但并不能完全的替代物理世界的測試，至少短期還無法達到。“一些極端環境或涉及人身安全的環境下的測試，使用仿真模型可以很方便的開展，這樣就能避免將測試的人員置于危險的環境下。另外，對于那些在物理世界需要很高的測成成本、以及可能對設備本身或測試人員造成傷害的測試場景，都可以應用仿真技術來幫助我們完成測試。”他說。

趨勢三：生產車間和辦公場所進一步融合

生產車間和辦公場所的融合在這里包含兩個方面的內容：首先是自動化組件的連接或聯系在持續增加，生產設備和整個車間、廠房通過標準化的工業協議如OPC UA、無線鏈路如5G正有效的連接在一起。這使得在各個單元間進行數據交換成為了可能，而這正是實施或落地AI的基礎。另外一個方面是，復雜的功能，如機器學習，以往只有在線下高性能工作站上，或者說，在辦公場所才能進行的，現在正在以一定的方式部署在實時工業控制器上，七天二十四小時不間斷的運行。

在桌面計算機上開發的AI算法運行在工業控制器上

但有一點需要引起注意，即網絡安全和數據存儲是AI應用于生產制造時所面臨的重要問題，同時也是傳統生產制造領域比較受重視的IT話題。目前來看，AI算法的一些關鍵部分經常直接部署在嵌入式控制器或邊緣設備上，如PLC，而這些處理單元都是靠近制造工廠里的設備，這在一定程度上減少了數據泄露的風險。或者說，原始數據的預處理，是在一個安全的環境中的邊緣設備或嵌入式處理器上完成的，經過處理的數據才進一步通過潛在的非安全網絡傳輸出去。

趨勢四：機器人和自主系統促進生產和物料搬運自動化

在柔性和模塊化生產中，工廠對自主設備的需求越來越強烈。在以往的概念中，原有的自動化設備只能做某一類特定的動作，是確性的，但隨著更多的設備具備了自主決策的能力，其自主性更強，自主機器人就是其中一例。得益于強大的硬件性能和AI技術的大規模普及，在柔性制造中，協作機器人既可以與操作人員進行緊密協作，也可以在搬運和檢巡過程中進行自主的智能化決策。

在物料車間進行分揀的機器人

Philipp指出，具備AI能力的機器人能夠靈活的造作那些即使沒有明確在程序里表明的物體類型，這就極大的減少了在處理種類繁多的物體時非常耗費時間的指導過程。傳統的工業機器人主要為大規模生產服務，通常要面向每一個要操作的物體和每一個在運行時的確定動作進行編程。具備AI能力的機器人具有非常好的靈活性，可以在產線上自主的對物體檢測、抓取以及移動進行學習。

趨勢五：“領域知識+”型工程師擁有更多機會

“領域知識”，指的是工程師對所在行業中專業知識的掌握；“新知識”，指的是對AI技術、云、軟件設計等知識的掌握。目前來看，越來越多的生產制造工程師正在向他們自己所擁有的技能集合里面添加諸如軟件設計、AI等技能，而像MATLAB這樣的工程工具也在為這類工程師提供便于開發、測試和部署AI算法的自動化工具App。在這一過程中，MATLAB本身提供豐富的小程序apps， 可以幫助具有專業知識的工程師快速將如AI這樣的新技術融入到自己的實際工作中。課程方面，MathWorks提供了豐富的面向工程師和學生的培訓課程，其中包括完全免費的onramp課程。除了這些工具和課程外，公司也與一些組織，如歐洲最大的工業制造領域的團體組織VDMA，一起開展一些入門活動，把年輕的工程師和行業內的一些專家組織在一起，讓年輕的工程師們快速的獲得有關基于模型設計、AI以及物聯網等方面的一手知識和經驗。“將來的生產制造行業，勢必會被那些結合了傳統行業的領域知識，并且也掌握AI技術的那些工程師所塑造。可以說，領域知識、專業技能（如AI、數據分析）以及像MathWorks所提供的工程工具的使用，是工業４。０下開展項目取得成功的關鍵。”Philipp說。
編輯：lyn