预测缺点工业分拣故障感知机器学习正在大举

　　摘要：机器学习正在大举进入工业和制造业领域，与工业物联技术的结合有可能引发行业的新变革。

　　话说在古代，国师会通过观测星象来预测来年的国运。虽说没有夜观星象的本事吧），但至少能从行业内的某些事件中看出一点儿物联领域的发展趋势。

　　最近连着发生的几件事儿，都觉得有某种新的势头正在显现：机器学习正在大举进入工业和制造业领域，与工业物联技术的结合有可能引发行业的新变革。

　　第一件事就在这两天——劳伦斯伯克利国家实验室的研究人员在《Nature Computional Materials》上发表论文称，他们首次通过建立和训练机器学习算法，得以预测某些金属间化合物的缺陷行为，而且预测具有高精度。

　　要知道，材料从来不是化学纯的或是结构无缺点的，了解这些“点缺陷”对设计材料的研究人员来讲至关重要。传统上，研究人员使用一种被称为密度泛函的计算方法来预测金属间化合物在给定的结构中会构成什么样的“点缺陷”以及它们将如何影响材料的性质。虽然有效，但是计算本钱高昂，所以使用格外受限。

　　但是现在，研究人员可以对几百种材料进行密度函数计算，然后训练机器学习算法，从而快速、准确并且便宜地预测大量材料的“点缺陷”。

　　利用为946 B2型金属间化合物建立的r——MART模型预测金属的主要缺点类型。如上图，不同的颜色显示了预测和计算之间的关系。

　　固然，我们其实不需要明白什么是“点缺陷”和晶体结构“空穴”，也不需要会算甚么计算量子力学的密度泛函。只要明白，由于机器学习，材料工业可以为充满无限可能的未来欢欣鼓舞一下了——从汽车到航空航天，这种新方法都将加速新型高级合金和轻量化新材料的应用。

　　对该论文感兴趣的可以在公众号后台回复关键字，获得论文原文。

　　除了材料工业，就在前几天，英伟达也是要“造反”，其新一代GPU剑指深度学习和虚拟现实！

　　其发布了基于其最新的 Pascal 架构的新一代 Quadro 系列显卡。英伟达宣称，新的芯片组可将桌面工作站转变成为具有突破性能力的超级计算机，为不同行业的专业任务提供保障。新的 Quadro 芯片组可以为设计、工程和有关虚拟现实和深度学习的各种领域提供硬件支持。这些显卡可以构建企业级视觉计算平台，为用户简化设计和模拟工作流难度，与上一代产品相比，新的显卡速度最多可以提升两倍。

　　“开发者们的专业工作流已经充斥着人工智能、虚拟现实和照片级图像处理任务，这对计算装备硬件提出了新的挑战，”英伟达专业可视化副总裁 Bob Pette 说道，“我们的新一代 Quadro 系列提供了解决这些挑战所需的图形和计算性能，通过统一计算和设计，Quadro GP100 可以将普通桌面工作站转换成为超级计算机。”

　　因为GP100，工程师们常见的CAE模拟仿真等工作，将会产生鸟枪换大炮的体验。

　　基于这些事件，也难怪GE软件＆GE全球研究院的高级首席科学家，会在最近2017年1月的一次演讲中，侧重强调AI与IIoT结合的效益。他认为在世界范围内，工业环境中AI（人工智能）和IIoT（工业物联）的整合都是一片蓝海，IAI是当前的绝佳创业机会。

　　机器学习变革制造业的五种方式

　　不只是最近，机器学习早已开始慢慢“入侵”制造业了。根据日本工业领域人工智能专家Tomi的观点，机器学习变革制造业主要有5种方式：

　　（1）代替肉眼检查作业，实现制造检查的智能化和无人化

　　例如工程岩体的分类，目前主要是通过有经验的工程师通过仔细鉴别来判断，效率比较低，并且不同的人有不同的判断偏差。

　　通过采用人工智能技术，把工程师的经验转化为深度学习算法，判断的淮确率和人工判断相当。得到对应的权值后开发出APP，这样现场工程人员在使用tablet拍照后，就可以通过APP自动得到工程岩体分类的结果，高效且淮确率高。

　　还有汽车零部件厂商，目前能够检查生产出的零件磨损种类与等级情况的，多是有经验的人工。一样，通过采取深度学习算法，可以把人工的检测经验转化为算法，从而实现无人化检测。

　　上海宝钢和 Intel 合作，对钢材进行质量检验。对生产线上拍摄的照片，用机器学习的方法识别其中的划痕，酸洗，来代替人工检测。

　　（2）大幅改良工业机器人的作业性能，提升制造流程的自动化和无人化

　　将深度学习算法应用到工业机器人上，拿来做商品或者零件分拣，大概可以分为“分类”和“捡起”两步：

　　（1） 对商品或零件进行“分类”

　　这个步骤非常合适使用深度学习，由于深度学习本质上就是用来做分类识别的。

　　（2） 将商品或者零件“成功捡起”

　　对于单个商品或零件，要想将其成功捡起，关键是选择合适的把持位置，通俗的讲，就是确定机器人夹零件的哪个地方，可以使零件不下滑，从而使零件成功地被捡起来。

　　对于多个商品和零件堆积在一起的情形，除把持位置的选择，还需要选择合适的抓取顺序，即先抓取哪个零件，后抓取哪个零件，这时候可以采取Reinforcement Learning算法，终究可以达到约90％的成功率，和熟练工人的水平相当。

　　当然，要将这些成果大规模应用到工业流水线上，还需要考虑到正确率要求更高（一般是99．9％），以及速度要求更快等，目前许多改进就是围绕满足这两点指标来进行的。

　　例如bin picking机器人，工业上有许多需要分捡的作业，如上图所示的零件分捡，采用人工的话，速度缓慢且本钱高，而且还需要提供适合的工作温度环境（夏天的空调，冬季的暖气等），如果采用工业机器人的话，可以大幅减低成本，提高速度。但是，一般需要分捡的零件是没有整齐摆放的，机器人虽然有camera看到零件，但却不知道如何把零件成功的捡起来。这种情况下，使用机器学习，先让工业随机的进行一次分捡动作，然后告诉它这次动作是成功分捡到零件还是抓空了，经过屡次训练之后，机器人会知道依照怎样的顺序来分捡，会有更高的成功率。