admin 管理员组文章数量: 887021
2024年2月26日发(作者：php培训完)
智能制造系统认知实训报告3000字
智能制造装备行业作为实现产品制造智能化、绿色化的关键载体，其产业链涵盖智能装备，工业互联网、工业软件、3D打印以及将上述环节有机结合的自动化系统集成及生产线集成等。目前智能制造产业正在迅速发展，智能制造产业已经形成了长三角地区、珠三角地区、环渤海地区和中西部地区的四大聚集区。数据显示，2019年我国智能制造装备产值规模达1.7万亿，预计2021年我国智能制造装备产值规模将达到2.2万亿元。
此外从全球范围来看，中国制造业水平与欧美和日本相比，仍有一定差距。IDC将企业数字化成熟度划分为入门者、探索者、组织者、转型者、颠覆者5个阶段，目前来看，对比全球，中国制造企业数字化转型总体成熟度处在中间阶段，而在第四、五阶段的数字化转型者和数字化颠覆者的占比很低。
边缘计算加持智能制造
要讲清楚智能制造和边缘计算的关系，我们先要了解智能制造现阶段面临的挑战。根据浪潮方面的消息，目前智能制造所面临的问题主要包括以下三个方面：
复杂多元算力挑战
随着深度学习不断发展，分类算法AlexNet分析224X224大小的图像需要720FLOPS，以往使用工控机设备处理需要1秒左右，而实际生产中常使用的ResNet50视频处理的计算量是AlexNet的数十倍，复杂度越来越高。
巨量数据贯通挑战
智能制造转型升级要实现智能化生产、个性化定制、网络化协同等创新应用并非易事。海量的智能化装备、各异的生产线以及跨领域的系统平台的出现，让工厂的数据量以指数形式增长。智慧化工厂需要去解决海量数据的贯通化和深度挖掘计算的问题，以实现对不同流程及业务的精准预测及优化。
智能化装备：从开始年到今天，国内机器人装机量从25万台猛增长到100万台；
生产线：数控机床、PLC的市场规模从1400亿增长到2000多亿；
系统平台：从原来以人为核心的ERP、OA、CRM、SCM的系统扩展到以物为核心的IIOT、MES、WMS、PLM、QMS的系统
高并发实时处理挑战
目前随着机器视觉技术的发展，智能制造过程广泛使用装配机器人，但对智能机器人的目标识别、轨迹规划的计算实时性、复杂性也提出了更高的要求。有数据显示，工业现场单个摄像头每天会产生大概330G的视频数据，完全传输至云端不仅占用带宽，也难以满足实时性（毫秒级）的业务需求。
此外，据浪潮和IDC发布的2020全球计算力指数评估报告显示，制造行业是全球算力投资第二大行业，也是算力投入最大的传统行业。综上，我们不难看出智能制造的升级与大数据、边缘处理设备和算力有着千丝万缕的关系。
双向结合存在落地挑战
根据研究预测，2020年将有超过500亿台设备连接在一起，每个工厂每天收集的数据将超过14.4亿，这意味着对计算能力、服务速度和质量等方面有着前所未有的需求和期望。
理论上来说，边缘计算可以在靠近数据源头的边缘侧提供计算及存储服务，能够有效缓解网络带宽与数据中心的压力，增强服务的响应能力并对工厂内的隐私数据进行保护，提升数据和生产的安全性。并与云计算结合，通过云端的交互协作，实现系统整体的智能化。
但事实上，在落地过程中仍旧面临非常多的挑战，比如浪潮方面总结的AI技术链条与制造行业的产业链条脱节、云边的协同缺乏一整套云边资源管理和任务调度整体方案以及工厂内消费级算力产品稳定性较差等。而笔者作为站在智能制造一线的一位工程师，也从产业的角度总结了目前智能制造领域面临的三大困境：
知识普及的挑战：让企业认识到数字化转型对于制造业竞争力提升的重要性；
产业碎片化挑战：智能制造分布在各行各业，很难找到两家一样的企业，一家企业也很难有两家一样的工厂，如何归一化是一大难题；
安全性挑战：当我们在打通数据采集、数据处理与应用的同时，决不能忽略安全性问题，一旦出差，满盘皆输。
下面我们针对这三个问题具体来分析：
知识普及的挑战
业界一直有一种声音“智能制造就是要把不转换思维的企业淘汰了！”确实，后疫情时代，全球经济K型复苏，对于制造行业，如果
企业不提高有效产能和良率，就很容易被超越。但事实上，即使有部分中国的企业家已经认识到这个问题，真正行动的也还是少数。为什么？因为在推动这件事情的有两波人，一波就是自身有需求的制造企业，他们尝试了，但由于行业的成熟度不够，他们尝到了失败的苦涩，只能静待花开；还有一波就是智能制造设备和系统商，他们往往会站在自己的角度去普及知识，什么边缘计算、人工智能等等，制造企业老板就被这些概念砸晕了，导致“吸收不良”。
我们常说“不以解决用户痛点为目的的创业都是耍流氓”，这句话放在智能制造领域同样适用。所以目前针对智能制造知识的普及还要多下工厂，多了解用户需求，最终只要告诉制造企业家们三点：1、为什么要升级？2、如何升级？3、为什么要用我的产品？或许这才是最朴素的推广途径。
产业碎片化挑战
碎片化或者说柔性制造带来的问题不仅困扰着物联网产业，同时也影响着智能制造产业的发展。如何实现一定程度上的归一化？
首先需要的是统一的标准，只有在市场达成共识的条件下，各个企业才能朝一个方向做下去，否则各个企业都在做自己的烟囱，没有办法复制，也没有办法打通，非常不利于产业的发展。
浪潮边缘计算事业部总经理孙波表示，“在通信行业，比如Wi-Fi、蓝牙，其实各家的协议是可以打通的，但在工业现场我们发现，一些协议标准好像很难在不同厂家之间进行连通，比如常用的Zigbee，要想互联，底层协议必须相通，不同的品牌就会遇到通信问题，因此
两个模块必须使用同一个品牌的产品。因此，我们希望未来能够在标准层面与大家达成共识，目前信通院正在联合行业生态链上的企业，包括浪潮，一起定义标准，制定智能制造行业的白皮书。”
其次是软硬件互相掣肘的问题，退回五年甚至更长时间来看AI的发展，AI技术发展需要底层的硬件提供算力，上层软件算法迭代提供更高精度的算法模型，这两者是相辅相成的。但是随着时间的推移，硬件开始跟不上软件的发展速度了。
孙波举了一个例子，“最开始在2010年左右，我们的一些头部（CSP）客户开始尝试做AI计算，用GPU服务器做模型训练，那时候大家刚开始起步，所用的机器是通用化的有GPU卡的设备。但慢慢地大家发现，软件算法在快速迭代，原来单台服务器加一个GPU卡的方案已经没有办法满足大规模模型训练的需求。因此快速迭代开发硬件势在必行，而开发硬件的周期基本上至少需要一年，但软件的迭代周期很快，尤其像互联网的软件可能每周都要迭代更新，硬件跟软件开始脱节，AI整个行业面临发展的瓶颈。”
“于是，我们开始根据客户的诉求不断提高算力，单机2卡、单机4卡、单机8卡、单机16卡，再加上2个或4个CPU，让CPU和GPU去配合来发挥AI算力的性能。但是这种迭代的速度仍然在掣肘软件的发展，所以我们开始思考这两者之间的耦合关系，我们发现CPU和GPU之间的配比决定了产品生态，也限制了软件的迭代速度，如果将两者解耦开，或许可以解决这个问题。那时候我们提出了融合架构，把GPU资源拿出来作为一个GPU资源池，在box里面装满GPU
卡，然后让CPU的服务器作为机头去连它，从而通过上层软件去定义一颗CPU要配几张卡，1张、2张、16张，甚至64张。在2016年左右，浪潮与百度做了第一代的X-MAN，一个box装16张卡，一个机头可以最多挂4个box，达到64张卡。值得一提的是，同期市面上的GPU服务器最多、最先进的是做到单机8卡。后来，大约在2018年的时候，英伟达推出来的HGX-2，才做到单机16卡。”
最后就是算力如何融入边缘市场，匹配现场所需。针对这个问题，孙波表示，“浪潮和同行们需要做的有两点，第一是对接好传感器和摄像头抓取过来的数据，第二是根据场景匹配算力，帮客户高效低成本的实现算力部署，灵活组合，用模块化的架构思维解决不同场景的需求，再加上算法合作伙伴的算法出厂预装，一站式交付，快速促进市场落地。”
“垂直行业有需求，才有改进的方向。目前面向工业的边缘计算产品，各个公司都已经提出了对应的解决方案和产品，现在他们需要与以科研院所、研究机构、产业联盟为代表的第三方平台在一起，相互联动形成完整的产业闭环，从而推动中国智能制造产业的进步与突破。”中国信通院技术与标准研究所互联网中心高级项目经理宋平博士如是说。
版权声明：本文标题：智能制造系统认知实训报告3000字 内容由网友自发贡献，该文观点仅代表作者本人， 转载请联系作者并注明出处：http://www.freenas.com.cn/jishu/1708924525h534483.html， 本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容，一经查实，本站将立刻删除。
发表评论