返回首页
当前位置: CompoTech China > 热点聚焦 >

Deep Learning 与 AI 进驻工业 4.0

时间:2017-09-18 10:21来源:Compotech 作者:任苙萍 点击:
以绘图卡起家的丽台科技 (Leadtek),早在十年前就与英伟达 (Nvidia) 合作开发 CUDA (Compute Unified Device Architecture,统一计算架构),并在六年前就开始投入大数据分析业务,目前已开始反应在业绩上。董事长暨执行长卢昆山指出,GPU 的指令周期比 CPU 快七倍,但只有不到 50% 的功耗,更适合做高速计算及深度学习 (Deep Learning);预估未来相关进展脚步将越来越快,且关系到各国的竞争力。他提到,丽台与许多教学研究机构有密切合作,医疗与工业 4.0 尤其是重点项目;现已有能力将大数据收集、分析到深度学习做完整连结。
 

照片人物:丽台科技董事长暨执行长卢昆山
 
GPU 撒豆成兵,平行计算成新宠
丽台在鸭子划水多年后,近来因为人工智能 (AI) 带动渐趋活跃,亦为转型系统方案供货商奠定基础。事业处总经理周世伟表示,有鉴于 AI 是一种新兴的处理问题方式,丽台科技特汇集产学界的专家在内部成立专职从事数据分析的团队;只要客户有需求提出,该团队就会介入。为因应不同产业的特性,今后也会继续扩大寻求业内人士参与。项目技术经理刘家豪介绍,深度学习最主要的两个部分就是训练 (training) 和推论 (Inference);2007 年 CUDA 1.0 的问世,揭开 GPU 用于快速计算的序幕——CPU 运行需要数分钟的算法,GPU 可缩短至数秒。
 

照片人物:丽台科技事业处总经理周世伟
 
以图像辨识为例,卷积神经网络 (CNN) 就是在做 256 X 256 矩阵的训练;若要分析语言,须考虑每个框架 (frame) 的前后关联、不能分拆解读,故须使用含有记忆特性的"递归神经网络"(RNN,又称循环神经网络) 分析;而 GPU 的贡献是藉平行计算、先对庞杂数据预做处理再丢回给 CPU,协助分担 CPU 负载、加快指令周期及训练时间,特别适用于由许多神经元与层级构成的深度学习、大型矩阵或数据量大、参数多的计算。"对智能工厂来说,若训练时间过久或输入到输出的推理时间过长,是绝对无法接受的",刘家豪点出 AI 在工业应用的软肋。
 

照片人物:丽台科技项目技术经理刘家豪
 
机械背景出身的软件产品部产品经理林威延进一步说明,AI 概念滥殇于 1950 年代,初衷是让机器模仿人类做某些简单决策;1980 年后开始探讨机器学习 (Machine Learning),例如教电脑如何辨别、分类垃圾邮件;到了 2010 年,受到人工神经网络,在观看一星期的 YouTube 影片后便学会自主辨识内含猫的影像之激励,进而涌起一波波深度学习浪潮。他回顾工业演进历史,最早的工业革命 (1.0) 要追溯至瓦特发明蒸气机、取代人力与兽力产生动能;第二次重大变革即是借助电力催生量产 (mass production) 模式与产线分工。
 
工业 3.0 的精神在导入自动化设备与可编程逻辑控制器 (PLC);至于近来火红的工业 4.0,主旋律在虚实整合系统 (Cyber-Physical Systems, CPS),期通过将制造设备智能化链接物联网 (IoT),每隔一段时间收集机台的振动、温升及工作状态等资料给操作人员做决策,实现预测性维护保养与机器设备服务化,减少停工损失。"产线机台设备不论是健康评估/诊断或效能预测,所使用的算法皆与统计或机器学习密切相关",林威延说。他认为,以深度学习为核心,向外围扩展的顺位依序为类神经网络、机器学习与 AI。
 

照片人物:丽台科技软件产品部产品经理林威延
 
种瓜得瓜,训练方式决定推论成果
以科技厂常用的自动光学检测 (AOI) 为例,由于 AOI 需要极高分辨率的影像学为基础,且来料质量对检测参数有很大影响,故 AOI 设备业者往往须派驻专业人员到客户厂房协助微调机器;若加入大数据、深度学习和人工智能,将有助于提高辨识效率,更精确区别出处于合格边缘的 NG 报废品、或尚可补救的瑕疵品。另两个应用场域是:声音与振动检测。通过收集、研究机器运转的声音信号,来检测风力发电机的轴承是否有异常状况?不过,前提是克服环境噪音和回音等其它声源干扰。至于振动检测,最麻烦的就是决定要喂多长的数据?
 
参数不同,可能导致推论天差地远!因此,特征撷取方式将是 AI 能否良好辨识的关键。林威延透露,目前诊断工厂马达、转轴多是利用傅立叶变换 (Fourier Transform),但有个重大缺陷:它假设所有信号都可用正弦/余弦波模拟,再积分求得,可惜"内情并非如此单纯";一旦转子不平衡、位置产生角度、呈现平行、弯曲或没有锁紧,会诱发"倍频"现象。传立叶频谱虽可取得转子系统异常信号特微,但仍须经由人为判读诊断,对产线人员有一定难度,也无法达成智能机械目标;辅以经验模态拆解、多尺度熵 (Multiscale Entropy, MSE) 分析是理想方案。
 

图:转子系统问题 vs. 傅立叶频谱特征
资料来源:丽台科技提供
 
深度学习算法还能用于金属切削加工,将良好与损坏刀具相较并改变当中参数,包括转速、进给、振动、电流值,可监控刀具磨耗程度并预测使用寿命。他强调,工业 4.0 的虚实整合目前并无确切系统规格,实现理论均以为机学习为基础,其中,将传感器 (包括振动、电流、温度……) 的原始信号直接作为类神经或深度学习网络的输入值,效果不彰;若要达到预先诊断,信号的特征撷取是重要因子。此外,医疗业与制造业许多应用的背后理论相似,检验医疗影像的技术也能用于 AOI,检验心电信号的算法,可用于检验机台振动信号。
 
最后林威延表示,AI 现正于各领域蓬勃发展中,算法进入门坎亦越来越低,真正的关键是如何为现有数据有效转化为实际应用并产生效益,Domain know-how 才是真正挑战所在;由于数据取得不易,锁定制造业发展的新创 AI 公司并不多。投入 AI,来得早不如来得巧;随着半导体工艺与算法的进展神速,AI 似乎已届水到渠成的时刻。模型训练 (Model Training) 需要强大的 CPU 计算能力奥援;但若能找到决定性的型态 (pattern)、做成推论引擎 (Inference Engine),便能以最少计算资源、在最短时间内算出想要的结果。

 

(责任编辑:jane)
(0)
0%
------分隔线----------------------------
发表评论
请自觉遵守互联网相关的政策法规,严禁发布色情、暴力、反动的言论。
评价:
表情:
用户名:密码: 验证码:点击我更换图片