施耐德电气：AI 工业应用的规模化，从视觉检测做起

在施耐德电气武汉工厂的生产车间，每一个微型断路器、接触器和各类工业控制小元器件在从产线下线之前，都要经过一位“特殊质检员”的检测。一旦发现表面有任何污渍、划痕、破损或者印刷字体模糊、不清，产品就会被退回返工处理。

这位“质检员”并不是人类，也不是传统的 CV 机器视觉检测系统，而是一个 AI 工业视觉检测平台。

通常来说，企业使用系统替代人工进行检测，目的都是为了提高产品品质、减少人工、提升效率。但是，质量检测又是一个非常难拿捏的工作——要么漏检率偏高，影响产品品质；要么过检率偏高，浪费人力物力——所以很多情况下，即便使用了 CV 机器视觉检测，产线上也不得不安排人工进行二次检测，这种方式既不够经济，也不够效率。

而借助 AI 工业视觉检测平台，据说施耐德电气武汉工厂已经把产品的漏检率降到了 0，过检率则稳定控制到 0.5%以内。

“传统的 CV 机器视觉检测系统只能根据既定的规则判断产品的缺陷，但是产品出现瑕疵的情况非常多，很多时候我们很难用一套规则覆盖所有检验类别。而 AI 技术不一样，它可以通过机器学习举一反三，不断优化算法模型，随着它越来越见多识广，还会越来越聪明。”施耐德电气全球供应链中国区数字化解决方案负责人冒飞飞在日前接受 InfoQ 采访时解释道。

据他介绍，AI 工业视觉检测是施耐德电气落地AIoT应用一个关键的切入点，也是当下很多制造企业落地工业 AI 的主要应用场景。

为什么是 AI 工业视觉检测

从技术角度而言，AIoT 可以视为是 AI 能力和 IoT 能力的融合——前者是技术升维，负责智能化；后者是技术底座，负责互联互通。

其中，AI 技术虽然过去几年在消费级市场激起了不少浪花，但是由于前期投入高、短期回报难以评估，加上工业流程的复杂性，对精准度的要求非常高，AI 在工业场景的规模化一直还未能实现，企业实践大多还是单点局部试水为主。而值得关注的是，哪怕对于试点的场景，企业也不能盲目选择，找到合适的场景才能确保应用的成功落地。

那么，何为“合适”？施耐德电气的判断依据是——业务有需要。以施耐德电气武汉工厂为例，据冒飞飞介绍，之所以上线 AI 工业视觉检测平台，背后主要有三方面的原因：

第一，客户（尤其是 C 端消费者）近年来对产品质量的要求越来越高，除了确保功能完善，任何外观上的瑕疵都可能影响他们的消费选择和体验；

第二，全球制造行业普遍面临招工难的问题，在人员不足的情况下，急需自动化、智能化技术赋能员工、弥补用工缺口；

第三，从以人为本的角度出发，施耐德电气武汉工厂希望利用技术把员工从疲劳繁琐的工作中释放出来，去做更具有创造力的工作，改善工作环境和体验。

“过去人工去做检测，工人需要长时间用眼，不仅身心疲劳，而且效率低，失误率反而更高。哪怕是使用 CV 机器视觉检测，背后仍然有很多工作需要人工二次检测。而基于 AI 机器视觉，可以通过图像检测算法辅助工人对缺陷定位和分类，减少繁琐操作的能耗、人力成本，降低劳动强度的同时有效控制质量异常。”冒飞飞表示。

当然，任何算法模型的准确性、有效性都会受到样本数据的影响。冒飞飞告诉 InfoQ，施耐德电气使用 AI 工业视觉检测平台过程中遇到的挑战之一，就是样本的问题。

传统的 AI 检测模型通常都是使用“负样本数据”进行训练——也就是说，会先告诉计算机什么是不好的质量表现，然后再对应地去找质量残次品。但是，由于施耐德电气在过往的生产经营过程中积累的“负样本数据”量不足以支撑模型训练，所以，只能“反其道而行”。

“我们的算法逻辑是，先基于‘正样本数据’进行训练，然后再用少部分的‘负样本’做验证。”冒飞飞解释道，“比如说，我们针对产品质量好的状态会设定一个大概的阈值，如果超过这个阈值就可以初步判断质量异常，然后把这个异常框出来，由人工再做一次二次检测。”

虽然同样需要人工的二次干预，但是和传统 CV 视觉检测模式下的人机关系不同，人在其中的角色和作用不再是候补，而是主力。“除了对 AI 检测出来的不合格产品做二次确认之外，人还需要定期对 AI 判断的结果进行抽检，而这些人工的检测结果反过来还会输入到模型中，对AI算法的准确性再次进行验证和迭代，实现精度爬坡的过程。随着精度越来越高，人的干预还会越来越少。”冒飞飞表示。

如何实现 AI 工业应用的推广和复制

据了解，在施耐德电气武汉工厂先行投入使用的这一 AI 工业视觉检测平台，目前已经在北京、上海、天津等地的 10 个工厂、20 条生产线部署使用，这些工厂分布于不同生产基地、覆盖各种类型的电气产品。

“当一个产品或者解决方案的价值能够被大家都认可的时候，它的规模化推广就会特别顺利。”冒飞飞强调，“但是，我们在推行和复制这一应用的时候也是有标准的。首先，部署的工厂要真的对质量提升有强烈需求；其次，产线的可复制性也要比较强，举例来说，通常是优先在同类型的生产线横向推广，这样试错的成本更低；除此之外，我们还会看 AI 视觉对于自动化改造的难度，如果原来的工厂和产线已经有机器视觉设备，可能只需要优化一下算法而不是投入大量新的设备就能实现，这种我们也会优先考虑。”

然而，这种平台的复用和推广并不是技术的简单“复制粘贴”。冒飞飞表示，如果把 AI 视觉在工业场景完成度比较高的任务划分为几个类别——第一种是做尺寸测量，第二种是做位置定位，第三种是做二维码/条码识别，第四种是做外观质量检测。其中，前三类的参数标准、识别标准相对简单，即便是不同的产品类型，差异也不会太大，反而质量检测的模型复用是最难啃的“骨头”，一旦产品发生变化，模型几乎很难复用。

“这就是为什么我们谈 AI 工业应用的时候经常会提到‘一机一模型’，不只是一个产品要对应一个模型，甚至很多情况下，一个设备就要对应一个模型。因为 AI 是经过不断训练才能提升智能化能力的，一旦设备不一样，就要进行新的模型训练。”冒飞飞解释道。

对此，施耐德电气的“折中”做法是先做到“一个基地一模型”，针对相同产品、相似产线直接快速复用，对于不同产品和产线，则通过中央化的平台实现数据标准化和模型能力沉淀。也就是说，不同基地和产线可以对相对标准化和通用的数据和模型进行调用，然后在这基础上根据特定产品需求做定制化配置——这能在一定程度上解决“重复造轮子”的问题，在减少技术重复投入的同时加速技术的创新应用。

当然，视觉识别检测只是施耐德电气切入 AIoT 的其中一个点，工业AI落地的核心应用场景还有很多。

“比如设备的预测性维护，对于我们的工厂来说，真空炉、激光机、空压机等这些关键资产设备的投入往往就要几千万，为了延长它们的使用寿命，保养维护维修就很重要；比如质量的自适应控制，在产品的生产制造过程中，结合 AI 技术，产线机床可以根据实时回传的质量数据自适应调整相关参数，不断优化和改善生产过程；再比如能源管理，通过把 AI、工业和能源结合起来，加上增强现实的呈现方法、IPC 的过程控制，可以实现对能效、供应链等整体的优化。”冒飞飞表示。

换句话说，凡是在工业场景的算法和数据密集区，AI 就会有比较大的用武之地。而究其目的，一方面是在设备全面互联基础上，实现降本增效；与此同时，弱化甚至提出生产过程中等不确定因素，实现生产的可靠和可控。

怎么做好 IoT 能力“打底”

当然，这一切的前提离不开 AIoT 的另一个技术能力——IoT做“打底”。

具体而言，IoT 的作用之一是采集并回传制造生产中各个环节的数据，并汇集、存储到中控室；在此基础上，通过大数据分析等技术，对数据进行可视化呈现，为一线人员生产以及进行设备控制、维护改造提供依据。

据冒飞飞介绍，施耐德电气所有工厂的基础架构设计都会遵循从底层数据采集、到中间层边缘计算、再到顶层分析应用与服务的三层结构。其中，数据采集层会连接各种互联互通的硬件设备，对所有结构化、非结构化的工业现场数据进行统一的汇总；边缘计算层主要是对各环节的数据进行统一管理、存储和计算；应用分析层即是对数据做进一步的分析，并赋能给业务。

而在具体的部署过程中，不同工厂之间既有共性的问题，也有个性化的场景。举例来说，仅仅是在中国市场，施耐德电气就有近 30 家工厂和物流中心，如何做到统一部署，又能满足不同的业务和产品生产需求？这是绕不开的一个问题。

“通常来说，我们会按照一个中央平台加多个分布式架构的方式来做部署。在中央平台，会配置多个集中化训练迭代的管理模型，这些模型可以通过云的形式下发到边缘，进行分布式部署；在每个工厂的边缘，又会有他们自己独立运算的数据中心，配置 GPU 等高性能计算能力，可以实现边缘的实时计算——最终做到云边端的融合”

然而，并不是所有企业都能天生具有这种互联互通的技术能力，更确切来说，具有这种数字化原生能力的企业是极少数。冒飞飞坦言，尤其是在国内，很多传统工厂还有大量“聋哑设备”在运行。“对于这些存量的老旧设备，如果不能接入到数据通讯的主干道上来，它就没法发挥价值。所以，必须想办法解决这些设备的联网问题，把它们变成感知设备。”

其中，一种直接的办法，是对设备加设传感器、PLC、通讯接口，把没有数据采集和传输能力对设备，变成互联互通的设备；而对于连接口都没有的设备，另一种间接的办法是通过摄像头+OCR 的方式，采集仪表盘的数据。“比如真空炉，我们要对它的温度进行监控，就可以在仪表盘前面加一个摄像头，让它读取上面的数据，然后通过光学自动识别技术把图片的数值转化成数据。”冒飞飞举例。

而除了对存量设备进行改造，新进增量设备的数据标准、接口标准也要纳入到统一规划中来。也就是说，所有新设备的入场，都必须符合统一的数据标准和通讯协议。但是，在这个过程中可能还会遇到另一个问题——设备有感知能力，数据也可以获取，但是设备商不允许使用者获取或者获取的费用特别大。

“这时候，需要制造企业联合更多的生态合作伙伴，用规模和体量去打动设备原厂，包括从采购的初期，就把设备数据提取和接口的问题放在谈判过程中着重讨论。尤其是对于一些关键设备，一般资产价格特别昂贵，不会轻易替换，在采购时更要把这些问题纳入进来考虑清楚。”冒飞飞强调，“但总的来说，传统制造企业的设备改造和升级，主要还是要看投资回报，也就是看这个改造值不值当，投入产出比合不合适。”

AIoT 落地不仅仅是技术问题

不过，话说回来，一切能用钱和技术解决的问题都不叫问题。

在冒飞飞看来，AIoT 的理念已经超越了技术与技术的融合，最终事实上是技术和场景的融合。“无论是工业自动化、AIoT 还是制造业数字化，其实归根结底，我们讲的是一种面向未来的思维方式。在这个过程中，我们遇到最大的挑战并不来自于技术，而是来自企业文化、组织架构以及人才培养方面的挑战。”

举例来说，一个工厂即便配备了最先进的智能化设备，数据从采集到分析的生命周期链路也非常完整，但是，缺少了关键决策者在最后一步做出及时的反馈动作，那 AIoT 的闭环也无法形成。比如，数据分析结果显示某个设备需要在某个时间段内进行保养维修，但是维修人员却对此熟视无睹，管理者也没有下达对应指令，那么这个数据分析动作就是无效动作。最终，所有的设备和软硬件技术都会束之高阁、成为摆设。

要解决这个问题有两个关键点——一是提高员工意识，二是提升员工数字化能力。而冒飞飞认为，对于企业来说，可以从三个方面着手：

第一，管理层对于变革本身要有足够的决心，并且要对应地制定自上而下的战略方针；

第二，应该由业务部门主导推动数字化转型，他们来自工厂一线，能够更快抓住技术与场景结合的机会点；

第三，需要与人力资源部门协同起来，对外招聘更合适的人才，同时，在内部通过培训、考核等方式提升全员的数字化能力。

据冒飞飞介绍，在施耐德电气，每一次变革背后都对员工对能力提升有具体并且硬性的要求。比如，对于智能化设备，会制定面向蓝领工人的 AI 技术能力发展计划，鼓励员工学会与 AI 算法模型“共生”，更好地与智能机器进行协作，起码要做到会操作、会读、会修；而针对白领员工，就会对 AI 模型算法的训练能力，能不能识别更多 AI 应用场景有要求。

除此之外，施耐德电气还会通过举办一年一度的数字化竞赛、筹办数字化相关的俱乐部（比如 AI 俱乐部、IoT 俱乐部、BI 俱乐部），通过持续影响每一个员工，最终实现文化改造和人才培养的目的。

“总之，数字化这件事不是靠一两个人就能完成的，我们现在要做的是让每位员工都成为数字化公民，从数字化意识到数字化能力全面提升，然后逐渐建立从数字化公民到数字化专家，甚至是 Top 级别的数字化科学家的人才梯队。”冒飞飞表示。

可见，这是支持施耐德电气百年来持续创新，以及未来实现 AI 工业应用规模化的原动力，同时，也是支持未来每一个企业加速变革和发展的驱动力。