活动+
 

以数据驱动的自发性CIM系统

元智大学工业工程系副教授锺云恭。

导入人工智能到CIM(Computer Integrated Manufacturing)系统内,以产生更高的经济价值,已严然成为趋势,但元智大学工业工程系副教授锺云恭指出,因为机器学习过程中,学习结果的可塑性(Plasticity)及稳定性(Stability)很难同时满足,而使智能制造「聪明反被聪明误」,但若智能制造中的机器学习方式,慎用递增式学习(Incremental Machine Learning)的特性,将会使智能制造永续学习成为可能。

此外,物件式资料仓储(Object-Oriented Data Warehousing)的使用在递增式的学习中格外重要,因为相对于物件资料的关联资料,其相依性比物件资料还高,在资料的传递过程中,较易产生误传。另又知识库(Knowledge Base)也不可少,因为在制程上的过去制造经验必须被储存,才能确实做到持久性的自发制造,此乃因制程上的情况是不可预期或随时可变的。而递增学习中的可塑性就是要用来对付制程可变性,一遇变化就重塑学习系统,但重塑可不能重新再学习已学过的东西(Things),否则就可能会使既有的学习结果失去稳定性,而造成制造过程的误判(不永续)。

锺云恭以机器老鼠跑迷宫为例指出,若用非递增式的学习方式,就须要至少完整地跑过一次,让机器老鼠可以从错误经验中学习,但递增学习则是边跑边学,只要答案正确,就给予奖励,就会愈学愈好,希望第一次边跑边学就能成功,不需要重新学习,如AlphaGo Zero就是递增学习的成功典范。

锺云恭指出,在自发性制造系统中,架设知识库系统的目的是:要使智能机器另外再能具有自行解释的能力,所以制程定义面的知识也就十分须要,因而若光有当今众所周知的单一(深度)学习机制自非最好,且也非愈深愈好,因为愈深的架构,有时候也会使记得愈多的记忆内容搞混!因此,建构一套具有递增学习机制的深度学习算法,将会使机器的在线实时(On-line Real Time)学习能力,产生无限可能。

此外,一套好的学习系统又并非只有深度的单一因素考虑,它还有高度、宽度、记住度、学习度、结构度、资料维度与其它多种学习参数的因素。深度学习与浅层学习相对,两者都并非全新的学习架构与方法,早在1975年,就已被提出研究。

事实上早有研究指出,只要资料维度不高且训练有素的机器,亦即:学习对象的特征其质量要有够必要(具有代表意义),训练的样本数也很充份(具有统计意义),那只有两层的隐藏神经元(多少要控制好),即足以有很高的辨识率,象是手写邮递区号的辨识,甚至制程上在制品(WIP)的正体印刷字,其辨识率更高,而此两例在当今云层(Cloud)计算中,又被分配(Distributed)到云雾(Fog)层内。此暗示:难到到处都要用深度学习吗?

锺云恭指出,工厂的资料是否真正复杂到需要一套深度学习系统,是业者必须要考量的重点,但能使机器去自发学习制程状况的递增式学习,却是基本需求;而且光是单机能做到递增学习还不够,因为整个工厂内机具、设备、物料在制造过程中,彼此间的资料传递会互相影响著产品生产的时间排程、空间运送、质量高低等等,故以资料趋动的自发性制造必须考虑整厂布局(Deployment)的方式,象是设备OEE维护计算,若机器各自只被各自的加工资料趋动来运算,那是否只能顾及单一设备的状况,而仍无法自发性管控生产进程与瓶颈降低呢?

锺云恭以特斯拉电动车生产为例,它的Model3无法顺利交货,产生资金周转不灵,就因未顾及整厂生产在线,上下游制造之间互相的影响情况,产生制造瓶颈,而使WIP堆积所致。故分配式的自发性机器学习系统在整厂内必须布局好,且上下游之间的资料传递能透明化,以达到各设备与物料之间的自发性协同操作(Autonomously Collaborative Operations)不间断,也才能好好让在各设备上的递增学习无误地在线实时进行,如此方能依照生产条件的改变,使整厂具调适自发特性(Adaptive Autonomy),而可自行规划出一套合适的生产流程,进而使工业4.0中的智能制造成为可能。