智能制造时代自动化教育走向何方?

cechina
佚名
此文写了很久,总是困惑于是否过于尖锐的问题--毕竟自己的认知是有局限的,希望引发讨论,而非抱怨,即或有偏执也是希望出于公心,也希望读者多的指教。 一、自动化的焦虑 此文背景,是5月初在兰州参加自动化...

此文写了很久,总是困惑于是否过于尖锐的问题--毕竟自己的认知是有局限的,希望引发讨论,而非抱怨,即或有偏执也是希望出于公心,也希望读者多的指教。

一、自动化的焦虑

此文背景,是5月初在兰州参加自动化专业类教指委会议,包括同期举办的全国自动化院系主任联席会议上,学界对于智能制造时代的自动化教育展开了热烈的讨论,工程技术专业的人总是保持着坦诚直面问题的态度是一贯的作风,这里聚焦点在于“人工智能与自动化的融合问题”,即在新的时代教育如何与时俱进的发展,以适应产业需求与国家战略的匹配—可以看出大家存在着一些焦虑的成分,可以概括为几点:

(1).自动化专业的吸引力在下降吗?

(2).人工智能如何与自动化相融合来解决智能制造的问题?

虽然这是一个学界的会议,看上去大家有些焦虑:),但是,其实对于产业同样如此也存在着一定的焦虑,产业当然关注的焦点是如何寻找增长点,传统的市场已经处于饱和状态,而如何通过“数字转型”带来新的业务增长,今天的智能制造已经被“互联网+”“人工智能”、“云计算”等来自IT的理念渲染的热火朝天,但是,如何把握这个数字化潮流,是每个自动化行业人必须思考的问题,困惑在某种程度存在着必然。

第一个问题是显然的,大学采用通识教育,因此,以大类招生,而在大三才选择专业,那么自动化专业面临学生越来越少选择的困境,而同样,由于自动化专业毕业的学生往往都不会去制造业(机械、系统、自动化企业本身),因为“利益驱动灵魂”—那里赚钱多啊!就像有一次参加SCOM(供应链管理)会议上一位猎头谈到的,阿里巴巴你问薪水多少—人家会告诉你,薪水只是你的零花钱啊!你不用关心这个。

对于产业的焦虑在于人才的流失,目前大学毕业的学生都流向了ATM等所代表的移动互联、IT企业,包括金融产业,能来到制造业的已经比较少了,人才招聘遇到了难题,在制造业盈利能力欠缺的情况下,缺乏对学生的吸引力。

第二个问题在于提升吸引力,而竞争的是“计算机”类专业,这里牵扯到非常多的科研资源倾向问题,国家将“人工智能”看到如此之重的位置,以至于连高中都开始进行AI的教育,而这个似乎又被划分到了“计算机工程与科学”领域,而非自动化,这意味着专业的边缘化和未来在资金、项目上的劣势,会造成恶性循环。当人才流向了IT与人工智能等领域后,也使得自动化产业的升级遇到了困难,因为缺乏相关的人才,使得仅停留于概念阶段而无法落地。

IT与传统产业不同,在最初IT产业发展的时候,缺乏足够的支撑,因此,IT是在纯市场化的环境下运作起来的,而计算机相关专业也得益于IT技术的快速成长,更好的融合了产业,因此,相较而言,计算机相关专业与IT的融合就非常紧密,而且,从实践的角度而言,IT主要提供了编程条件—一台笔记本即可,而自动化则需要装置,并且需要现场的复杂环境支撑,对于稳定与可靠的要求使得自动化产品生命周期往往较长,而且,现场复杂的环境使得产业缺乏吸引力,在创新性方面相对吸引力就不能与IT相比。

二、焦虑与质疑并不产生价值吗?

其实就像会议之前几天非常热闹的北京大学林校长所遇到的危机一样,读错字了并非关键,而更多的批评来自于他那句“焦虑与质疑并不创造价值……”。

焦虑才会产生变革的动力,才会让人们去面对问题寻找解决之道,对于学界如此,产业界同样如此,因为IT与OT的融合过程中,传统的OT相对还是开放度会低,其实,IT想进入OT同样遇到问题:

(1).IT的迭代在OT上不能发生

很多IT人想进入制造业,他们的思维有时候会比较惯性:“如果这个精度达不到,那么我是否可以先接近,然后再慢慢迭代到目标精度”-但是,客户是不允许你提供的系统这样来迭代的,你只有达到0.1mm的精度,才能和他们展开合作,而不是先达到0.3,然后慢慢达到0.1mm,这里牵扯到巨大的测试成本的,因此,这种迭代不像手机的HMI上的操作体验,仅软件层面的优化,不产生物理的材料成本。

(2).IT不会有非常强的实时性、稳定性要求

IT其实在某种意义上也把制造业的问题想简单了,单说IT想访问数据这件事情就变得极其困难,各种现场总线、各种约束条件,因此,IT可以干非实时、非人身安全、非紧急的任务,但对于复杂的控制场景而言,IT仍然不要轻易涉足,因为自动化人干这个数十年也是有道理的。

其实在人工智能与自动化融合这个过程,我们必须清楚的认知自己的优势:

(1).自动化的优势在于行业知识

无论是流程工业、大型水电工程、电网、制药、食品饮料等工业而言,自动化一直在过去数十年兢兢业业的在实现高品质的产品质量控制、高速切削加工、渗碳工艺以及流程优化等,包括MPC模型预测控制、APC-高级过程控制,这些本身已经属于智能的范畴。

这些行业的Know-How是累积了数十年的,而且问题的提出在于收益更大,凡是具有大的收益的控制任务、人工智能任务显然最早来自于工业领域,而过去之所以没有采用人工智能等,只是因为IT所提供的计算能力、存储、网络能力没有达到,而今天,IT为我们提供了这些条件,我们借助于此发挥而已。

(2).自动化与人工智能在制造业为场景

目前计算机相关专业的人工智能主要聚焦在语音、视觉,而其应用场景往往是消费类的,这些与工业领域对于人工智能的需求是不同的,约束条件更多,因此,计算机专业的人工智能专家并不擅长于解决制造业的问题,而自动化专业的人却擅长,因此,这并不矛盾。

(3).痛苦的何止于自动化?

而事实上是,我与非自动化专业如计算机、机械专业的老师交流的结果,他们同样焦虑,因为IT相关专业想进入制造业也同样找不到合适的场景,他们也很痛苦,因为他们只能教学生解决一些APP的开发或者图书管理系统、交通信号灯系统的开发,对于智能制造的场景他们也无能为力,机械专业也焦虑,因为他们与产业实际结合也出现了问题。

(4).何止需要自动化与计算机

其实,还有一个很重要的问题,这是一个必须大家相互学习合作的时代,自动化与计算机专业都不能很好的融合解决问题,因为,人工智能其实是一个对“数学”要求非常高的专业,因此,数学的分析方法与模型也同样要深刻的融入到这个场景里。

(5).创新驱动才能拉动教育

产业总是觉得教育有问题,不能培养合适的人才,但是,产业自身也是有一定的责任,中国的制造业本身缺乏创新,在很多产业都是“抄袭”—这也使得基于原理性的正向设计与研发并不真正的存在,企业因此也普遍不重视工程师的工作,也不能对“知识”给予足够的重视,自身的盈利能力也普遍较弱,无法提供足够的科研资金以及优渥的待遇,这不仅是教育的问题,也是需求的问题,产业缺乏自主创新,就对大学没有那么明确的横向拉动。

三、自动化专业该如何发展?

自去年开始,新工科就变得流行起来,包括复旦共识、天大行动,为整个工科教育提出了纲领性的指导,这个看上去不错,面向制造业2025培养人才,新兴专业、复合交叉的学科培养、结合产业优势培养实用人才、创新型技术人才。

图1-新工科之复旦共识

图1所示为复旦共识之总结,实际上,可以相信这个也是对目前存在的问题以及寻找解决问题的指导性纲领,对于问题认知也不能说不深刻,此共识应该是凝聚了数十年教育问题以及方向的把握。

天大行动的总结

天大行动则提出了几个关键“问题”:

(1).问国际、建标准:建立合理的教学质量、方法、认证标准,CDIO、华盛顿协议等也被引入并推广。

(2).问需求、建专业:紧密结合产业实际,目前的确开展了“机器人”、“人工智能”、“物联网”等专业。

(3).问技术、改内容:目前学校的内容已经与实际产业脱节,必须修改教材内容以满足与前沿接轨,另一个方面就是要加强思维性培养,而不能仅限于技术本身。

(4).问志趣、变方法:现在的学生不像以前,他们更具有个性,没有兴趣的驱动,就会放弃学习,如果没有吸引力的教学方法和对未来显着的驱动,那么无法吸引学生投入其中。

(5).问资源、创条件:这一点不是很明了,暂不表述。

(6).问学校、推改革:改革首先要明确问题,需求,才能有的放矢,改革需要魄力,需要大的设计。

图2-新工科之天大行动

看上去挺不错,该如何执行,就怕出现定量考核—KPI已经不是一个好的方法,必须结合产业实际,我们研究产业的变化才能更有效的了解教育的发展,因为,教育服务于产业,并与产业形成良性互动,互相促进,才是最佳的状态。

四、智能制造对教育的需求背景

自2014年德国提出工业4.0,中国政府提出“制造业2025”,这过去的几年里,概念风起云涌,思潮也是变幻多端,然而,究其本源,智能制造仍然是要回到其服务于客户需求,提供更为成本效率的生产与制造过程,而不是为了“工业互联网”而去工业互联网,为了智能制造而智能制造,而很多学校积极迎合市场发展,推动智能制造专业的建设,但是,如果不从制造业现场来,你就无法了解制造业。

很多已经讨论的概念也不去讨论了,只从数字制造的整体来看自动化、智能化等应用场景如何,这样才能分辨出自动化、智能化需要进一步发展的技术,以及要解决的问题。

3.1制造场景分析

图3-Mckinsey数字化工厂

图3是麦肯锡关于数字工厂的描述,包括了连接、优化、传输、预防性、敏捷等多个方面,可以看到,先基础的连接包括物理设备、通信、软件的连接,进而通过数据采集、汇总、回归、分析实现优化,并能够达到预防/预测的能力,并对工厂进行指导,实现敏捷制造,而这里牵扯到了自动化控制、统计学习、机器学习、人工智能、精益运营等综合性问题。

AI与ML的应用场景主要在于优化方面,下图则反应了在各个领域里AI的应用优先级与潜力大小。

图4-机器学习过程

机器学习其实在原有的工业场景已经有很多应用,只是今天又被计算机专业拿来讲—因为外部条件更为成熟。其实在现有的自动化系统所提供的能力就可以实现本地的机器学习(作为AI的一个分支),也可以通过延展到Edge Computing平台来进行学习,解决规划、优化、策略问题。

3.2pWC关于数字工厂的全景

图5-pWC数字化制造的应用场景需求

pWC的这个全景的图片描述有助于我们理解在整个数字化工厂里的智能分级,其实,采用的技术自然是多有不同的,但是,这张图比较完整的呈现了数字化制造的全景。

1.Digital Twin:在这个场景里,数字孪生包括了针对工厂本身的、生产设备与设施的、产品本身的数字孪生,而这个就包括了目前数字孪生的几个方面(图中1/2/3)

2.连接的工厂(Connected Factory),在pWC的图中,其实指用于连接工厂单元之间的AGV、物流、机器人,用于将生产变为“连续型”集成的辅助设备。

3.模块化的生产单元:这些即是装备的设计与制造,例如啤酒饮料工厂的独立设备,可以根据生产的变化进行重组,而这里又牵扯到数字孪生里的生产设备本身的建模仿真。

4.柔性制造方法:

5.过程可视化/自动化:SCADA角色被重新定义,基于新的IT技术来实现可视化监测已经变得非常容易,基于Mobile技术即可实现这些。

6.集成规划:基于MES/ERP的技术,实现整个工厂的架构。

7.数据应用的分析:

a.预测性维护

b.数据驱动的过程/质量优化

c.数据使能的资源优化

d.生产参数的传输

e.质量追溯与跟踪

我们可以看到,无论Mckinsey和pWC均是来自于对产业大量企业的研究,并对数字制造进行了目标与方向的总结,但是,融合是必然的,自动化、计算机、数学、精益管理都需要共同合作来实现目标。

五、观察:智能制造与传统相比异同在哪里?

1.回到第一性原理-制造的本质

无论是自动化专业还是自动化产业,都无需焦虑,保持冷静,回到本源,其实,生产制造的本质一定是服务于产品的成本效率,最大的区别在于连接、数字化、智能,但是,传统自动化本身所积累的行业应用、软件并不会因为智能制造而就失去价值,相反,自动化要更为加强这方面的积累,才能更具价值。

2.有哪些改变?

我们可以发现智能制造的应用场景具有其显着的特点,这些是教育培训需要考虑的:

2.1集成与连接技术变得更为关键

2.1.1硬的连接问题:传统上,离散制造都是“离散的”—就是工厂各个单元设备间就是物理分散的,而今天,通过连接技术,包括机器人、AGV、输送系统(包括最新的输送系统如SuperTrak、ACOPOStrak、iTrak等)将生产变为一个连续的过程。

2.1.2软件的连接问题:连接技术的另一个方面是软件的连接,指数据的连接问题,这包括了通信的互联(物理接口与标准)、互通(数据对象定义)、语义互操作三个层面,传统的现场总线到实时以太网,再到未来发展到TSN解决底层协议标准,而OPC UA /DDS等解决语义层面的数据连接。

图6-总线技术的发展

2.1.3系统的连接

系统的连接则是包括了功能性、全局的集成问题,将机器-机器、机器到产线、到管理系统、到分析与智能系统的集成。

因此,教育的问题在于解决连接的框架,连接的方法问题,全局的给予理解。一种是需要增加对全局集成的认知与关联关系的介绍。

2.2软件/数字仿真

连接的设备就会出现逻辑顺序、时间节拍的协同、定位与速度的匹配问题,因此,DigitalTwin针对生产的过程就是对其进行建模仿真,然后,在需要变化的时候解决其协同问题。

Digital Twin通常涵盖整个生命周期,当然,在不同的阶段如产品设计阶段、制造阶段、售后服务—系统的服务方面,Digital Twin包括了从虚拟到现实的一些对应关系,包括一些新的工具与方法如FMU/FMI的学习。

图7-德勤数字孪生的构建

Digital Twin本身也是一个连接与集成的问题,从应用角度而言,主要在集成,而不在开发。自动化类专业并不会去开发类似于MATLAB/Simulink这样的软件,而是把这个软件学习用于解决实际的问题,自动化是一个解决问题的专业,因此,必须认识到问题,才能解决。

图8-自动化与数字孪生的融合

2.3人工智能/机器学习的介入

其实,就自动化本身的控制机理模型优化而言,这个已经是非常的完善,在流程工业,各种控制模型已经应用于控制的各个领域,在离散领域,运动控制、机器人也是非常成熟的,智能制造所引入的机器学习很多本身就是属于原有的问题的新解决方案。

而模块化的机器设计本身牵扯到建模仿真,这是与创新有关,基于这些方法则可以进行优化,包括机器学习的算法在控制系统参数优化方面进行的工作。

下图则反应了未来各项技术应用的成长性,在预测性维护、数据驱动的质量与过程优化方面潜力最大,这些其实,自动化仍然是有优势的。

图9-大数据应用场景(统计学习与机器学习)

六、创新才能赢得未来

回到问题的本源来看待自动化在人工智能时代的竞争,我们要回到本源问题,即,什么才是关键问题,根本性问题,如果不思考根本性问题,那么教育就没有出路。

1.并非谁占主导,而是谁解决问题?

其实,我们讨论谁占主导,但是,客户却要问的问题是谁能解决问题?

如果不能很好的解决问题,那么—你占据着这个地方也总归会被取代的,边缘化即是如此。

从这点上来说,产业就不会有学界那么焦虑,因为,产业本身就是问题导向、方案导向的,因此,都是解决客户实际问题的,而且,在很多时候,IT所谓的解决问题也并非像他们所描述的那样,其实很多问题,自动化的方案已经解决的很好了。

2.做好自己的事情

自动化与人工智能必然是融合的工作,各自发挥自身的优势,并通过规范标准的接口进行融合,而且,自动化在发展智能化方面有其自身的优势—当然了,从产业的角度而言,这很容易理解

其实,自动化专业一直很困惑,就是因为这个专业也像理论研究一样的方式考核,而大学也没有与产业实际应用紧密结合,为产业解决实际问题,培养能够解决问题的人才,这是产业觉得大学培养的人才难以快速应用的原因。

没有把自己的教育做好,而是看着人工智能课题多、项目多,这样的出发点首先就是偏离了其工作的本心,很容易走偏,似乎迫不得已,但,实际却因为这种所谓的“迫不得已”,又让自己不断的下降,走向恶性循环。

3.跨界学习

自动化专业本身不是一个理论专业,它就是一个应用学科,实践性在这个专业里扮演非常重要的角色,而且,自动化技术本身是跨界技术基础上发展起来的,它的优势在于“融合”,因此,自动化专业的教学培训不同于其它专业,就是一个“混合”、“交叉”的教育,这个专业不能按照垂直方向去发展,而应该横向去发展。

在这个思想上,自动化应该是一个“接口”学科,其竞争力是在于采用综合的方法解决实际的问题,包括对最新的软件工具、芯片技术等的学习,而解决的问题则围绕制造过程中的优化(质量、成本与效率问题)。

NNMI主要研究方向是如何通过制造创新来解决在新材料的制造工艺方面,包括碳纤维复合材料、柔性混合电子、增材制造、宽带隙功率电子等领域,这些跨界的融合使得传统行业焕发新的生命,也使得新兴产业带来革命性提升,都是自动化专业未来可以关注的。

图10-解决制造过程实际问题同样属于创新的范畴

对于不同的大学,其可以结合其实际聚焦自动化在相关领域的应用—这本身是一些学校已经做的比较好的。

4.实用性与创新性

人才实用,能解决具体问题,与创新一点不矛盾,现在大学里拿着各家的手册做教材这个事情很普遍,也有很多人对此提出异议,不过,有些学校老师似乎也头头是道“这个容易就业”—是啊!其实,我真想说这是在毁了这些孩子,因为,他们只是学会了“术”而没有学会“道”,设计思想与方法,这在未来将会严重制约他们的发展,而那些做的好的学校则不会如此局限。

创新则是另一个企业最为关注的话题,创新其实需要扎实的基本原理性的理解、批判性思维、动手能力相配合,这个话题就不多说了,因为,创新并非是件容易的事情,但是,掌握扎实的基础是创新的前提。

创新,不仅是产业也包括教育,不仅是技术,也包括思想、方法与工具。

七、行动-产学融合跨界学习

自动化的教育一定是必须与产业实际结合的,否则,肯定是没有前途的,这已然共识,必须解决几个问题:

1.产业结合-聚焦应用

既然是应用学科,那肯定是每天用的人水平比较高,但是,自动化产品的研发、基础软件架构这些都是欧美、日本企业的天下,这个现实也需要我们去打破,自动化专业要么可以干这个事情,要么就是干可以为学生打下坚实的基础,企业需要这样的人才。

新工科的确提出结合产业、区域经济来发展专业,每个学校都可以结合当地产业发展,聚焦相关应用,自动化专业过去发展不好,主要是因为与产业脱节,而之所以与产业脱节,由于产业脱节而无法带来在实际问题的解决方面的能力培养,使得形成恶性循环,变成了大学里闭门造车,研究各种高大上的理论。

产业优势:

●大量的应用场景和亟待解决的问题;

●产品与系统开发并非仅在技术,还包括更为全面的能力需求;

●有成果验证,推进理论前进;

●可以教学中更为生动的实际案例有助于学生的理解;

●对于驱动学生兴趣和职业发展有引导作用;

●更为前沿的技术。

其实,产业的培训也同样需要大学的理论基础,很多人在读书的时候并未能理解很多基础理论,而工作往往又是跨界,例如开发机器,需要软件工程思想,而机械专业又需要电气理论,大学的基础理论就可以在这里为产业提供补充性教学。

大学和产业必须紧密融合,发挥各自所长,一个长于实践,一个长于理论,那么合作就会产生“知行合一”的效果,理论指导实践,实践反馈优化理论,进入正向循环。

2.师资力量需要升级

大学的教师很多是缺乏产业实践历练的,有一些有条件的学校往往会有机会参与众多的项目,有一些自身看重实践惠去通过承接项目、创办公司来加强产学融合,而大部分老师,也没有这样的条件,因此,往往缺乏实践使得其无法与产业结合的角度来授课,教学。而大学又类似于一个封闭的体制,无法从产业吸引人才进入教学领域,这使得师资的名头都很大,却缺乏产业实际的工作经验,而缺乏经验的师资很多根本无法介绍清楚这些教材的内容与学生未来的工作之间有什么关系?

为什么大学与产业不能互动呢?大学的人到企业,可以通过多种灵活的方式互相展开交流培训,都是好的方法。跨界教学是最好的方法,OT领域的企业如制造业、自动化产业应该引入软件工程专业、机械专业来进行基础理论教学,以增强工程师的综合能力。

3.改变考核

你若问大学何以今天的局面,大部分在大学的教授们都非常清楚的告诉你“都是考核指标造成的”,我最惊讶的事情正在于此,似乎每个人都很清楚症结之所在,然而,也最难以改变的就在这里。

战略管理最讲求执行,而战略执行的设计第一要务的确在于考核,利益驱动灵魂,的确如此,只有利益才能让人改变。

设定一些定量的考核,例如看发表论文数和引用,会造成几个不良后果,为了完成任务而工作,数据看上去达标了,而不在乎教育本该怎样进行,甚至有些投机主义者就会钻营其中,上有其好,下有其效,大约制定这些考核指标的人受到了科学思想的影响吧!觉得定量才能显示出“能观能控”性吧?

另一个问题就在于约束了发挥,其实,很多大学的考核还挺严格、全面,各项都有指标,却使得老师们疲于应付,无心教学。KPI这样的考核本身特别适合于在工厂计件工资,标准化作业下的工作而设计,却被应用于大学这种依赖于“思考”“创新”的领域,的确是会造成不良后果,只是不知道考核的设计者们究竟把老师们当做“机器”呢?还是当做“灵魂的工程师”呢?

改变肯定是艰难的,甚至是痛苦的,然而,不改变—却仍然是如此继续痛苦,焦虑,十年如一日的抱怨,却于事无补,脱节越来越严重。

自动化教育,必然走向融合发挥自己的优势,而跨界、产学融合是未来必然走向。

THEEND

最新评论(评论仅代表用户观点)

更多
暂无评论