AI在制造业的应用中的应用，我们看到很多的机会，甚至很多场景已经非常成熟，比如：

• AI质量检测：利用人工智能的方式替代传统缺陷库的视觉质检方式
• AI行为识别：利用视频识别安全风险，识别生产动作（如阿里利用特定动作识别制造衣服的数量）等等
• AI调度：保留能源调度、物流调度、库存调度、生产调度等等
• AI产品创新：利用AI加速药品研发、利用AI写作文等
• 其他：AI客服、AI营销、RPA等通用场景的AI应用

以上这些场景原则上和工业都接触不深，因为这些业务往往不需要很强的工业Know-How即可理解，技术人员只是将AI的能力从更通用的ToC市场复用到ToB的市场而已。也可以说，这些AI的应用其实工业属性不强，同样门槛也不够高。备注：AI在设计端还有很多应用场景，也需要很强的Know-How。例如以下这个新闻：“过去仿真一次要10分钟，现在25秒就可以了。而在一个大飞机的整个设计过程中，大概需要千万次仿真，这千万次，从每次10分钟到25秒，大家可以想象这是多么大效率的提升。”

说到工业属性，我自己相对来说对设备+工业控制更熟悉一些。其中设备的PHM话题已经被探讨了很多次了，甚至在早些时候，工业互联网就被定义为设备与预测性维护。因为我自己也服务过宝钢的设备诊断云平台，在之前，我也发表过自己对PHM的一些粗浅看法，详情可以见：

也谈“预测性维护”与工业互联网
何俊，公众号：制造业服务化转型也谈“预测性维护”与工业互联网

总体来讲，当前我对AI应用到设备预测性维护持保守态度，我觉得不管从效果、成本还是可复用角度目前都还存在较大的挑战，需要不断的克服困难。

那么，今天我们来聊聊另外一个话题，工业控制。工业控制似乎都是自动化的事情，和AI隔得相对较远。不过如果你也这么认为，也许应该重新认识当前的工业控制技术了。

根据IFAC在2020年对工业技术影响力的调查结果发现，基于AI的控制在很多行业应用已经追赶、甚至超过了传统的控制方法，如下图中机器人、汽车和交通两大行业。这个数据和我们目前市场的认知也是耦合的。就以AGV为例，国内大部分研发AGV的公司都在用Google的开源自动化驾驶算法。

在所有控制技术中，基于AI的控制也能跻身进入前四，足以证明AI在工业控制中的潜力。当然，我们熟悉的PID控制还是稳稳地排名第一，当前还无法撼动。

据一些业内专家说，业界普遍看好基于AI的控制未来超越PID控制，成为应用最多的控制技术。我没有找到相关的报告，这里就不过多探讨排名的逻辑。

报告来源：Survey: Identify needs and opportunities to shape the control research impact on technology

我们今天来聊聊，排名第四的AI控制如何与排名第一的PID控制做结合。为什么PID需要与AI结合，结合之后的好处是什么？

如下图，这是一家日本公司开发的产品，我们可以从有限的文字和图形中看得出来，这家公司是利用AI能力，通过预测的方式，更快的让PID控制趋于平衡。这也是目前我看到基于AI控制的典型应用场景之一。

备注：无人机的飞行控制中也有同样的逻辑。

公司信息：https://aising.jp/

传统的PID控制大概是这样的

我们以烧开水为例，虽然我们可以通过一个温度传感器（sensors）去反馈信息给控制器&控制人员（operators），然后基于反馈的温度再进行火力大小的控制（Control action），但是由于整个系统具备惰性，我们总是不能让温度恒定在某一个确定的值。我再举个不一定很恰当的例子，例如我们开车，我们是不是原则上永远不能把车恒定在某一个速度呢？

假设我们在高速上开车，且不换挡的情况下，我们的一个“老司机”的速度曲线也许是这样的：曲线呈上下波动，但是整体波动具备一定的规律性，也就是说这个老司机开车还算平稳。

而我们一个“实习生”的曲线，可能是这样的：整体曲线呈现不规则的波动，通过加速度反馈到人体后就呈现很不舒服的感觉，部分情况下甚至会忽然往前倾。

我们都想要这个曲线越平滑越好，最好是直线，如果排除人的因素，我们希望做个自动化的，能够媲美老司机的自动化控制系统应该怎么办呢？那就要在原有的控制回路上，增加一些AI的能力（不仅仅基于反馈的实际物理量控制，还需要基于现状和历史做预测，就像是开车要做好预判一样）

以上就是AI+PID的基本逻辑，也就是把不平衡的系统，尽快地调整到平衡状态。当然，我认为AI可能还有一个作用，就是让本来就平衡的系统（如上图老司机的曲线），调整得更顺滑（振幅减小），但是这类应用我个人觉得目前在工业里面机会不多，这里暂不讨论。

这里说了半天废话，因为前面日本公司的图片已经把逻辑讲清楚了，只是为不了解PID逻辑朋友简单解释一下。同时因为我个人也不是控制专业背景的，这里也是我个人的简单理解，如有不恰当之处还需要各位专家多提点意见。

我们再来继续举一些例子看看，到底在哪些情况下需要AI+PID结合。

我们来思考一下，你还是一个新手，如果在高速公司路上开车，但是整个公路又宽又直，同时只有你一辆车。这时候，我们是不是更容易把车开得更好？更平稳？

我记得我才买车那段时间，从重庆开车到成都，期间直接让我一个高中同学（拿了驾照没有经常开车）在快速路上开了一段，他感觉很轻松。但是当我们要进入城里，车流量越来越大的时候，他就感觉很吃力了，就不敢再开了。当然，我们也觉得车越来越“顿挫了”。

这里之所以“顿挫”，就是因为外界条件在不断的变化，让人脑这个控制系统需要不断的调整控制参数去适应变化。

回到工业场景上来讲，就是外部变化对控制系统影响较大的场景，用AI+PID的方式就会比传统PID控制更好。举几个例子

下图描述的烟草加工过程中，对烟叶的加工过程中有需要对烟叶进行干燥处理，这里就有两种外部变量变化的场景

场景1：是从原材料角度，本来烟草的含水量就不一致，那么不同的原材料就需要不同的控制逻辑，而且含水量变化越大对系统的震荡就越大。

场景2：是假设烘干机外部温度是室温27℃，烘干机内部温度是150℃，那么当每次烘干完成后换下一批料的时候，烟草的温度会直接从150℃换成27℃。类似我们烧开水的时候，在100°的水中突然加了一碗常温的水，那么控制逻辑也需要变，系统面临再平衡。

场景3：就是工艺或产品变化，例如下图的烟叶烘干工艺。烟叶烘干需要在不同的时间段内使用不同的温度，才能使得烟草的质量得到保障。每次上升一个温度阶梯那么系统就会面临一个震荡。同理，如果是换了一种加工产品也是类似。这个就像做菜一样，火爆三脆和酸萝卜老鸭汤是需要不同的火候的。

场景4： 我们继续以烟草为例，看下图是一个典型的烟草热泵烘干设备。这个设备放置在室外，就像近期重庆的天气一样，早上起来冷飕飕的，中午温度又热得很。这样室外温度的变化必然也会引起系统的震荡。

场景5:最后，如果是不同的人对设备进行操作，如换班了，是不是也会有震荡呢？记得以前我去过一家专门做发泡包装产品的公司，面临的主要挑战就是工人已还班，产品良率就直线下降。

对了，大家可别忘了，机器可也不是100%听话的。

总结，总体来说，AI+PID控制在监测变量容易预测的情况下表现效果还是非常好的，如果是变量干扰太复杂，或者规律性不强，目前看起来还是挑战比较大。同时，目前的AI控制成本、模型响应时间等还有待继续加强。所以，当前还得找基础条件好、边界条件少，规律性强，控制时延要求低、价值相对高的场景做应用。未来也期待更强、更快、更轻、更便宜的方案，让AI真正飞入寻常百姓家。

AI与运动控制如何结合大家有什么想法吗？