四. 工业人工智能技术的崛起

工业人工智能技术的发展已经至少有40年的历史，人类实践了海量的方式、方法，积累了丰富的经验、教训。

AlphaGO的横空出世，毫无疑问，促进了人工智能AI的高速发展，极大促进了工业生产的技术革命。SOP方式向AIOP方式转移，这已经成为不可阻挡的趋势。

五. 几种智能化技术应用的缺陷分析

目前流程型生产企业的智能化控制系统的构建技术思路，可谓五花八门，八仙过海，各显其能。成功的寥寥无几，失败的层峦叠嶂，更有投入巨资还在继续坚守，不畏艰险继续探索的。

方向走错了，即使奔跑都没有用。这句话用在工业人工智能领域非常贴切。近十年，很多企业也投入巨资，寻找合作伙伴，试图解决流程型生产产线的智能化控制问题，大多数基本以不太理想或者失败告终，成功者寥寥无几。

流程型生产产线的智能化控制系统是一个看起来很容易，做起来却像是个“哥德巴赫猜想”式的技术命题。很多专业做DCS系统的厂家，也一直窥视着这块想吃但又吃不下的蛋糕。仅仅中国市场，年市场潜力就超过千亿。市场魅力驱动了技术发展，蓝图有多迷人，就可想而知了。 下面，就市场上所知的几种技术路线做一下缺陷分析。

1.      机器学习

这是几乎所有技术路线都采用的技术控制方式，通过机器学习、机器积累、历史循迹、历史寻优技术手段，依据模糊控制理论，以及神经网络算法，试图找到值与值之间的逻辑对应关系、对应规则，形成可以面向所有产线状态的操控指令集，从而达到建立系统控制模型的目的。

这个思路，从理论上看，貌似是可行的，但实际情况却是一条不归路。若解决了产线的智能化控制，不是碰巧了，就是暂时的，注定不能长久的解决问题。

首先，基于窑炉热工、高温、高压等领域，设备的特性是变化的。产线停产后，再复产，即使没有大修，设备特性都会发生变化。若经过大修，产线设备特性肯定发生了巨大的变化。另外，产线即使没有停产，长时间不间断的运行，设备特性也会发生偏移。由于这些设备特性发生了变化，生产环境就发生了不同程度的便宜，那么导致了基于机器学习、机器积累、历史循迹、历史寻优的模糊算法就得重新开始，否则积累下来的操控指令集合就不能适应产线的控制需求，也就达不到能适应产线长久的智能化控制要求。

比如，一个水泥熟料烧成产线，年生产周期8个月。机器学习可能需要6个月时间。那么本年度智能化系统只能使用2个月。水泥熟料烧成产线停窑后，进行大修。第二年再度复产，设备特性发生变化，智能化系统再度开始学习，可能还得需要6个月时间。这样就形成了一个周而复始的长时间学习、短时间应用的尴尬局面。 所以，只要智能化系统构建的思路，是基于机器学习、机器积累、历史循迹、历史寻优策略的模糊控制算法，从根源上就是一条坎坷之路、永远看不到未来的思路。无论采取的数据样本有多大，大数据算法、神经网络算法多么优秀，都找不到更好的结果。