智能制造的计算模型

通过最大程度地提高人工检查，移动和处理的灵活性，Nanotronics研发部门利用AI进行了最佳集成。

由于人为的限制和盲点，以及静态的过程控制，制造错误经常不被发现或报告，并得以传播。为了提高工厂的效率，弹性和安全性，我们需要首先重新考虑如何通过使用更动态的方法在装配线中检测和纠正错误。人工智能过程控制（AIPC）在制造过程中几乎实时地找到缺陷的解决方案。

在常规装配工作流程中，我们依靠人工操作员来检测制造错误并确定如何纠正它们。即使是训练有素的和经验丰富的操作员，也常常缺乏足够快的时间和响应速度来进行正确的，通常是微妙的更改，从而对系统产生预期的效果。

操作员还可能在制造周期的早期错过零件的缺陷，并照常继续进行下游加工。如果直到最后检查仍未解决缺陷，则意味着成品损坏，浪费了生产材料，时间和人工，潜在的产量损失达数百万美元。

尽管逐节点进行过程监控并遵守统计过程控制（SPC）协议（例如6 Sigma），但制造商仍然依靠最终产品的人工检查来检测和评估零件缺陷以及后续零件的节点校正。

工艺浪费不仅是在组装故障零件的时间和材料上，而且还缺乏针对单个缺陷的原因和可能的解决方案的全系统反馈。许多错误不是一次随机发生的结果，而是源于在低频下发生的无法识别的固有动作，例如人类疲劳或环境变化。

用绩效较高的员工替换容易出错，绩效低下的人工操作员的典型方法是不可持续的，并且无法解决更复杂，无法识别的问题。对于由非典型环境条件引起的环境变化，例如由气候变化引起的环境变化，可以说是相同的，这些变化超出了控制规范，但开始变得更加频繁。在缺少一个缺陷的解决方案时，我们可能会缺少模式的解决方案。

为了解决这些限制并说明突出的原理和问题，我和我的团队开发了一种系统和深度学习模型，用于检测过程内在的错误以及为纠正错误而采取的反馈措施。两者合计，我们将此方法称为人工智能过程控制（AIPC）。

我们在AIPC上的第一个应用程序-折叠纸飞机-在描述上可能看起来很简单。然而，我们发现折叠纸飞机的任务与由更多节点组成的复杂手动装配线直接平行。

AIPC是一种动态的过程控制干预方法，其中，导致检测到错误的节点之后的每个节点都被编织到一个优化问题（错误恢复问题）中，并受到主动控制以实例化解决方案。使用飞机折叠模型，我们在流程的早期就插入了各种错误，并提供了一个计算模型，该模型使用目标门控循环单元（GRU）学习任务，以在组装过程的其余步骤中有效地搜索可能的恢复路径的广阔空间并找到最佳的。

我们选择使用GRU模型而不是“深度强化学习”模型，因为它对结构恢复和性能具有明显的预测能力，并且训练时间相对较短。通过在简化的任务上开发和测试GRU模型，我们利用针对该问题开发的模拟（不一定适用于更复杂的问题），但是该模型可以通过转移学习应用于学习较浅的曲线的复杂系统比本地开发的要多。

我们的结果表明，经过训练的预测性GRU模型可以针对复杂制造对象的早期引入或检测出的各种错误提供有针对性的纠正响应。这些矫正响应明显优于通过直接从规范对象规范中应用错误后续参数值的合理矫正策略所给出的响应。

此外，从深度学习的角度来看，这些结果令人鼓舞，因为它们证明了GRU模型可以很好地解决以下问题：要生成的序列是从庞大的组合空间中选择的，而该序列是由于序列偶然的制造过程而没有分析的解。这强调了深度学习在制造业中的实际应用，并验证了AIPC方法，该方法可以在每个周期持续进行而不是在给定周期结束时以近乎实时的方式找到解决方案。

纳米电子公司（Nanotronics R＆amp; D）正在与多个工业合作伙伴合作，以在各种工厂规模和类型中部署AIPC原型解决方案。从我们的研发中涌现出来的AIPC的有前途的应用之一就是确保工业生产免受复杂的网络攻击，这是我们下一专栏的主题。

安德鲁·桑德斯特伦（Andrew Sundstrom）拥有康奈尔大学的计算机科学学士学位，并拥有纽约大学库仑数学科学研究所的计算机科学硕士学位和计算生物学博士学位。他曾是库兰特研究所（Courant Institute）的高级研究科学家，西奈山（Mount Sinai）伊坎医学院的博士后研究员，以及西奈山（Mount Sinai）遗传学和基因组科学助理教授。 Andrew于2018年加入Nanotronics，担任高级研发工程师，研究如何利用人工智能的机器学习和其他方法来使工厂和工业流程更智能，更具弹性，生产力和安全性。 Andrew拥有28年的专业经验，其中18位来自学术界以外的地方，他曾在IBM T.J. Nortel Networks的Prime Factors担任软件工程师和研究员。沃森研究中心和摩根士丹利。安德鲁拥有9篇经过同行评审的出版物（其中5篇为第一作者）和2项已发布的专利。他的完整简历可在aesundstrom.com上找到。

参考：Andrew Sundstrom等。 “用于制造中的决策和装配优化的计算模型”。美国控制会议2020年会议记录，美国科罗拉多州丹佛市（2020年7月31日）。 [doi：10.23919 / ACC45564.2020.9147715]

*由Walter A. Stewhard发明并由W. Edwards Deming开发的一种静态，非干预性的过程控制方法，只有在最后一个节点处理之后，才被动地观察到明确定义的统计属性在每个节点上通过或失败。是关于保留还是丢弃制成品的决定。