前言：2017年9月4日，法兰克福。——在迷恋与轻微的不安之间——这大概是一种潜意识的反应。当涉及到“人工智能”的问题时，即使是专家们偶尔也会有这种感觉。自主机器人、自动驾驶汽车或认知系统，仿佛人类大脑的功能，甚至能与象棋大师对弈，这些或许会引发人们对人类控制丧失的担忧。

【悉恩悉机床网】不断增长的海量数据使机器学习的路径更加顺利，以便用于生产操作。作为工业4.0的关键技术，自主学习系统有望进入工厂，特别是当它们逐渐被引入，慢慢消化，并且证明可以赚钱的时候。

　　作为人工智能（AI）领域的一个子类别，机器学习（ML）主要是与工业制造业务相关的。 ML使系统能够感知周围环境、规划行动、应对障碍并与人交流。机器使用生产数据和智能算法自主学习并识别反复出现的图案和物体。然后，将所学知识应用于未知和未分类的数据。这使得错误的来源被识别，过程被计划并优化，预测也被拟定。

　　机器学习需要大数据

　　目前与机器学习相关的炒作虽然实际概念可追溯到20世纪80年代，但还是缘于对当前数据处理的选择。只有大数据应用程序、高性能计算机和庞大的云存储的出现才能形成适当的基础设施，首先由互联网巨头使用。但工业部门也在效仿。 “从机器人学的角度来看，我们非常关注诸如Google和亚马逊这样全球市场的玩家们的IT能力、基础设施建设以及对生产技术的开发和研究。”弗劳恩霍夫生产系统与设计技术研究所（IPK）自动化技术部（柏林）的负责人Jorg Kruger教授强调。但IT企业集团的例子不能像对工业应用那样采用。

　　目前的事实是，许多公司尤其是来自自动化和控制部分的公司，已被“ML病毒”感染。但是在行业专家看来，机器学习在工业部门中的使用在多数情况下还处于初级阶段。这一评估不应被眼下壮观的商品宣传所掩盖。例如当IBM在认知工厂中以其Watsonsystem给公众留下深刻印象时。或者当Festo带来引入入胜的展品，如最近的“大象的鼻子”，一个智能的仿生抓取助手，回答了一个问题：明天工厂里的人们是如何与他们的机器简单、高效、安全地互动的。技术是存在的。这很令人兴奋，并且激发了人们的想象力。但将其转化为能够提供销售和利润的实际商品可能还需要几年时间。

　　中小型企业和创业公司——该是他们做出回应的时候了

　　这里涉及的基本问题是，机器学习是否只是全球玩家的专属，以及他们对数字化工厂综合概念的想法。或者，是否除了由具有高度竞争力的研发部门的经济实力雄厚的大公司所推动的自上而下的发展，一个由灵活的、创新的中小企业领导的自下而上的突破也是可以企及的。

　　“人工智能是未来的一个重要课题，”德国机床制造商协会的执行理事Wilfried Schafer博士说，他是2017EMO汉诺威机床展（世界金属加工行业首屈一指的贸易博览会）的组织者。“所以中小企业也应该处理生产作业中机器学习的可能性，使他们能够在自己的发展推动过程中及时获得更好的选择。”

　　对于不来梅Sensosurf公司的总经理温克尔曼博士来说，在许多方面已经开始了行动。“大公司倾向于开发自己的解决方案，通常是非常复杂和全面的解决方案，有时在市场营销方面表现抢眼，而且非常有效。”他谈到，“这些像来回飞行的蜜蜂群一样收集信息、交流相互反馈、网络化、推动事物向前发展。数字化是一个大课题。

　　创新型创业公司也可以为其发展做出自己的贡献。Sensosurf公司采用“传感器整合机器学习”的标语。该公司成立于2016年，是不来梅大学微型传感器、致动器和系统（IMSAS）研究所分离出的新公司。该公司将微型传感系统技术转移到机械工程领域的恶劣环境中。这些系统包括法兰和基座轴承、直线导轨和螺杆等。“我们正在探索迄今为止仍然缺乏甚至完全没有任何信息被采集的领域。”温克尔曼说。

　　战略一小步

　　大量的数据对机器学习至关重要，没有他们根本不可能。温克尔曼说，对于迅速的市场渗透，至关重要的是，信息产生的回报从第一时间就开始了。“这是我们开始的小步骤，”他解释说。这些包括机器上的数据评估，将机器彼此联网，检测正在发生的事情的特征。“一旦你看到了数据的获取、评估和显现，你很快就习惯了新的见解和它们提供的机会。”温克尔曼说，“数据测量结果激发了人们更多的欲望。”对于机械制造商来说，最有说服力的是机器学会了保护自己免受操作者失误的影响。例如，获得的数据也可以用作防范不合理的保修索赔。

　　“为公司绘制迁移路径，展示如何将机器学习技术引入小而易消化的部分是很重要的。”弗劳恩霍夫研究所的Kruger教授说。他认为主要关注点是使用ML的机床制造商目前集中在状态监测领域。这主要涉及使用模式检测过程解析测量数据。检测过程或机床状况所需的知识是通过机器学习过程获得的。

　　能源管理的潜力

　　然而，除了预测性维护、状况监测和质量管理等领域外，自主学习系统还能够改进能源管理。在2017年EMO汉诺威展会上，位于慕尼黑的公司Gerotor将推出其首屈一指的HPS大功率存储系统，旨在通过智能算法辅助以降低能耗和连接成本。该产品的创意源于一级方程式赛车，或者更精确的描述是使用了KERS（动能回收系统）。由于在暴力制动操作期间通过旋转飞轮系统产生了大量的的驱动轴能量，该系统在当时就是因为对环境保护而被强加在赛车上。

　　Gerotor的创始人在“这一高效的同时也是无磨损的技术，不仅适用于汽车行驶的圈子，”中看到了巨大的潜力，就像Gerotor的主管迈克尔·海因口头上所说的那样。在寻找同样涉及许多并且频繁地需要刹车和加速功能的应用时，有时甚至在几秒钟之内，他们发现了他们一直在寻找的——机床和刀具主轴。电力存储系统的数字化和联网的优势是显而易见的：“如果你在能量回路内，你也就在信息中心了。”

　　直接联接到线路，不需要自身的电源连接，新的电力存储系统通过能量回收、峰值平滑和数字化来提升整个线路的效率。为此，该系统测量所有电流和周期，获取数据和信息，改进自己的算法并得出结论。而采用传统的控制策略，最多能够节省10％到25％的能量，迈克尔·海因说，但有智能策略的用户应该可以实现大约两倍的储蓄效应。对于迈克尔·海因来说，能源管理提供了一个特别简单和高效的进入ML的途径。“能源系统必须具有100％的预测能力，”他强调。“我们现在需要智能控制策略和能够从新调整的基础设施。”

　　投资回报至关重要

　　但是，在与客户会面中，机器学习的概念实际上被忽略了，关键是考虑到ROI（投资回报）：“仅仅通过我们节省的比成本更多的论据出售我们的产品”。事实上，这可能是许多公司在被问及他们的ML策略时倾向于沉默寡言的原因之一。机器学习是达到目的的手段，而不是销售论证。

　　如果在任何情况下都没有蓝图来介绍自己的策略。可以通过弗劳恩霍夫研究所各种机构中的任何一家或是外部服务提供商来调用一些专家知识。正如Jorg Kruger解释的那样，每个公司首先必须弄清楚机器、系统或机器人所需的智能形式，例如检测机器的状况、自主性，自动适应变化的工具磨损或部件特性。自动重新规划和自我组织生产流程，理解人类命令和手势并进行简化编程也是机器自身学习的能力之一。但是，Jorg Kruger还进一步指出了一个问题：在机器开始自动运行与其有关知识之前，谁检查这些东西是否得到了正确的学习？还有一些有关IT安全和数据保护的问题，或对智能系统做出的决定承担责任的问题需要回答。

　　在处理认知系统的时候，可能会再次出现“不安”的情况，在这里可能失去控制吗?温克尔曼不这么认为。他认为，对于机器学习来说，更为严重的障碍在于，在数字转型方面，许多地方的互联网速度不足，特别是位于乡村的工厂。（作者：Cornelia Gewiehs）