工业对象的建模,为什么需要机器学习 点击:402 | 回复:0



gchui

    
  • 精华:2帖
  • 求助:0帖
  • 帖子:301帖 | 7回
  • 年度积分:6
  • 历史总积分:1018
  • 注册:2016年9月13日
发表于:2022-09-30 13:54:09
楼主

我一直说:工业的智能往往是“吴淑珍式的智能”,也就是把人的知识变成计算机的计算和执行逻辑。既然如此,为什么需要模型、需要自学习呢?

采用模型的一个重要原因,是计算所依赖的一些数据是难以实时、准确测量。比如,有些材料、设备的内部参数,经常就难以测量。模型经常用来预测,而预测结果当然也是难以测量的:因为现在无法测量未来。模型的本质,是用容易测量的数据,去估算不容易得到的数据。

学术界的很多人,认为工业界缺乏机理模型、缺乏理解机理模型的人。这个理解往往不准。事实上,工业对象的机理往往是清楚的,理解机理的人也越来越多:很多企业的操作工都是大专毕业了,理解几个数学公式不算特别难。针对工业对象建立模型的一个重要难点,是模型所需要的参数无法获得。所以,现实的模型一般要用现实中可以测量的数据来建立。这样,实际数据模型的输入就与机理模型不一样了,而数据模型往往就与机理模型不一样了。建立这样的模型时,有时候就需要机器学习了。

把机器学习用于数据建模的报道越来越多了。学术界把机器学习分成两类:有监督学习和无监督学习。但从工程师的角度看,论文中的“无监督学习”本质上也是“有监督学习”:这个监督者其实就是写文章的作者。

一篇文章发表之前,作者一般会花一些时间研究算法:先搞到数据、编写算法,然后进行尝试。计算结果出来以后,作者需要进行评估,往往会继续调整数据或算法,直到有个基本满意、可以用来发表论文的结果。所以,论文作者就是一个监督者啊! 有了人的参与,模型往往比纯粹的机器学习更好。

但是,从工程师的角度看,有时需要没有人参与的、“自动的机器学习”。这时,机器学习的本质作用,是维持模型精度的稳定性。

针对生产过程的建模,往往依赖于设备和生产过程的参数。其中,智能模型往往依赖于复杂系统内众多的参数。在生产过程中,这些参数是会随着时间和事件发生变化。这时,通过数据建模方法建立模型,精度往往会逐渐变差。甚至变得无法使用。

一般来说,开发模型的人属于研发部门或外部的科技公司、甚至国外的公司,而使用模型的人属于工业企业的生产部门。开发模型的人完成任务以后就离开了,一般不会永远提供服务。人们经常发现:开发的人走了而模型的精度变差了。这个时候,模型往往变得“不能用了”。

模型的自学习,其实就是要解决这个问题的。如果这个问题不解决,很多企业的智能控制就会变成摆设。我感觉,很多人没有把这个逻辑想清楚,对机器学习的作用没有把握好。

来源:微信号 蝈蝈创新随笔

作者:郭朝晖

该作品已获作者授权,未经许可,禁止任何个人及第三方转载。





楼主最近还看过


热门招聘
相关主题

官方公众号

智造工程师