【机理模型】智能制造的三大支撑：人工经验、机理规律和数据分析；机器学习模型与传统机理模型的融合

“产业智能官”：一个打败三个不同棋类的冠军！AlphaZero仅靠24小时的自我对弈，就搞定了国际象棋、日本将棋和围棋的冠军。这次可是一石激起千层浪，毕竟以前大家都是各自有各自的专业领域的，你下你的围棋，我玩我的象棋，大家都是冠军程序，但是彼此还是有区别的。这下可好，AlphaZero告诉大家，哥一个人通吃如果AlphaZero的思路是对的，它会告诉你，你那些经验啊，咱不需要，我自己闷着头自己跟自己较劲一天，我在你的领域就能秒杀你那几十年的经验。

让我们再来看看AlphaZero横跨的三个棋类游戏有啥共同点吧，那就是他们都是信息完全的游戏，并且早已有了这些游戏的计算机程序。啥意思呢，就是说，相关的各方面的准确信息（模型）都能获得，并且都写好程序了。

那么让我们回想一下，计算机最早被造出来不就是为了辅助工程设计么？虽然工程设计不像棋类游戏这么明了，有许许多多信息是难以完全准确掌握的，但是随着技术的进步，越来越精确的模拟、仿真程序（结构、材料、电气、流体等等等等）都被开发出来（本质是实现了数字化的机理模型），越来越有效的探测手段让我们可以更清楚的获取各种相关数据。如果AlphaZero的方法是正确的，那么相信说不定哪一天，AlphaXXX就跳出来了，基于机理模型自己生成数据，左右手互博后生成数据模型。基于数据模型，它在你的工作领域上做的比你好，比你快，还是开源的.....

所以，工程师们，不要以为大楼里的清洁工和富士康流水线上iphone手机质检员是最先被AI技术淘汰的岗位，你们才是最容易被AI取代的岗位！

另外，随着智能碎片聚集在一起，工业互联网带来了基于计算机分析的“大数据”的力量。传统的BI统计方法，使用历史数据采集技术经常造成数据、分析和决策之间的分离。随着系统监控技术的进步和信息技术成本的下降，处理实时数据的工作能力正在不断提升，更加出色的管理和分析高频实时数据的能力使得对于系统操作方面的洞悉能力上升到一个新的水平。基于计算机的分析则提供了另一个维度的AI分析过程。

从人工经验，到数据分析，到机理规律，是对事物越来越理性的刻画。完美的建模过程，应该包括三个步骤。人工经验是模糊的，也是引发思考的（规则引擎）；数据分析，已经在慢慢量化，初步揭示了事物之间的联系（关联关系、参数的权重）；深层次的机理规律才是真正揭示了事物因素间的必然联系（因果关系）。

结合基础物理的方法论（机理规律）和资深的行业专家专业知识（人工经验），提高信息流自动化和预测技术，同时将先进的分析方法加入“大数据”工具套件中（数据分析），其结果是工业互联网将传统方法与新方法相结合，这样可以利用二者的强大历史和实时数据进行特定行业的高级分析决策。

当工业互联网的智能决策与机器、设备、机组和网络整合在一起的时候，工业互联网的全部潜能就会体现出来。生产率提高、成本降低所带来的益处将带动整个工业经济发展。

通过以下《智能制造的三大支撑：人工经验、机理规律和数据分析》、《机器学习模型与传统机理模型的融合》两篇文章，撤到搞清楚机理模型和数据模型。

智能制造的三大支撑：人工经验、机理规律和数据分析

黄细霞知识自动化

作为智能制造的重要驱动要素，知识管理经常被忽略。知识或存在于人工经验，或存在于机理规律，或存在于数据模型。三者具有非常互补的关系。

人工经验是在社会实践中产生的，是客观事物在人们头脑中的反映，是认识的开端。但经验有待于深化，有待上升到理论。而且，经验的传递非常复杂，企业的丰富的经验很容易丢失在员工变迁之中。

机理也称白箱模型，指系统中各要素的内在工作方式以及要素间相互联系、相互作用的运行规则和原理；简单点说就是仿真建模，指人类已掌握的物理、化学、生物等规律，类似建模的工具有各种仿真软件等。机理模型的不足在于，万物过于复杂，人类掌握的规律是有限的，而且，经常是经过理想化的简化的，并不能完全和实物吻合，有时候甚至相差甚远。

数据模型又叫黑箱模型，指基于数据的模型，相关的概念包括人工智能，数据挖掘，机器学习等。数据模型有几个不足，首先，得有大量的数据；其次，数据的分布必须合理；其三，分析方法得恰当，否则存在于数据之上的模型可能和事实并不吻合。数据建模的软件也很多，例如专业软件SAS，而Hadoop与Oracle也提供数据分析包，云计算服务商则提供物美价廉的计算服务，机器学习的研发人员可能还习惯用Python，R语言。还有很多计算工具，如Excel也是非常实用的工具，而Matlab提供非常丰富的机理仿真和数据分析工具。从人工经验，到数据分析，到机理规律，是对事物越来越理性的刻画。完美的建模过程，应该包括三个步骤。人工经验是模糊的，也是引发思考的（规则引擎）；数据分析，已经在慢慢量化，初步揭示了事物之间的联系（关联关系、参数的权重）；深层次的机理规律才是真正揭示了事物因素间的必然联系（因果关系）。严谨的建模过程，最好是三者吻合，最起码是两者互相验证，互相补充，单纯依赖一种结果是可怕的。

例如，传感器装再多，也不可能无处不在，因为传感器需要成本，而且需要有合适的安装位置。合适的机理模型，加上传感器数据的验证（或者通过传感器数据确定机理模型的参数等，专业术语叫辨识），就可以获得空间、时间维度更完整的信息。

德国的优势在于人工经验和机理规律，弱势在于数据分析能力（德国人口少，信息技术和数据分析技术很难广泛频繁运用，所以数据分析技术并不发达）。所以德国的模型是基于机理规律的，是直观的（图1）。

图1 德国的模型（基于机理，直观的）

日本的精益制造中，非常突出人工经验。而美国的优势在于数据分析和机理规律，弱势在于人工经验。美国NI公司的最新嵌入式控制器网络同步精度小于100ns（图2），体现了美国人对数据的孜孜不倦的追求。TS16949质量体系，也体现了美国人对数据的钟爱，是早期工业化与信息化融合的优秀范本。美国的建模是基于机理和基于数据的（图2）。

图2 美国的模型（基于机理，基于数据）

中国在数据分析上有一定的优势，弱势在于人工经验和机理规律，也就是专业软件。长期起来，各类专业软件都是盗版的。加上中国产学研脱节比较严重，很多大学的研究成果是无法深究的。如果建立合适的产学研通道，学校的老师和博士还是有能力的。研究成果无法深究，很多时候不是能力问题，而是和社会沟通不够，从论文到论文，没有把理论应用到实践。如何将院所研究与企业实践做到完美的融合，是当下中国智能制造急需克服的成果转化的事情。

综合起来，人工经验、机理规律和数据分析各有利弊。各个行业和公司，需要采用合适的建模方法，以最大程度提高公司和产品的核心竞争力。中国当下已经有非常低成本的获取工业数据的办法（得益于百度云、阿里云的飞速发展）。数据回来了，人工经验分析下曲线，也已经可以获得有意义的信息了；通过数据分析，即使是只用Excel，也可以解决很多问题。阿里云对于采集、存储与数据分析都非常低廉。建立统一的工业互联网也许痛苦，但子系统依靠仪表以及原有的控制系统，采集数据并不那么难。即使实在不行，还可以借鉴TS16949质量体系，采用表格，也可以回来有价值的数据。

工业化与信息化融合是智能制造的必经之路，打磨和应用这三把利刃是最大的基本功。

机器学习模型与传统机理模型的融合

龙猫老师

基于物理过程的各种数学模型在水力、市政、海洋等领域已经得到了很多年的发展和应用，随着这几年机器学习技术的大热，也有越来越多的人尝试将机器学习技术应用在水力、市政领域，但是这些尝试大部分集中在使用机器学习模型替代传统机理模型。那么以后的趋势会是机器学习模型替代机理模型，或是各自应用在不同领域？都不是的，以后的趋势必然是机器学习技术与传统数学模型融合。 StormSVM模型正是一个很好的例子，它将传统的内涝数学模型与机器学习技术SVM有机结合在一起。

上次我们给大家带来了StormSVM的介绍（StormSVM—计算速度秒杀传统数学模型的实时城市内涝预报模型），大家反响非常热烈，这次我们带来了演讲和论文内容摘要翻译，希望能够更好的帮助大家了解这项技术

基于物理过程的数学模型已经广泛应用于城市内涝模拟中，但是数值模型在应用到实时内涝预报中，最大的瓶颈既是需要大量的计算资源和模拟时间，虽然有各种各样的简化模型技术被提出来，但是这些技术往往只能应用在满足一定前提条件的项目中

SVM作为一种机器学习技术，其即使在样本数量比较少的情况下，也能表现出良好的外推能力。但是和所有数据驱动模型一样，仍然需要一定量的数据支撑。而城市内涝积水的监测，往往成本好高，而且目前几乎没有城市进行长期大规模的监测，这导致直接采用监测数据建立SVM城市内涝模型非常困难，监测成本投入将会很高

为了解决这些问题，StormSVM技术提出了将水力模型与SVM模型结合起来的技术，由经过率定的水力模型生产数据提供给SVM模型进行训练，训练后的SVM模型可以提供与水力模型几乎精度的预报同时，仅仅消耗非常少的计算资源。

延展阅读：StormSVM—计算速度秒杀传统数学模型的实时城市内涝预报模型

随着城市的快速发展，对城市内涝实时预报系统的需求越来越高。传统的城市内涝模型，受制于两维数学模型的计算效率的限制，一般难以达到真正意义上的实时预报，往往不得不依赖于大量计算硬件的投入。

为了提供高性价比的城市内涝实时预报，DHI中国的颜军等研发了一套全新的城市内涝实时预报模型——StormSVM模型，将传统数学模型与人工智能技术相结合。与传统基于物理过程的数学模型相比，StormSVM模型在提供相同的预报精度的同时，计算速度可以说是秒杀传统模型。在同一台服务器上，传统数学模型需要50个小时的模拟，StormSVM模型仅需几毫秒 ！

StormSVM模型不仅提供了不低于传统数学模型的精度，并且由于计算速度非常快、对计算硬件的需求得到了极大的降低，使得大规模部署城市内涝实时预报系统成为了可能。

StormSVM模型已经在中国漳州、永嘉、景德镇等多个城市内涝预报系统中得到了应用，我们所撰写的论文"Urban flash flood forecast using support vector machine and numerical simulation"也在Journal of Hydroinformatics上发表