機器學習+運籌優化，智能決策推動工業互聯網上臺階
作者： 2022年04月22日 來源： 瀏覽量：
字號：T | T
企業正進入數字化深化、智能化延伸的階段，這包括了智能決策應用的探索與實施。
政策導向非常明確。《工業互聯網創新發展行動計劃（2021-2023年）》重點任務之一的“新型模式培育行動”提出：要發展智能化制造。
企業正進入數字化深化、智能化延伸的階段，這包括了智能決策應用的探索與實施。
政策導向非常明確。《工業互聯網創新發展行動計劃（2021-2023年）》重點任務之一的“新型模式培育行動”提出：要發展智能化制造。實現全流程動態優化和精準決策。實施數字化管理。開展動態市場響應、資源配置優化、智能戰略決策等新模式應用探索。
制造與管理是工業企業的兩大核心，是智能決策的首要目標場景。數字化、智能化的深入使研發、制造、運營、銷售、服務全價值鏈“數據就緒”，這為決策智能深入生產制造與運營管理優化創造了條件。
決策精細化、自動化將加持企業增長。那么，到底什么是智能決策？有什么關鍵技術？如何實施？它與信息化、數字化轉型有何關系？
智能決策是剛需
中國首個工業智能決策白皮書《2022工業“智能決策”白皮書——點亮企業增長的“燈塔”》（下稱“白皮書”）于近期發布，該白皮書由愛分析、杉數科技、卡奧斯共同組織編寫。
白皮書指出，智能化是工業互聯網建設價值的核心，智能決策是工業互聯網智能化的“大腦”，以全局優化為目標實現企業綜合收益最大化。
或者，如果說智能化是工業互聯網的價值C位，智能決策就是C位的C位。
這是因為，過程是在執行決策，而決策涉及生產、管理等全價值鏈、全流程。
根據白皮書，智能決策是組織或個人綜合利用多種智能技術和工具，基于既定目標，對相關數據進行建模、分析并得到決策的過程。該過程綜合約束條件、策略、偏好、不確定性等因素，可自動實現最優決策，以?于解決新增長時代日益復雜的生產、生活問題。
流程上，智能決策首先將實際問題中的決策標的、約束、偏好以及目標轉化為數學模型，然后在模型基礎上輸入數據，利用機器學習、運籌優化等技術，對模型進行高效求解。
其中，機器學習技術通過強化學習、深度學習等算法實現預測，通常需要?量數據來驅動模型以實現較好的效果；適用于描述預測類場景，如銷量預測。
運籌優化技術基于對現實問題進行準確描述刻畫來建模，通過運籌優算法在?定約束條件下求目標函數最優解，對數據量的依賴性弱，結果的可解釋性強；適用于規劃、調度、協同類問題，如人員排班、補配貨。
機器學習與運籌優化技術的深度融合，推動智能決策技術不斷擴充能力邊界。
一個面向16個細分?業的222家企業CIO的調查結果顯示，“輔助管理層決策”已成為企業最關注的?數據應?場景。這是個“剛需”。
智能決策要有大局觀
但凡有數據、有信息，需要做出選擇，這就是決策。決策可大可小。在應用中，落地的場景會不同。
杉數科技工業與智能制造副總裁黃翔說，整體上，每個行業都已經具備了進一步智能化，推進智能決策的基礎。
在工業領域，智能決策的典型應用場景可以分為面向設備、面向生產、面向運營（市場/銷售/?產/供應鏈）、面向產業鏈四大方面。實施路徑，可先從最核心的生產環節切入，同時打通端到端供應鏈，以及增強設備監控管理，再橫向拓展到產業鏈上下游協同創新。
以產業鏈為例，利用智能決策，工業企業可以通過上下游協同運營進行柔性化生產，基于市場競爭進行差異化定價，通過消費者大數據分析，洞察流行趨勢與市場需求進行新品優化，從而在整個供應鏈系統中匹配最優生產資源。
上汽通用作為國內龍頭整車廠，在本土化發展過程中，國外整車廠信息化工具無法滿足國內生產制造實際需求，為提??產計劃效率，上汽通用通過建設智能排產系統實現排產優化和均衡化物料需求，拉動物流車次運輸效率提升10%，日均運輸管理費用降低7%，整體年化收益達數百萬。整車生產裝配涉及眾多供應商與上萬種零件，為保證平穩生產，供應、倉儲及入場物流都面臨解決復雜約束問題的挑戰。通過智能決策技術，可以實現“生產+供應+倉儲+物流”的全面整合，從局部優化到全局優化。
在細分領域，智能化程度各不相同，頭部企業已開始將智能決策應用于供應鏈協同、柔性?產等環節。從行業看，智能決策已從應用程度比較高的汽車制造業、3C電子制造業，逐步向機械、鋼鐵、紡織等行業滲透，覆蓋離散制造與流程制造典型行業。
工業生產各環節成本關聯性強，有相互制約性，僅考慮單?環節成本最優則會陷入“木桶效應”，所以智能決策應以“全局優化”為目標實現企業綜合收益最大化。
愛分析合伙人&首席分析師黃勇指出，全局優化就是從企業的核心目標去考慮。例如，不能單純為了降庫存而讓前端生產的產品賣不出去。決策就是取舍，因此“大局觀”很重要。
在六國化工，通過建設產銷協同智能決策系統，實現了以利潤為導向，指導整體采購、生產、庫存、發運。同時通過優化產能規劃與生產工藝，進一步符合環保控制要求。
以求解器為牽引 推動行業共建
實現智能決策的開發與部署，需要通過機器學習引擎進行相關算法的敏捷開發，以及通過求解器對運籌優化模型進?算法優化和求解。
求解器是工業智能決策發展的關鍵核心技術。
能將復雜商業問題“通盤考慮、統籌優化”的數學規劃求解器，長期處于國外技術壟斷狀態，早期國內求解器發展緩慢。
2017年10?，杉數科技與上海財經大學共同發布國內首個開源求解器LEAVES。2019年5?，杉數科技發布國內首個達到世界一流水準的線性規劃求解器COPT（Cardinal Optimizer)，此后陸續推出整數規劃求解器、?階錐優化求解器。
“求解器是一個通用工具，類似于定制的‘芯片’，是數字化、智能化的基礎設施。”愛分析黃勇說。
以求解器為核心搭建的智能決策平臺，以及平臺上的模型應用層、產品應用層，要根據行業特性和場景適配。這需要數據中臺和應用中臺為支撐，并落實到具體的應用場景。
所以，智能決策廠商是否具備跨場景落地能力，一方面要看企業是否擁有自主可控的底層技術能力；另一方面，是否有實打實的案例支撐。
只有在工業、零售、物流各個行業有相應的行業案例，才能理解這些行業特有的業務模型或數據模型。
杉數科技求解器COPT，也是支撐杉數端到端供應鏈平臺的核心組件。其落地有兩條路徑：
第一，作為服務商直接服務客戶。一是基于解決方案，結合行業直接服務于場景，如上汽通用、舜宇光學等客戶；二是與平臺進行深度融合，如前文海爾集團案例中，即為杉數科技與海爾卡奧斯合作。
第二，與科研單位合作共建，把求解器作為一個重要的科研工具，提供給科研院所，后者對最終的應用場景進行研發和應用落地。目前，這種模式在能源、交通等行業比較深入。
以軌道交通行業為例，杉數和軌交客戶達成能力共建，將決策智能技術提供給客戶，客戶將業務應用的場景理解加深了以后，形成相應的實施基礎，最終貢獻落地應用，也為自身帶來了實打實的價值。
“我們一直在推動行業共建。”杉數科技黃翔表示。
數字化和智能化是螺旋式上升的過程。有了更多的數據，就會誕生更多的應用場景；有了更多的場景落地后，反過來需要更多的數據做支撐，深化應用場景。
所有的場景都是隨著社會的發展、數據的積累、新業態的誕生而不停地更新。而隨著整個行業對智能決策的理解加深，未來應用會越來越豐富。
杉數會“隨需應變”，不斷更新迭代智能決策模型、產品和方案。
決策就是資源的配置和調度，資源可以是人、財、物、設備、時間。他們的配置優化，目的是企業增長。
下一步，杉數科技將推進智能決策向更多行業場景延伸。（中國工業報 周寶冰）
全球化工設備網（http://www.tupvw34.cn ）友情提醒，轉載請務必注明來源:全球化工設備網！違者必究.
標簽：
相關資訊
免責聲明：1、本文系本網編輯轉載或者作者自行發布，本網發布文章的目的在于傳遞更多信息給訪問者，并不代表本網贊同其觀點，同時本網亦不對文章內容的真實性負責。
2、如涉及作品內容、版權和其它問題，請在30日內與本網聯系，我們將在第一時間作出適當處理！有關作品版權事宜請聯系：+86-571-88970062
2、如涉及作品內容、版權和其它問題，請在30日內與本網聯系，我們將在第一時間作出適當處理！有關作品版權事宜請聯系：+86-571-88970062
推薦資訊