深度學(xué)習(xí)算法在智能裝備中的應(yīng)用*

□沈玉玲 □楊俊杰 □丘盛昌

上海電氣集團股份有限公司 中央研究院 上海 200070

1 研究背景

20世紀50年代，人工智能概念被提出。直到近十年，人工智能才得到了爆發(fā)式發(fā)展，這主要歸功于大數(shù)據(jù)技術(shù)、云計算和圖形處理器技術(shù)的突破。實現(xiàn)人工智能的方法稱之為機器學(xué)習(xí)，可以利用大量數(shù)據(jù)和算法的自我練習(xí)，從而獲取某種認知技能。傳統(tǒng)的機器學(xué)習(xí)算法有決策樹、歸納邏輯、聚類和強化學(xué)習(xí)等，這些經(jīng)典的淺層算法在語言、文字和數(shù)字識別分類方面具有很好的辨識效果，但無法有效地解決線性不可分問題，容易出現(xiàn)局部最優(yōu)和過度擬合現(xiàn)象[1-2]。2006年，深度學(xué)習(xí)概念出現(xiàn)，突破了技術(shù)瓶頸，成為實現(xiàn)機器學(xué)習(xí)的有效方法。從人工智能到深度學(xué)習(xí)，人工智能技術(shù)發(fā)展進程如圖1所示。目前，眾多互聯(lián)網(wǎng)公司和科研機構(gòu)都投身于深度學(xué)習(xí)理論及應(yīng)用的研究，深度學(xué)習(xí)已成為最熱門的人工智能研究領(lǐng)域之一。

圖1 人工智能技術(shù)發(fā)展進程

2 深度學(xué)習(xí)算法概述

深度學(xué)習(xí)是實現(xiàn)機器學(xué)習(xí)的有效方法，采用無監(jiān)督式或半監(jiān)督式方法對數(shù)據(jù)進行表征學(xué)習(xí)。經(jīng)常使用的深度學(xué)習(xí)算法開源軟件框架有八種，分別為TensorFlow、Torch、Caffe、Theano、Deeplearning4j、MXNet、Chainer、ConvNetJS），每種軟件框架在網(wǎng)絡(luò)與模型能力、可擴展性、硬件利用率和跨平臺等方面各有優(yōu)勢，選擇何種軟件框架取決于應(yīng)用場景與開發(fā)者的自身需求。

近幾年來，深度學(xué)習(xí)在計算機視覺領(lǐng)域取得了巨大成功，尤其是在圖像識別、語音識別、自然語言處理、信息搜索及生物信息學(xué)等方面表現(xiàn)優(yōu)異，與此同時，深度學(xué)習(xí)在機器人視覺領(lǐng)域的應(yīng)用前景也越來越被關(guān)注。

3 深度學(xué)習(xí)算法應(yīng)用方向

3.1 工件分揀

機器人等智能裝備與視覺技術(shù)的結(jié)合已經(jīng)屢見不鮮[3-4]，機器人通過模式學(xué)習(xí)、特征分析、形狀匹配等傳統(tǒng)圖像識別方法，已可實現(xiàn)對工件的快速識別及定位，尤其是在工件分揀工序中取得成功應(yīng)用，大幅提升了工作效率，并節(jié)省了人工成本。然而，針對復(fù)雜工件的自動分揀，傳統(tǒng)的圖像識別算法卻很難實現(xiàn)，定位精度、識別準確性及實時性等方面均面臨挑戰(zhàn)。深度學(xué)習(xí)不僅可以提升工件分揀的快速性與準確性，還可以實現(xiàn)工件表面缺陷識別與標注、次品分揀及工件裝配檢查等。

在工件分揀方面，最常用的方法是深度學(xué)習(xí)與圖像處理技術(shù)的結(jié)合。由機器人視覺系統(tǒng)獲取圖像信息，再經(jīng)灰度化、濾波、最大類間方差法二值化等圖像處理過程，應(yīng)用已訓(xùn)練好的深度學(xué)習(xí)網(wǎng)絡(luò)對目標進行定位分類，可實現(xiàn)工件的快速準確識別。這種深度學(xué)習(xí)的視覺識別及定位算法[5-6]，直接從目標抓取位置判別這一本質(zhì)問題入手，通過深度學(xué)習(xí)網(wǎng)絡(luò)實現(xiàn)抓取位姿的最優(yōu)判別，在不同形狀和不同擺放方向的工件判別、定位與抓取測試中，均取得良好的效果。

第二種方法是利用增強學(xué)習(xí)技術(shù)使機器人在應(yīng)用場景中進行自主學(xué)習(xí)，無需任何關(guān)于環(huán)境的先驗知識，通過端對端訓(xùn)練，在不斷嘗試、犯錯的過程中學(xué)習(xí)新技能。發(fā)那科公司利用深度學(xué)習(xí)實現(xiàn)機器臂免示教散件分揀，在不向系統(tǒng)輸入任何工件吸附部位的前提下，僅基于深度學(xué)習(xí)網(wǎng)絡(luò)不斷試錯，耗時8 h，完成了5 000份樣本的學(xué)習(xí)，將分揀的成功率提高了90%。

3.2 控制規(guī)劃

深度學(xué)習(xí)在控制領(lǐng)域的研究已經(jīng)覆蓋了控制系統(tǒng)的各個環(huán)節(jié)，從傳感器狀態(tài)的特征提取，到被控對象的系統(tǒng)參數(shù)辨識，再到控制器策略的解算，均有展現(xiàn)深度學(xué)習(xí)優(yōu)勢的空間。其中，深度學(xué)習(xí)在控制目標識別過程中的應(yīng)用案例比較常見，如在機械手抓取物體的過程中對被抓取物體位置的識別等[7-9]。

利用深度學(xué)習(xí)進行控制策略的解算，相關(guān)文獻中研究成果越來越多。有學(xué)者嘗試用深度置信網(wǎng)絡(luò)（DBN）模型代替比例積分微分（PID）控制器，DBN的網(wǎng)絡(luò)參數(shù)通過PID控制器的輸入輸出數(shù)據(jù)進行訓(xùn)練得出。訓(xùn)練完成后的DBN模型代替PID控制器，試驗結(jié)果雖然顯示DBN的控制性能與傳統(tǒng)PID控制器相比并未占優(yōu)勢，但是印證了深度學(xué)習(xí)模型作為控制器應(yīng)用的可能性。

在運動控制方面，深度學(xué)習(xí)在移動機器人路徑規(guī)劃方面已有應(yīng)用。區(qū)別于傳統(tǒng)的路徑規(guī)劃方法，應(yīng)用深度學(xué)習(xí)并非解決優(yōu)化問題，而是利用深度學(xué)習(xí)的自行學(xué)習(xí)特征，結(jié)合端對端架構(gòu)，直接用圖像輸入控制機器人運動，輸出路徑序列。

3.3 故障診斷與預(yù)測

由于大型裝備內(nèi)部部件之間有錯綜復(fù)雜的耦合關(guān)系，運用傳統(tǒng)故障診斷方法對單一設(shè)備或系統(tǒng)進行建模分析，很容易出現(xiàn)誤診和漏診。鑒于深度學(xué)習(xí)算法在特征提取與模式識別等方面的顯著優(yōu)勢，許多專家學(xué)者不斷嘗試將深度學(xué)習(xí)用于解決不同領(lǐng)域的技術(shù)難題。目前，深度學(xué)習(xí)算法已成功應(yīng)用于發(fā)電機、齒輪箱、飛機、變壓器、滾動軸承等工業(yè)系統(tǒng)或裝備的故障診斷中[10-11]。

經(jīng)典的深度學(xué)習(xí)基本模型框架，包括卷積神經(jīng)網(wǎng)絡(luò)（RNN）、DBN和遞歸神經(jīng)網(wǎng)絡(luò)（CNN）等，均可實現(xiàn)故障診斷[12]。CNN和DBN都非常擅長處理大數(shù)據(jù)，而從海量數(shù)據(jù)中進行特征識別，提取蘊含的信息，正是未來深度學(xué)習(xí)故障診斷的熱點方向。RNN的特點在于充分考慮了數(shù)據(jù)樣本之間的關(guān)聯(lián)性，相對其它方法，大大提高了故障診斷的效率，非常適合處理復(fù)雜裝備和系統(tǒng)的實時故障診斷問題。

除此之外，利用深度學(xué)習(xí)算法進行智能裝備的健康趨勢預(yù)測，提前對裝備故障進行預(yù)警，也是值得關(guān)注的應(yīng)用方向之一。

3.4 智能機器人

智能機器人需要具備三要素：感覺、運動和思考，即能夠感受周圍的環(huán)境狀態(tài)，通過獲取的信息，進行主動思考，并作出反應(yīng)性動作。能夠自主判斷、推理和規(guī)劃是智能機器人發(fā)展的終極目標。智能機器人涉及多學(xué)科的先進技術(shù)，包括運動學(xué)、動力學(xué)、傳感與控制、模式識別、人工智能等，深度學(xué)習(xí)等人工智能技術(shù)為機器人的智能化發(fā)展提供了新思路[13-14]。

在機器人感知系統(tǒng)中，可充分發(fā)揮深度學(xué)習(xí)在圖像識別、語音及語義識別方面的技術(shù)優(yōu)勢，進行目標的識別跟蹤或障礙物的主動規(guī)避。在機器人的運動控制系統(tǒng)中，可通過端對端學(xué)習(xí)進行運動路徑的規(guī)劃設(shè)計。在機器人的思考環(huán)節(jié)，通過強化學(xué)習(xí)，引入獎勵函數(shù)，對機器人在給定環(huán)境下的行為反應(yīng)進行評分反饋，從而達到引導(dǎo)思考和決策的目的。

4 應(yīng)用難點

深度學(xué)習(xí)算法在智能裝備中的應(yīng)用，機遇與挑戰(zhàn)并存，有不少亟待解決的瓶頸問題。

4.1 訓(xùn)練樣本庫

近年來，深度學(xué)習(xí)技術(shù)在無人駕駛等應(yīng)用領(lǐng)域得到了迅猛發(fā)展，這些領(lǐng)域均有足夠的樣本數(shù)據(jù)來訓(xùn)練機器學(xué)習(xí)模型，而深度學(xué)習(xí)技術(shù)在智能裝備中的應(yīng)用相對滯后，其中一個原因就是缺少樣本數(shù)據(jù)。以訓(xùn)練機器人的抓握能力為例，首先要建立一個機器學(xué)習(xí)模型，使機器人能夠自動學(xué)習(xí)如何操縱對象。機器人在持續(xù)練習(xí)過程中所輸出的產(chǎn)品就是數(shù)據(jù)庫，可以充當機器學(xué)習(xí)的訓(xùn)練樣本庫，用以訓(xùn)練其它同類型機器人來抓握同樣的物體。

在基于深度學(xué)習(xí)的機器人控制中，數(shù)據(jù)量是保證機器人能夠完成復(fù)雜任務(wù)的關(guān)鍵因素，僅僅是為了同一款機器人的機械手平面抓取問題，就要收集近百萬次抓取動作數(shù)據(jù)。一次完整的訓(xùn)練耗時較長，在此過程中如果機器發(fā)生故障或試驗條件發(fā)生變化，均會對訓(xùn)練樣本庫的采集造成影響。之所以要耗費大量的時間采集訓(xùn)練數(shù)據(jù)，是因為通過深度學(xué)習(xí)訓(xùn)練出來的權(quán)重含義不明，只能用在同一個機器人上執(zhí)行同一項任務(wù)，技術(shù)遷移的難度很大，進而限制了深度學(xué)習(xí)技術(shù)在機器人中的應(yīng)用進程。

4.2 控制性能評估

通常情況下，利用深度學(xué)習(xí)進行控制策略解算，前提是該控制問題是可觀的，即只要足夠的給定數(shù)據(jù)，學(xué)習(xí)過程一定是收斂的。目前還無相關(guān)研究對可觀性問題進行理論性描述。此外，在一些特定情境下，深度學(xué)習(xí)無法保證達到期望的控制目標，在控制層面缺乏嚴謹?shù)睦碚撝?。機器人技術(shù)研究者要做的是提出先驗約束和模型約束，而深度學(xué)習(xí)則是之后再去解決這些約束造成的問題，主張將深度框架和先驗?zāi)Ｐ拖嘟Y(jié)合。

雖然深度學(xué)習(xí)在控制領(lǐng)域的研究內(nèi)容已十分廣泛，但整體來看，理論研究仍很欠缺。對于基于深度學(xué)習(xí)的控制系統(tǒng)，其控制性能很難評估分析，即便是表現(xiàn)出一定的控制效果，也無法保證控制性能的魯棒穩(wěn)定性，這同時為深度控制理論的研究指明了方向。

4.3 硬件性能約束

與傳統(tǒng)機器學(xué)習(xí)方法相比，深度學(xué)習(xí)在精度方面有較大優(yōu)勢，但當面臨高清和實時應(yīng)用時，深度學(xué)習(xí)算法將大大受到硬件性能的約束。深度學(xué)習(xí)時，硬件除了要滿足矩陣相乘、卷積、循環(huán)層和全局規(guī)約4種基本運算的性能要求外，還要滿足數(shù)據(jù)級別和流程化的并行性、高內(nèi)存帶寬、多線程等特性。

一直以來，英偉達公司的大規(guī)模并行圖形處理器和專用編程框架占據(jù)著深度學(xué)習(xí)硬件市場的主導(dǎo)地位，其它公司也陸續(xù)推出用于深度學(xué)習(xí)的加速硬件，如谷歌和高通等。目前，深度學(xué)習(xí)暫無統(tǒng)一的硬件處理架構(gòu)?？傊?，是否采用深度學(xué)習(xí)來提升智能裝備的性能，取決于具體的應(yīng)用場景需求及硬件成本等因素的綜合考量。

5 結(jié)論

深度學(xué)習(xí)理論在不斷發(fā)展中，新的應(yīng)用領(lǐng)域不斷被開拓，如機器人、數(shù)據(jù)挖掘等，網(wǎng)絡(luò)架構(gòu)和訓(xùn)練方法在應(yīng)用過程中不斷被優(yōu)化，同時對硬件設(shè)備的要求也會越來越低。雖然目前深度學(xué)習(xí)尚未成為大型系統(tǒng)的一部分，但毋庸置疑，深度學(xué)習(xí)算法作為數(shù)據(jù)與決策之間的橋梁，未來一定會在提升裝備智能化過程中發(fā)揮重要作用。

[1]尹寶才，王文通，王立春.深度學(xué)習(xí)研究綜述[J].北京工業(yè)大學(xué)學(xué)報，2015，41（1）：48-59.

[2]胡侯立，魏維，胡蒙娜.深度學(xué)習(xí)算法的原理及應(yīng)用[J].信息技術(shù)，2015（2）：175-177.

[3]王企遠.機器視覺在工件識別和干涉檢測中的應(yīng)用[J].上海電氣技術(shù)，2014，7（2）：28-32.

[4]鄭西點，袁浩巍，杜正陽，等.一種高速視覺實時定位與跟蹤系統(tǒng)的研制[J].上海電氣技術(shù)，2015，8（1）：25-30.

[5]伍錫如，黃國明，孫立寧.基于深度學(xué)習(xí)的工業(yè)分揀機器人快速視覺識別與定位算法[J].機器人，2016，38（6）：711-719.

[6]王漢飛，刁燕，羅華，等.微創(chuàng)手術(shù)機器人靈活工作空間的分析與優(yōu)化[J].機械制造，2016，54（6）：23-25.

[7]任浩，屈劍鋒，柴毅，等.深度學(xué)習(xí)在故障診斷領(lǐng)域中的研究現(xiàn)狀與挑戰(zhàn)[J].控制與決策，2017，32（8）：1345-1358.

[8]劉培炎，吳松，付榮華，等.柔性機械手抓取能力影響因素的研究[J].機械制造，2017，55（2）：6-9，12.

[9]張雪艷，梁工謙，董仲慧.基于改進自適應(yīng)遺傳算法的柔性作業(yè)車間調(diào)度問題研究[J].機械制造，2016，54（6）：1-4，33.

[10]王立鳳.基于神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[J].裝備機械，2017（1）：64-67.

[11]禹華軍.風(fēng)力發(fā)電機組中的振動監(jiān)測與分析[J].裝備機械，2011（3）：52-56.

[12]段艷杰，呂宜生，張杰，等.深度學(xué)習(xí)在控制領(lǐng)域的研究現(xiàn)狀與展望[J].自動化學(xué)報，2016，42（5）：643-654.

[13]張小俊，劉歡歡，趙少魁，等.機器人智能化研究的關(guān)鍵技術(shù)與發(fā)展展望[J].機械設(shè)計，2016，33（8）：1-7.

[14]朱勇，韋鵬，高誠，等.智能型機器人在車頂外板涂膠上的應(yīng)用[J].裝備機械，2010（2）：30-33.