智能化时代,机理模型作用变小了吗?

2020/12/26 14:45:20 人评论 次浏览 分类:热点聚焦  文章地址://www.e-cumulus.com/news/3519.html

自动化专业常用的一个套路是:先根据机理建立一个数学模型,然后用一些巧妙的办法进行求解。比如,把最优控制问题,转化成黎卡提方程的求解。  但是,进入智能化阶段,我们经常强调的智能化,是把人的经验和知识变成机器的代码。

难道机理模型的作用小了?在我看来,不是机理模型的作用小了,而是经验知识的用途更大了。


我们先看数学(机理)模型的作用。数学模型反映的是因果关系。模型的应用可以分成正向和逆向两种。正向利用模型时,是根据当前容易测量或者获得的“原因”(自变量)推算难以测量、获知的“结果”(因变量)。典型的应用包括软测量和预测。逆向利用模型,则是为了得到某个特定的“结果”,去寻求“原因”。典型的应用就是优化。数学模型的一个巨大优势,是精度高。


一般来说,模型适合描述简单、抽象的对象或系统。而大系统、超大系统是由若干小系统构成的。我们针对小系统建模,但小系统模型误差的积累,可能会让大系统的模型误差太大,甚至完全失去指导意义。这个时候,人的经验知识就可能变得重要了。


人的有些经验,是根据外在表现来判断的。比如,看到一个人脸色发红、大声吼叫,可以判断这个人“生气了”;听到某些声音,知道机器可能出毛病了。这些现象往往可以用科学模型解释--但模型精度不够时,可解释并不意味着能直接推算出来。也就是说,模型只能用来分析可能性,而不是必然性。这时,经验的作用往往就大了。而经验的可靠性,依赖于实践的验证和总结。


一般来说,采用模型的优势是精确度高,麻烦是精确度低。所以,经验更多地用于定性地判断问题。比如,机器是不是坏了?质量是不是有毛病?操作工有没有偷懒?


定性的知识在工业中特别有用。一个根本性的原因是:现代化工业往往是标准化的。我对标准的理解是:标准做法不一定是最好的做法、超出标准也不一定会出问题。但按标准去做一定是可行的、并且往往是较好的。更重要的是:有了标准才能进行有效的管理、才能保证产品质量的一致性和有效协同,才能有现代化工业。所以,只要关键指标不在标准之内,就要进行干预。


人们经常需要判断的就是“是不是在标准范围之内”。这就是一个定性的指标、人类往往是有经验的。如果我们能够借助数字化的方法建立各种标准,并采集到的相关的数据,就可以用计算机来自动地判断是不是“在标准范围之内”。在数字化时代,标准不仅仅可以是某个数值,还可能是某条曲线、甚至更复杂的多维信息。所以,数字化让标准化的能力更加强大了,也便于把经验知识固化。


总之,智能化往往针对“大系统”。真正的大系统往往需要人类的经验。在这些场景下,把人类经验知识数字化,可能比采用纯粹的数学模型更有效。


这篇文章讨论了强调“经验知识数字化”的背景。“强调”另外一个侧面是相对的“淡化”:淡化机理模型的作用。为什么要淡化?原因之一是学术界有些过度强化机理,而对经验数字化重视不够,要纠偏。学术界喜欢精巧的算法和模型。而精巧的算法往往基于精巧的模型。但精巧的模型往往基于特别精确的模型。但模型精确是有条件的。影响模型精度的,是参数的不确定性、不稳定性和各种环境干扰的存在。这些原因引起的误差,往往远远大于模型本身的错误所导致的误差。当系统足够大时,子模型误差的积累就会很大、计划机会失效。这时,过度精巧的模型用处就小了。


作者:郭朝晖(工学博士,教授级高工。企业研发一线工作20年)
郭朝晖

共有访客发表了评论 网友评论

  客户姓名:
邮箱或QQ:
验证码: 看不清楚?