1、2021上海信息化上海信息化自动化数智实验室：AI+机器人，加速产业数字化、智能化为了解决AI制药多为干实验（芯片计算类实验）、少有湿实验（物理实验室）的劣势，以及实验标准化过程中数据缺失、数据平衡性的问题，晶泰科技自2018年开始全面布局实验室，搭建针对性获得真实世界数据的能力，并于2019年开启探索智能自动化实验室的自主研发之路。晶泰科技从零开始完全自主研发自动化实验室操作调度系统，并与国内外科研机构开展合作，解决了实验室自动化领域中包括过程流水线难、超高柔性、持续非标、温湿度复杂、多信息源采集及反应、精细要求超高等在内的一系列难题。晶泰科技在深圳、上海、北京三地已建立多个实验室，总面积超
2、16000平方米。其中，自动化实验室也在上海、深圳两地相继落地并逐步扩大。目前，晶泰科技自动化数智实验室建成面积逾5000平方米，涵盖机器人工作站数百台，取得自动化相关专利百余项，已成功在制药、化工、检测、功能材料、生物基材料等行业应用，正在积极探索新材料、新能源等领域，如陶瓷材料、锂离子电池和钙钛矿电池等。在晶泰科技自动化数智实验室里，人工智能设计生成的分子，将由机器人工作站进一步完成合成制造等流程。通过自主研发的云端软件控制系统，研发人员可以远程操控机器人工作站和具有串联功能的AGV（Automated Guided Vehicle，自动导引运输车）小车，724小时不间断运行。一方面，自动
3、化实验可解放研发人员双手，研发人员更少从事简单重复实验，而更专注于对数据的分析；另一方面，实验可全程记录标准化、可追溯的过程数据和正负结果数据，供人工智能算法模型不断学习迭代，更好地设计反应路线、优化反应过程，形成人工智能、自动化实验、数据的互相正反馈。当前，工业企业发展已经从大规模制造转变到大规模定制，其发展过程中主要面临两方面的挑战，一是关联制造企业形成的复杂制造资源网络的动态性质难以评估，二是工业互联网平台下制造资源网络的供需匹配与优化困难。其中，复杂生产的变量、工厂生产组织与调度、大规模工业车间调度问题都是制造业面临的重要问题，涉及如何安排生产设备和任务调度。传统的车间调度算法主要基于
4、启发式规则和优化算法解决这些问题，然而面对复杂的生产环境和动态需求时，传统算法的效果有限，亟需开发新的决策控制算法。传统决策控制算法传统解决车间调度问题的方式通常涉及启发式规则和优化模型的组合，主要有启发式规则、图论算法、遗传算法、线性规划和整数规划等。启发式规则，是基于经验和专业知识，制定一系列启发式规则来指导调度决策。这些规则可以包括最早截止时间优先、最短处理时间优先、最早开始时间优先等。启发式规则通过简单的规则和策略，可以快速生成调度方案，但可能无法找到全局最优解。图论算法，可以将车间调度问题建模为图论问题，使用算法（如最短路径算法或最小生成DOS 决策优化引擎，驱动工业数智化转型升级文
5、 谢海琴 陈辉 何梁日前，“基于卡奥斯工业大脑的 DOS 决策优化引擎”项目亮相 2023 世界人工智能大会，并一举摘得“SAIL 之星”大奖，为人工智能、数字孪生等技术融合发展提供了创新经验。DOS 数字孪生解决方案的赋能案例已在汽车、智能装备、家电、矿山等八大行业实现落地，为推动智能制造、绿色制造示范工厂建设，助力工业企业数智化转型做出了积极贡献。WA I C 2 0 2 3科学是一门以实验研究为基础的学科。人工智能和自动化实验相辅相成，不仅帮助研发人员解决现有问题，更有助于进一步激发研发人员的创造力和好奇心，发现新的问题与方向，推动科学研究不断向前，加速研究范式迭代创新。晶泰科技的自动化
6、数智实验室仍在高速迭代中，以月均1至2个新应用场景工站的速度，不断拓展自动化实验的工作流程线。此外，晶泰科技也在积极扩张自动化数智实验室规模。落址在浦东张江的上海总部，正在建设全球规模最大的医药研发类自动化实验室工站集群，预计2023年下半年正式亮相。2223上海信息化上海信息化树算法）来寻找最优调度方案。这些算法通过图的搜索和优化技术，能够找到一定程度上的最优解，但处理大规模问题时，可能会面临计算复杂度的挑战。遗传算法，能够通过模拟生物进化过程，使用遗传算子（如选择、交叉和变异）来搜索调度解空间，寻找较优的解决方案。遗传算法能够在一定程度上克服局部最优问题，并且可以应用于大规模问题，但需要进
7、行参数调节和多次迭代才能得到满意结果。线性规划和整数规划，是将车间调度问题建模为线性规划或整数规划问题，并使用线性规划或整数规划求解器进行求解。这些方法可以提供精确的优化解，但对于大规模问题可能面临计算复杂度较高的挑战，并且在考虑动态性和不确定性方面可能存在限制。这些传统方法在不同的场景和问题规模下都有其优势和局限性。随着计算能力和算法技术的进步，研究者们一直在不断改进和发展新的方法来解决车间调度问题，以提高生产效率和资源利用率。D OS 决策优化引擎为加快人工智能在工业领域规模化应用，帮助工业企业最大化提升生产效率和资源利用率，降低技术与资源使用门槛，海尔数字科技（上海）有限公司在复杂工业场
8、景中结合工业制造特点与人工智能关键技术突破，开发了基于卡奥斯工业大脑的DOS决策优化引擎（以下简称“DOS决策优化引擎”）。卡奥斯人工智能数据底座工业大脑引擎基于DOS数字孪生技术，将生产车间的数据通过IoT Plat（物联平台）、Data Space（数字空间）、DI Engine（决策平台）、DT Studio（数字孪生场景编辑器），形成DOS工业操作系统。通过构建数字空间实现人工智能数据接入以及数据管理，基于CDC（Change Data Capture，变化数据捕获）数据实时接入，大数据文件存储结构完全满足数据实时更新需求，保持数字空间数据和数据源同步秒级延时，做到企业实时数据中台构架
9、，解决了传统企业数据中台T+1、T+N的数据延时问题，使得实时数据应用在人工智能领域成为可能。在技术上，DOS决策优化引擎强化学习的超启发算法，能够为生产车间调度问题提供一种新解决思路。强化学习是一种机器学习方法，通过智能体与环境的交互学习最优策略，可以在不确定和复杂的环境中做出决策。超启发算法则是指利用多个启发式算法相互协作或组合，从而提高问题求解能力的算法。基于强化学习的超启发算法在解决车间调度问题中能够克服传统方法所面临的难点。复杂性。强化学习的超启发算法能够通过与环境的交互学习和积累经验，逐步优化调度策略。它可以处理车间调度问题中的复杂相互关系和多种约束条件，适应不同的任务和资源配置，
10、从而在复杂性较高的问题中提供更好的解决方案。动态性。强化学习的超启发算法可以实时监测和学习生产系统的状态和变化，并基于当前环境状态做出调度决策。它具备自适应性，能够灵活地响应任务到达、资源故障等动态变化，并调整调度策略以保持高效的调度性能。不确定性。强化学习的超启发算法通过与环境的交互和反馈，可以处理车间调度问题中的不确定性因素。它能够从环境中获取反馈，不断学习和调整策略，以适应任务处理时间的波动、资源故障等不确定性，提供更稳健和鲁棒的调度解决方案。计算复杂度。强化学习的超启发算法通过学习和优化的方式，能够逐步提升性能并逼近最优解，避免直接面对庞大的决策空间。它可以通过与环境交互学习，生成局部
11、启发式规则，从而降低计算复杂度并提高求解效率。个性化需求。强化学习的超启发算法能够学习任务的个性化特征和要求，根据任务的优先级、交付时间等因素生成相应的调度策略。它可以针对不同任务的个性化需求进行调度决策，提供定制化的解决方案，满足大规模定制的需求。通过解决这些难点，基于强化学习的超启发算法在车间调度问题中能够提供更灵活、智能和高效的解决方案，帮助企业提高生产效率、资源利用率和竞争力。多领域应用目前，DOS决策优化引擎的产品化已相对成熟，结合了强化学习的超启发算法和汽配行业的特殊需求，开发并部署了一套全面的车间调度优化系统，适用于多个行业。汽车行业中，通过智能化调度、实时协调、库存管理优化和数
12、据分析支持，系统提升了生产效率，优化了库存控制，提高了生产排程的灵活性，优化了人力资源利用，同时为管理层提供了决策支持。这些成效不仅提升了企业的经济效WA I C 2 0 2 3基于卡奥斯工业大脑的DOS决策优化引擎架构2223上海信息化上海信息化树算法）来寻找最优调度方案。这些算法通过图的搜索和优化技术，能够找到一定程度上的最优解，但处理大规模问题时，可能会面临计算复杂度的挑战。遗传算法，能够通过模拟生物进化过程，使用遗传算子（如选择、交叉和变异）来搜索调度解空间，寻找较优的解决方案。遗传算法能够在一定程度上克服局部最优问题，并且可以应用于大规模问题，但需要进行参数调节和多次迭代才能得到满意
13、结果。线性规划和整数规划，是将车间调度问题建模为线性规划或整数规划问题，并使用线性规划或整数规划求解器进行求解。这些方法可以提供精确的优化解，但对于大规模问题可能面临计算复杂度较高的挑战，并且在考虑动态性和不确定性方面可能存在限制。这些传统方法在不同的场景和问题规模下都有其优势和局限性。随着计算能力和算法技术的进步，研究者们一直在不断改进和发展新的方法来解决车间调度问题，以提高生产效率和资源利用率。D OS 决策优化引擎为加快人工智能在工业领域规模化应用，帮助工业企业最大化提升生产效率和资源利用率，降低技术与资源使用门槛，海尔数字科技（上海）有限公司在复杂工业场景中结合工业制造特点与人工智能关
14、键技术突破，开发了基于卡奥斯工业大脑的DOS决策优化引擎（以下简称“DOS决策优化引擎”）。卡奥斯人工智能数据底座工业大脑引擎基于DOS数字孪生技术，将生产车间的数据通过IoT Plat（物联平台）、Data Space（数字空间）、DI Engine（决策平台）、DT Studio（数字孪生场景编辑器），形成DOS工业操作系统。通过构建数字空间实现人工智能数据接入以及数据管理，基于CDC（Change Data Capture，变化数据捕获）数据实时接入，大数据文件存储结构完全满足数据实时更新需求，保持数字空间数据和数据源同步秒级延时，做到企业实时数据中台构架，解决了传统企业数据中台T+1、
15、T+N的数据延时问题，使得实时数据应用在人工智能领域成为可能。在技术上，DOS决策优化引擎强化学习的超启发算法，能够为生产车间调度问题提供一种新解决思路。强化学习是一种机器学习方法，通过智能体与环境的交互学习最优策略，可以在不确定和复杂的环境中做出决策。超启发算法则是指利用多个启发式算法相互协作或组合，从而提高问题求解能力的算法。基于强化学习的超启发算法在解决车间调度问题中能够克服传统方法所面临的难点。复杂性。强化学习的超启发算法能够通过与环境的交互学习和积累经验，逐步优化调度策略。它可以处理车间调度问题中的复杂相互关系和多种约束条件，适应不同的任务和资源配置，从而在复杂性较高的问题中提供更好
16、的解决方案。动态性。强化学习的超启发算法可以实时监测和学习生产系统的状态和变化，并基于当前环境状态做出调度决策。它具备自适应性，能够灵活地响应任务到达、资源故障等动态变化，并调整调度策略以保持高效的调度性能。不确定性。强化学习的超启发算法通过与环境的交互和反馈，可以处理车间调度问题中的不确定性因素。它能够从环境中获取反馈，不断学习和调整策略，以适应任务处理时间的波动、资源故障等不确定性，提供更稳健和鲁棒的调度解决方案。计算复杂度。强化学习的超启发算法通过学习和优化的方式，能够逐步提升性能并逼近最优解，避免直接面对庞大的决策空间。它可以通过与环境交互学习，生成局部启发式规则，从而降低计算复杂度并提高求解效率。个性化需求。强化学习的超启发算法能够学习任务的个性化特征和要求，根据任务的优先级、交付时间等因素生成相应的调度策略。它可以针对不同任务的个性化需求进行调度决策，提供定制化的解决方案，满足大规模定制的需求。通过解决这些难点，基于强化学习的超启发算法在车间调度问题中能够提供更灵活、智能和高效的解决方案，帮助企业提高生产效率、资源利用率和竞争力。多领域应用目前，DOS决策优化引擎的产品化已
