“机器能否会思考？”

1950年，图灵在论文《计算机器与思考》中如此发问，图灵对机器的思考和探索如此前瞻深远，令后人惊叹。

半个多世纪后的今天，这个问题的答案已经毋庸置疑——是的，机器当然会思考。随着技术的发展，行业领先的企业已经开始探索智能机器在各类场景的应用，试着打破传统场景的固有能力上限。随着探索的深入，我们看到了已获广泛应用的AI客服、AI美颜等，以及仍在探索阶段的无人驾驶、手术机器人等。

机器的能力目不暇接地刷新着我们的认知。

在此背景下，数智化转型供应商威士顿与华中地区的卷烟厂联手合作技术研究项目，积极探索AI技术与现有产线的结合，让卷烟制造更有智慧、更有条理。

锁定SPCD，突破瓶颈

“提升卷烟生产质量”始终是卷烟厂的管理重心。SPCD（统计过程控制与诊断）作为质量管理的重要工具，成为了此次威士顿和卷烟厂共同试点“AI+卷烟”的对象。

SPCD（统计过程控制与诊断）是基于SPC（统计过程控制）的基础而构建。SPC借助数理统计方式对生产过程各项指标进行实时分析评价，一旦发现异常征兆则及时告警。SPCD在告警的基础上，能够辅助用户更快、更准地对问题环节做出诊断，从而更大程度地减少损失、保障质量。

然而，目前烟草行业SPCD在实际应用中，仍主要依赖人工经验，其效率和准确度有限，且经验的积累耗时久、难传递。如果能将丰富的人工经验转化为更准确、高效的诊断模型，让SPCD学会“思考”，即可帮助用户快速定位异常，形成更佳的质量管理模式。

让SPCD思考的先决条件是，系统“看见”丰富的数据，并在此基础上深刻“理解”数据关系，这样方可“思考”，最后作出“判断”。很多企业虽然知晓这层逻辑，但却碍于数据不完整、数据相关性难辨别、工作量巨大等困难，难以对数据深刻“理解”，更是无法开展基于数据的研究应用。

引入机器学习，大胆尝试

为了让机器能够“思考”，项目组与创新研究院深入卷烟厂产线，在理解统计过程控制的运作原理后，结合自身AI技术的优势，提出了“SPCD+机器学习”的方案。机器学习具备强大的分析方法和工具，可以事半功倍地建立数据关联，从而帮助SPCD“理解”数据，具备“思考”和“判断”能力。

以设备的数据分析为例，引入机器学习后，企业可采集到设备的关键输出点及相关参数的数据，并展开大量分析诊断工作。大数据则可实现质量预测分析，建立模拟各工段、回路的控制及监控模型。

此外，数据间往往隐藏着不为人知的规律及不确定性。利用机器学习方法的优势，可以进一步发现隐藏的深层规律，消除数据的不确定性，从而进一步实现质量相关的分析预测功能。

简单来说，机器学习使SPCD如虎添翼。这是烟草行业内最先一批将机器学习技术引入SPCD的尝试项目，如果方法被确认有效，可为质量管理的未来研究方向打开全新的思路。

创新摸索，形成可复用路线

“机器学习+SPCD”在业内是一次创新的尝试。在没有同类项目经验参考的情况下，威士顿项目组、创新研究院和卷烟厂共同摸索，以制丝车间烘丝出口水分和卷包车间烟支重量两个指标为目标，着手构建SPCD智能诊断模型。

在项目建设过程中，用户对模型既有期待，也有疑问——“机器学习+SPCD”的工作原理是怎样的？会达到怎样的效果？准确度如何？SPCD模型不同于数学模型，没有公式运算，那又如何判断，如何预测？……

面对用户的期待和疑虑，项目组不断尝试和调优，最终完成了SPCD诊断模型的搭建。在模型验证过程中，用户看到自己多年的经验判断与基于纯数据搭建的诊断模型不谋而合，感到非常欣喜。对于不少认知模糊的质量参数，用户也有了新的理解。此外，模型的功能也让用户眼前一亮，模型中的控制参数的相关性、权重的建立，以及可视化的模型图（系统判断的问题参数会高亮），使他们能直接确定问题根源，不需要再作多层级的逐一排查。

项目推进至此，验证了“SPCD+机器学习”对质量管控能力提升的可行性和有效性，也形成了一套可复用的研究方法和路线。

突破能力上限，三大应用价值

基于大数据+机器学习的统计过程控制诊断模型应用使SPCD的能力上限得以提升，为卷烟生产带来了不少应用价值。

■缩小异常诊断范围

制丝烘丝出口水分诊断由29个参数范围缩小到19个参数，范围缩小34%；卷包烟支重量诊断由41个参数范围缩小到6个参数，范围缩小85%。

■实时显示质量参数化情况

烘丝出口水分智能预测模型程序的上线，消除了设定调整后实际水分变化的反应延迟，可根据烘丝出口水分实时变化情况，设定烘丝出口水分。

图：烘丝出口水分实时预测程序界面

■提升异常诊断效率

打破原有的5级诊断模式，不再逐级排查，而是当结果指标出现异常，直接在相关参数中排查，模型去除了部分无直接影响关系的参数，且相关参数按照权重从上到下排列，极大提高诊断效率。

图：原本五级诊断模型（左），以及本次项目建成后的诊断模型（右），系统将诊断的异常参数直接标红，提示用户及时干预、解除异常

持续提升卷烟质量，长期规划

威士顿将“提升卷烟质量”作为公司近年技术研究的大方向，希望从多个场景、多个应用点出发，实现卷烟制造过程质量的全方位提升。目前，我们已构建了基于视觉识别的除杂机器人、基于机器学习的烟叶等级识别、质量参数相关性分析模型、质量参数预测模型等多款模型和应用，并获得一定成效。

本项目中，我们选取了“SPCD+机器学习”作为应用点和技术手段，形成了一套对质量数据关联分析的模式和成果，并且在实际生产中验证了其有效性。这是威士顿在行业内的又一次创新的摸索，和又一份提升质量的答卷。

畅想新组合，产生新见解

随着机器思考能力的提升，我们正身处人类和AI领域产生新见解的临界点。

由AI思考而得的新见解势必会给我们带来惊喜，而距离AI独立思考还有很远的一段路要走，在当前阶段，AI的思考对象、目标、方向、方法如何组合、激发怎样的效果却依旧取决于人类的想象力。那么，在未来，AI与人类的智慧究竟会如何刷新公众的认知想象呢？让我们拭目以待。

威士顿SPCD诊断智能模型

威士顿SPCD诊断模型主要包含以下几项部分：

■参数相关性、权重分析

采用机器学习算法挖掘设备控制参数相互之间的相关性、相关权重，并给出相关性评价结果。该分析结果通过运算得出“什么影响了关键质量因素”的结论，帮助补充人工认知的不足——揭示参数间的隐藏关系、过滤不产生质量影响的参数。

■实时诊断标准

项目形成了制丝和卷包的生产过程实时诊断标准，包括数据采集标准、统计计算模型标准及判异准则及响应措施等，是保障数据规范的标准规则，也是帮助判断异常指标的评判标准。

■智能预测模型

采用机器学习中GBDT、LASSO、LSTM算法构建烘丝出口水分和烟支重量的预测模型，帮助用户预先判断质量参数即将发生异常，提醒用户及时干预调整，避免问题的发生。