是什么讓智能工廠變得更加智能豐富內涵？

　　關(guān)鍵要點(diǎn)：

　　機(jī)器人效率和安、人工智能(AI)和物聯(lián)網(wǎng)(IoT)是智能工廠的關(guān)鍵使能技術(shù)

　　機(jī)器學(xué)習(xí)賦予了智能工廠“智能”的本質(zhì)

　　決策盡可能下放到靠近實(shí)際物理操作的地方

　　機(jī)器人正在進(jìn)入工廠車間就能壓製，但不會(huì)完全取代人類

　　引言

　　根據(jù)《福布斯》的一篇文章，"第四次工業(yè)革命"一詞由一組德國(guó)科學(xué)家提出產能提升，并由世界經(jīng)濟(jì)論壇(WEF)的創(chuàng)始人兼執(zhí)行主席克勞斯·施瓦布(Klaus Schwab)推廣發揮。世界經(jīng)濟(jì)論壇將前三次工業(yè)革命定義為：

　　第一次工業(yè)革命：1784年。以蒸汽機(jī)和水力為動(dòng)力

　　第二次工業(yè)革命：1870年適應能力。勞動(dòng)分工設施、電力節點、大規(guī)模生產(chǎn)

　　第三次工業(yè)革命：1969年。電子技術(shù)要求、信息技術(shù)、自動(dòng)化生產(chǎn)

　　在以智能制造為核心的第四次工業(yè)革命中，機(jī)器人開放以來、人工智能和物聯(lián)網(wǎng)是至關(guān)重要的推動(dòng)力等形式。這些因素也是其他非制造領(lǐng)域的基礎(chǔ)，例如智能家居和庫(kù)存控制等組合運用。

　　最初用來描述非人類通信手段的互聯(lián)網(wǎng)術(shù)語(yǔ)是工業(yè)物聯(lián)網(wǎng)(IIoT)支撐作用。但隨著工廠外應(yīng)用的迅速擴(kuò)展，更為廣泛的物聯(lián)網(wǎng)(IoT)稱謂逐漸占據(jù)主導(dǎo)地位至關重要。

　　然而實力增強，本文將重點(diǎn)討論第四次工業(yè)革命對(duì)制造業(yè)的深遠(yuǎn)影響。

　　物聯(lián)網(wǎng)傳感器與連接如何轉(zhuǎn)變工業(yè)監(jiān)控

　　一切都始于電子傳感器擴大公共數據。傳感器價(jià)格低廉、功耗小且可靠，能夠測(cè)量振動(dòng)設計標準、熱量深度、濕度、電壓經過、電流等多種重要參數(shù)帶來全新智能。它們可以每秒多次測(cè)量，也可以大部分時(shí)間“休眠”核心技術體系，從而消耗更少的電力自主研發。傳感器可以安裝在工廠的任何地方，任何機(jī)器上新產品。

　　但傳感器如何知道何時(shí)讀取數(shù)據(jù)?大量信息如何被匯集到一個(gè)或多個(gè)中心點(diǎn)以供處理和分析?這正是物聯(lián)網(wǎng)發(fā)揮作用的地方意向，它呈現(xiàn)出多種形式。

　　傳感器可以通過多種方式直接連接到互聯(lián)網(wǎng)更加廣闊。全球任何地方的數(shù)據(jù)中心都可以指揮傳感器讀取數(shù)據(jù)系統性，或者當(dāng)傳感器記錄的讀數(shù)超過預(yù)設(shè)限制時(shí)，傳感器可以自動(dòng)發(fā)起“對(duì)話”。

　　傳輸?shù)綌?shù)據(jù)中心的數(shù)字信息可以由強(qiáng)大的分析引擎解釋損耗，以判斷機(jī)器的“健康”狀況。當(dāng)然長遠所需，如果觀察到危險(xiǎn)情況形式，數(shù)字命令可以發(fā)回工廠，指示關(guān)閉某個(gè)子系統(tǒng)的電源，或控制重要閥門的開閉便利性。

　　通常拓展應用，分析也會(huì)在本地工廠進(jìn)行。原因之一是從遠(yuǎn)程數(shù)據(jù)中心接收信號(hào)需要時(shí)間實事求是，而響應(yīng)回到工廠則需要更長(zhǎng)時(shí)間自動化方案。在緊急情況下，這可能會(huì)導(dǎo)致延誤結構。

　　多種傳感器的輸出可以被分析空間廣闊，以判斷一臺(tái)設(shè)備的性能或是否有危險(xiǎn)正在醞釀。為了實(shí)現(xiàn)本地分析雙向互動，每個(gè)傳感器必須能夠與其他傳感器及本地分析引擎通信集成技術。利用物聯(lián)網(wǎng)進(jìn)行機(jī)器監(jiān)控的優(yōu)勢(shì)在于，設(shè)備可以移動(dòng)生產效率，而無需重新布線創新的技術。尤其需要說明的是，5G對(duì)普通智能手機(jī)用戶可能影響不大更合理，但它在智能工廠中正在扮演越來越重要的角色有序推進。

　　利用機(jī)器學(xué)習(xí)實(shí)現(xiàn)更智能的工廠自動(dòng)化

　　機(jī)器學(xué)習(xí)(ML)為智能工廠注入了“智能”顯著。作為人工智能的一個(gè)分支深入開展，機(jī)器學(xué)習(xí)使計(jì)算機(jī)能夠像生物一樣從經(jīng)驗(yàn)中學(xué)習(xí)。它允許計(jì)算機(jī)系統(tǒng)自主應(yīng)對(duì)新情況需求，尤其是那些它們從未被明確編程過的情況。

　　例如，工廠車間可能會(huì)發(fā)生一個(gè)棘手的情況各方面，同時(shí)若干傳感器可能會(huì)報(bào)告某些特定值堅定不移。系統(tǒng)會(huì)“學(xué)習(xí)”這些特定的模式可能預(yù)示著負(fù)面情況。我們使用“可能預(yù)示”是因?yàn)榻衲?，如果沒有發(fā)生負(fù)面事件空間廣闊，機(jī)器學(xué)習(xí)將尋找其他傳感器響應(yīng)來修正原先的初步結(jié)論。隨著時(shí)間的推移真諦所在，機(jī)器學(xué)習(xí)會(huì)建立一個(gè)越來越具體的模式庫(kù)，幫助揭示潛在的危險(xiǎn)結構不合理，這些危險(xiǎn)可能是人類規(guī)劃者從未想到的提供深度撮合服務。

　　值得注意的是，這些模式完全由機(jī)器學(xué)習(xí)自動(dòng)發(fā)現(xiàn)競爭力，而無需人類干預(yù)最為突出。

　　預(yù)測(cè)性維護(hù)如何減少停機(jī)時(shí)間并提高效率

　　即便沒有機(jī)器學(xué)習(xí)，遍布關(guān)鍵機(jī)器的傳感器也可以根據(jù)需要進(jìn)行多次測(cè)量特點。這些數(shù)據(jù)可以傳輸?shù)街行奈恢?，供分析人員使用落實落細。然而，這并不是終點(diǎn)組成部分。

　　如前文所述深入闡釋，機(jī)器學(xué)習(xí)數(shù)據(jù)引擎會(huì)逐步建立越來越廣泛的模式庫(kù)。工程師和管理者將自動(dòng)了解機(jī)器中某個(gè)組件是否可能出現(xiàn)故障開拓創新，并得知其原因確定性。這就是所謂的預(yù)測(cè)性維護(hù)，它是智能工廠的標(biāo)志之一去完善。

　　這一過程無需人工檢查或使用任何測(cè)試設(shè)備或維護(hù)工具意料之外。技術(shù)人員和檢查員可以避免這些枯燥且偶爾危險(xiǎn)的工作，智能制造也使得在故障發(fā)生之前發(fā)現(xiàn)潛在問題成為可能設備。結(jié)果是減少了停機(jī)時(shí)間和成本橋梁作用，并通過該過程獲得的信息，找到提高整體效率的隱藏途徑促進善治。

　　邊緣計(jì)算在智能工廠中的效率與安全

　　智能制造高度依賴于位于遠(yuǎn)程服務(wù)器上的強(qiáng)大AI引擎相貫通，但如今技術(shù)上已經(jīng)可以將AI芯片直接安裝到或接近被監(jiān)控的智能工廠機(jī)器上。這不會(huì)完全取代基于服務(wù)器的分析引擎脫穎而出，但可以補(bǔ)充它們的作用系統。

　　邊緣計(jì)算 圖片來源： FSP

　　現(xiàn)代西方組織(無論是軍事還是商業(yè))都強(qiáng)調(diào)本地管理在決策中的重要性積極影響，而不是依賴遠(yuǎn)程機(jī)構(gòu)方法。在智能工廠的情況下，英特爾指出進一步提升，相比遠(yuǎn)程服務(wù)器進行探討，本地決策的優(yōu)勢(shì)包括：

　　運(yùn)營(yíng)速度與效率

　　成本效益

　　節(jié)能

　　安全性與數(shù)據(jù)主權(quán)

　　首要原因是邊緣AI做出的決策不受可能的網(wǎng)絡(luò)延遲影響。其次是提供有力支撐，工廠內(nèi)的控制和監(jiān)控操作涉及大量信息的生成和傳輸管理。IIoT所需的帶寬不便宜，本地處理可以節(jié)省成本越來越重要。第三個(gè)原因是減少了對(duì)高能耗網(wǎng)絡(luò)硬件的需求切實把製度。

　　第四個(gè)原因可能是最重要的。減少通過互聯(lián)網(wǎng)傳輸?shù)男畔⒏母飫撔?，意味著系統(tǒng)被黑客入侵或欺騙的風(fēng)險(xiǎn)減少最新。

　　機(jī)器人與協(xié)作機(jī)器人如何轉(zhuǎn)變智能制造

　　機(jī)器人技術(shù)在智能工廠中蓬勃發(fā)展。智能制造的特點(diǎn)是高水平的觀察和控制自行開發，使機(jī)器人能夠承擔(dān)更復(fù)雜或危險(xiǎn)的任務(wù)模樣。

　　工業(yè)機(jī)器人通常配備本地AI和機(jī)器視覺，進(jìn)一步推動(dòng)了智能制造的趨勢(shì)，使決策盡可能靠近操作地點(diǎn)數據顯示。

　　如Active Silicon所述要求，關(guān)于機(jī)器人未來在工廠的角色有兩種觀點(diǎn)。一種是機(jī)器完全接管的反烏托邦觀念通過活化，另一種則是機(jī)器人僅限于執(zhí)行最危險(xiǎn)開放以來、枯燥或重復(fù)的任務(wù)。

　　但也存在中間道路足了準備。協(xié)作機(jī)器人(Cobots)是機(jī)器人研究的一個(gè)活躍領(lǐng)域規模設備，這些設(shè)備設(shè)計(jì)用于與人類同事安全協(xié)作。在這種方式下穩步前行，人類的直覺和多功能性與機(jī)器人的堅(jiān)固性結(jié)合至關重要，可以比單獨(dú)行動(dòng)的任何一方更高效。

　　挑戰(zhàn)與機(jī)遇

　　智能制造商希望盡可能多的AI決策在靠近機(jī)器的位置進(jìn)行指導，供應(yīng)商將對(duì)此作出回應(yīng)建設項目，邊緣計(jì)算的穩(wěn)步發(fā)展將繼續(xù)。

　　制造商面臨的一個(gè)更大挑戰(zhàn)是服務品質，他們需要一種全新的制造工人傳遞。這類新型工人更像是技術(shù)人員，且不愿從事重復(fù)性工作過程。實(shí)際上的發生，他們的一部分職責(zé)是識(shí)別那些無腦的重復(fù)任務(wù)，并與工程師合作進一步完善，將其交給機(jī)器處理相結合。

　　但這些智能工廠工人將來自哪里?例如，美國(guó)的高等教育體系尚未對(duì)此挑戰(zhàn)作出回應(yīng)影響。此外相關性，具有實(shí)踐思維的人才不愿像過去那些學(xué)術(shù)型同行那樣花費(fèi)巨額資金接受培訓(xùn)。美國(guó)各方都致力于將更多制造業(yè)帶回本土製高點項目，但除非有人經(jīng)過培訓(xùn)的必然要求，否則這一目標(biāo)無法實(shí)現(xiàn)。

　　總結(jié)

　　人工智能將智能融入智能工廠物聯與互聯。沒有人工智能狀況，不那么智能的工廠只能對(duì)預(yù)先編程的一定數(shù)量的情況做出反應(yīng)。人工智能讓工廠能夠從經(jīng)驗(yàn)中學(xué)習(xí)有很大提升空間。通過人工智能要求，工廠不斷變得更加智能，能夠更明智地應(yīng)對(duì)不斷變化的情況和挑戰(zhàn)供給。

　　物聯(lián)網(wǎng)(也可以稱為工業(yè)物聯(lián)網(wǎng))是將智能工廠的各個(gè)組件連接在一起的粘合劑。它還將智能工廠與基于服務(wù)器的決策引擎和遠(yuǎn)程監(jiān)控端口連接起來。沒有物聯(lián)網(wǎng)拓展應用。智能工廠仍然可以是智能的非常重要，但智能將成為“自動(dòng)化孤島”，無法有效協(xié)作自動化方案。

　　與西方軍隊(duì)和工業(yè)組織類似行動力，智能制造強(qiáng)調(diào)盡可能接近“實(shí)際”做出決策的能力。通過使用邊緣計(jì)算空間廣闊，這種能力得到了極大增強(qiáng)落到實處。

　　最后，正如協(xié)作機(jī)器人的持續(xù)發(fā)展所證明的那樣，很明顯營造一處，人類在工廠車間仍然有未來——至少現(xiàn)在是這樣!

　　本文作者： Gary Elinoff 資料來源：Electropages

　　來源：千家網(wǎng)