是什么讓智能工廠變得更加智能？

關鍵要點：

引言

根據《福布斯》的一篇文章，"第四次工業(yè)革命"一詞由一組德國科學家提出，并由世界經濟論壇（WEF）的創(chuàng)始人兼執(zhí)行主席克勞斯·施瓦布（Klaus Schwab）推廣。世界經濟論壇將前三次工業(yè)革命定義為：

在以智能制造為核心的第四次工業(yè)革命中，機器人、人工智能和物聯網是至關重要的推動力。這些因素也是其他非制造領域的基礎，例如智能家居和庫存控制等。

最初用來描述非人類通信手段的互聯網術語是工業(yè)物聯網（IIoT）。但隨著工廠外應用的迅速擴展，更為廣泛的物聯網（IoT）稱謂逐漸占據主導地位。

然而，本文將重點討論第四次工業(yè)革命對制造業(yè)的深遠影響。

物聯網傳感器與連接如何轉變工業(yè)監(jiān)控

一切都始于電子傳感器。傳感器價格低廉、功耗小且可靠，能夠測量振動、熱量、濕度、電壓、電流等多種重要參數。它們可以每秒多次測量，也可以大部分時間“休眠”，從而消耗更少的電力。傳感器可以安裝在工廠的任何地方，任何機器上。

但傳感器如何知道何時讀取數據？大量信息如何被匯集到一個或多個中心點以供處理和分析？這正是物聯網發(fā)揮作用的地方，它呈現出多種形式。

傳感器可以通過多種方式直接連接到互聯網。全球任何地方的數據中心都可以指揮傳感器讀取數據，或者當傳感器記錄的讀數超過預設限制時，傳感器可以自動發(fā)起“對話”。

傳輸到數據中心的數字信息可以由強大的分析引擎解釋，以判斷機器的“健康”狀況。當然，如果觀察到危險情況，數字命令可以發(fā)回工廠，指示關閉某個子系統(tǒng)的電源，或控制重要閥門的開閉。

通常，分析也會在本地工廠進行。原因之一是從遠程數據中心接收信號需要時間，而響應回到工廠則需要更長時間。在緊急情況下，這可能會導致延誤。

多種傳感器的輸出可以被分析，以判斷一臺設備的性能或是否有危險正在醞釀。為了實現本地分析，每個傳感器必須能夠與其他傳感器及本地分析引擎通信。利用物聯網進行機器監(jiān)控的優(yōu)勢在于，設備可以移動，而無需重新布線。尤其需要說明的是，5G對普通智能手機用戶可能影響不大，但它在智能工廠中正在扮演越來越重要的角色。

利用機器學習實現更智能的工廠自動化

機器學習（ML）為智能工廠注入了“智能”。作為人工智能的一個分支，機器學習使計算機能夠像生物一樣從經驗中學習。它允許計算機系統(tǒng)自主應對新情況，尤其是那些它們從未被明確編程過的情況。

例如，工廠車間可能會發(fā)生一個棘手的情況，同時若干傳感器可能會報告某些特定值。系統(tǒng)會“學習”這些特定的模式可能預示著負面情況。我們使用“可能預示”是因為，如果沒有發(fā)生負面事件，機器學習將尋找其他傳感器響應來修正原先的初步結論。隨著時間的推移，機器學習會建立一個越來越具體的模式庫，幫助揭示潛在的危險，這些危險可能是人類規(guī)劃者從未想到的。

值得注意的是，這些模式完全由機器學習自動發(fā)現，而無需人類干預。

預測性維護如何減少停機時間并提高效率

即便沒有機器學習，遍布關鍵機器的傳感器也可以根據需要進行多次測量。這些數據可以傳輸到中心位置，供分析人員使用。然而，這并不是終點。

如前文所述，機器學習數據引擎會逐步建立越來越廣泛的模式庫。工程師和管理者將自動了解機器中某個組件是否可能出現故障，并得知其原因。這就是所謂的預測性維護，它是智能工廠的標志之一。

這一過程無需人工檢查或使用任何測試設備或維護工具。技術人員和檢查員可以避免這些枯燥且偶爾危險的工作，智能制造也使得在故障發(fā)生之前發(fā)現潛在問題成為可能。結果是減少了停機時間和成本，并通過該過程獲得的信息，找到提高整體效率的隱藏途徑。

邊緣計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程服務器上的強大AI引擎，但如今技術上已經可以將AI芯片直接安裝到或接近被監(jiān)控的智能工廠機器上。這不會完全取代基于服務器的分析引擎，但可以補充它們的作用。

邊緣計算 圖片來源：FSP

現代西方組織（無論是軍事還是商業(yè)）都強調本地管理在決策中的重要性，而不是依賴遠程機構。在智能工廠的情況下，英特爾指出，相比遠程服務器，本地決策的優(yōu)勢包括：

首要原因是邊緣AI做出的決策不受可能的網絡延遲影響。其次是，工廠內的控制和監(jiān)控操作涉及大量信息的生成和傳輸。IIoT所需的帶寬不便宜，本地處理可以節(jié)省成本。第三個原因是減少了對高能耗網絡硬件的需求。

第四個原因可能是最重要的。減少通過互聯網傳輸的信息，意味著系統(tǒng)被黑客入侵或欺騙的風險減少。

機器人與協(xié)作機器人如何轉變智能制造

機器人技術在智能工廠中蓬勃發(fā)展。智能制造的特點是高水平的觀察和控制，使機器人能夠承擔更復雜或危險的任務。

工業(yè)機器人通常配備本地AI和機器視覺，進一步推動了智能制造的趨勢，使決策盡可能靠近操作地點。

如Active Silicon所述，關于機器人未來在工廠的角色有兩種觀點。一種是機器完全接管的反烏托邦觀念，另一種則是機器人僅限于執(zhí)行最危險、枯燥或重復的任務。

但也存在中間道路。協(xié)作機器人（Cobots）是機器人研究的一個活躍領域，這些設備設計用于與人類同事安全協(xié)作。在這種方式下，人類的直覺和多功能性與機器人的堅固性結合，可以比單獨行動的任何一方更高效。

挑戰(zhàn)與機遇

智能制造商希望盡可能多的AI決策在靠近機器的位置進行，供應商將對此作出回應，邊緣計算的穩(wěn)步發(fā)展將繼續(xù)。

制造商面臨的一個更大挑戰(zhàn)是，他們需要一種全新的制造工人。這類新型工人更像是技術人員，且不愿從事重復性工作。實際上，他們的一部分職責是識別那些無腦的重復任務，并與工程師合作，將其交給機器處理。

但這些智能工廠工人將來自哪里？例如，美國的高等教育體系尚未對此挑戰(zhàn)作出回應。此外，具有實踐思維的人才不愿像過去那些學術型同行那樣花費巨額資金接受培訓。美國各方都致力于將更多制造業(yè)帶回本土，但除非有人經過培訓，否則這一目標無法實現。

總結

人工智能將智能融入智能工廠。沒有人工智能，不那么智能的工廠只能對預先編程的一定數量的情況做出反應。人工智能讓工廠能夠從經驗中學習。通過人工智能，工廠不斷變得更加智能，能夠更明智地應對不斷變化的情況和挑戰(zhàn)。

物聯網（也可以稱為工業(yè)物聯網）是將智能工廠的各個組件連接在一起的粘合劑。它還將智能工廠與基于服務器的決策引擎和遠程監(jiān)控端口連接起來。沒有物聯網。智能工廠仍然可以是智能的，但智能將成為“自動化孤島”，無法有效協(xié)作。

與西方軍隊和工業(yè)組織類似，智能制造強調盡可能接近“實際”做出決策的能力。通過使用邊緣計算，這種能力得到了極大增強。

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

本文作者： Gary Elinoff 資料來源：Electropages

CIBIS峰會

由千家網主辦的2024年第25屆CIBIS建筑智能化峰會即將開啟，本屆峰會主題為：“匯智提質：開啟未來新篇章”。屆時，我們將攜手全球知名智能化品牌及業(yè)內專家，共同探討物聯網、AI、云計算、大數據、智慧建筑、智能家居、智慧安防等熱點話題與最新技術應用，分享如何利用更智慧、更高效、更安全、更低碳的智慧技術，共同開啟未來美好智慧生活。

歡迎建筑智能化行業(yè)小伙伴報名參會，共同分享交流！

報名方式

成都站（11月05日）：https://hdxu.cn/7FoIq

西安站（11月07日）：https://hdxu.cn/ToURP

北京站（11月19日）：https://hdxu.cn/aeV0J

上海站（11月21日）：https://hdxu.cn/xCWWb

廣州站（12月05日）：https://hdxu.cn/QaqDj

更多2024年峰會信息，詳見峰會官網：http://summit.qianjia.com

生成海報

免責聲明：本網站內容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網站出現的信息，均僅供參考。本網站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網站中的網頁或鏈接內容可能涉嫌侵犯其知識產權或存在不實內容時，應及時向本網站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網站在收到上述法律文件后，將會依法盡快聯系相關文章源頭核實，溝通刪除相關內容或斷開相關鏈接。