大數據的分析和機器學習開始變得像匿名商業詞匯，但它們不僅僅是過度使用抽象概念 - 這些流行語代表了我們日常生活中處理大部分技術的巨大變化。其中一些變化已經變得更好，使我們與機器和信息的交互更自然，更強大。幫助公司以強大而令人不安的方式了解消費者的行為，地點和內心的想法。從我們的高速公路到我們的住宅，這些技術在各方面留下了痕跡。

 

毫不奇怪，“關于一切的信息”的概念正在積極地應用于制造業背景。就像他們改變消費品一樣，智能，廉價，傳感器負載的設備與強大的分析和算法相結合，在過去十年中也在改變工業世界。“物聯網”已經到達工廠車間，一個巨大的電子Kool-Aid Man的力量通過煤渣墻爆炸。

 

標記為“工業4.0”(嘿，至少它比“物聯網”更好)，這第四次工業革命在過去十年中一直在展開 - 主要是因為信息之間存在巨大的文化和結構差異幾十年來一直是工業自動化核心的變革和“運營技術”的技術。

 

與其他技術和人工智能結合(或至少我們目前稱之為“人工智能”的有限學習算法)一樣，工業4.0的潛在回報是巨大的。公司正在看到更精確，更高質量的制造，降低了運營成本; 由于供應鏈中的預測性維護和智能，減少了停機時間; 由于設備適應性更強，工廠車間受傷更少。在工廠之外，其他行業可以從擁有傳感器的神經系統，處理“湖泊”數據的分析以及對緊急問題的即時響應中受益 - 航空，能源，物流和許多其他依賴的業務在可靠，可預測的事情上也可以獲得提升。

 

但新方法帶來了重大挑戰，其中最重要的是網絡神經系統的安全性和彈性將所有這些新魔法拼接在一起。當人類安全在線時 - 工人和居住在工業現場附近的人的安全 - 這些問題不能像移動應用程序更新或操作系統補丁那樣容易地留出。

 

然后就是整個“機器人正在偷工作”的事情。(事實要復雜得多 - 我們將在本周晚些時候觸及它。)

 

傳感器和敏感性

 

“工業4.0” 一詞是由Acatech (德國政府工程科學學院)在2011年使用嵌入式系統技術的國家路線圖中創造的。作為描述工業“數字化”的一種方式，該術語被用于標志從簡單的自動化轉向大規模獨立的工業機器人轉向網絡化的“網絡物理系統” - 基于信息的系統與人之間的協調工作它們，基于各種傳感器和人類輸入。

 

作為德國聯邦教育和研究部路線圖的宣傳文件，“相互溝通的機器，相互通知生產過程中的缺陷，識別和重新訂購稀缺的材料庫存......這是工業4.0背后的愿景。“

 

在工業4.0的未來，使用增材制造的智能工廠 - 例如通過選擇性激光燒結的3D打印 - 以及其他計算機驅動的制造系統能夠根據需要自適應地制造零件，直接來自數字設計。傳感器跟蹤所需的組件并根據需求模式和其他算法決策樹對其進行排序，將“及時”制造轉變為新的優化級別。光學傳感器和機器學習驅動系統比產品線上可能疲倦和厭倦的人更加一致和準確地監控組件的質量。工業機器人與處理更精細任務的人同步工作 - 或完全替換它們。整個供應鏈可以隨著新產品的推出，消費的變化，和經濟波動。機器可以告訴人們機器何時需要在它們斷裂之前進行修復，或者告訴人們更好的方法來組織生產線 - 因為人工智能處理制造過程產生的大量數據。

 

這一愿景推動了歐盟11.5億歐元(約13億美元)的努力，稱為歐洲未來研究協會。類似的“未來工廠”的努力得到了美國政府的資助 - 特別是國防部的資助，該部門認為該技術是國防工業基地的關鍵。

 

美國國防部高級研究計劃局(DARPA)利用自適應車輛制造項目等研究項目開展先進的信息集成制造項目的開發，并繼續研究工業4.0等技術，如有效的人機組合(機器能夠適應并作為合作伙伴而不是作為工具與人類并肩工作的能力，以及基于人工智能技術的智能供應鏈系統 - 一項名為LogX的工作。在研究人員MITRE公司的人機社會系統(HMSS)實驗室也一直在研究如何提高系統如何機器人與人類互動。

 

作為這項工作的一部分，MITER與幾家機器人公司合作，包括American Robotics公司，該公司開發了一種用于精準農業的全自動無人機系統。該系統名為Scout，是一個靠近田野的自動防風雨單元。農民所要做的就是在無人機飛行時間進行編程，人工智能處理無人機飛行計劃和管理飛行本身，以及圖像和數據的收集和處理，將所有內容上傳到云端。

 

這種自治水平允許農民簡單地查看有關作物健康和其他個人設備的其他指標的數據，然后根據這些數據采取行動 - 必要時選擇性地使用殺蟲劑，除草劑或其他肥料。隨著更多的機器學習成果，這些任務最終可以在其使用的模式和規則建立后傳遞給其他無人機或機器人農業設備。

 

Scout反映了人機組合如何在工廠中發揮作用 - 自動機器通過增強視覺或其他顯示器將數據傳遞給人類，讓人類根據他們的技能和領域知識做出決策，然后讓人類和機器根據一起完成所需任務 但這種整合水平仍處于起步階段。

 

每個傳感器講述一個故事

 

已經發生了人機組合雛形的一個地方是零售業：沃爾瑪使用機器人掃描商店貨架上的庫存水平，并在許多商店自動卸載卡車(通過稱為“快速卸載機”的系統) - 使用傳感器和傳送帶將貨物分揀到長襪車上。機器人系統已經接管了亞馬遜倉庫“采摘”的角色，與人類合作檢索和運送貨物。

 

相反，工業4.0中已經發展到萌芽階段的一個因素是利用傳感器數據來推動工廠運營 - 特別是對于預測性維護的任務。意外的設備停機時間是所有行業的禍根，尤其是當相對較小部分的故障導致昂貴資產完全失效時。

 

據估計，目前用于工業維護的大約80%的時間是純粹的反應時間，用于修復破壞的東西。工業系統中近一半的計劃外停機是設備故障的結果，通常是設備生命周期較晚的設備。能夠預測故障并計劃在對運營影響較小的情況下維護或更換硬件是工廠運營商的圣杯。

 

這也是行業長期追逐的目標。自20世紀60年代以來，計算機化維護管理系統(CMMS)的概念已經以某種形式存在，早期的實施是圍繞大型機構建的。但是，CMMS幾乎總是一個手動過程很重要的過程，依賴于維護報告和數據收集并由人類輸入計算機 - 而不是捕獲由越來越多的儀器化(和昂貴的)工業系統生成的傳感器數據的全部和深度。

 

使用該數據做一些事情來預測和防止系統故障變得越來越重要。正如MathWorks的行業經理菲利普·沃爾納所解釋的那樣，迫切需要的是“我們在資產和設備中看到的電子元件日益復雜，以及其中的軟件數量不斷增加。” 而且，隨著工業系統提供有關其在工廠或現場的操作的更多數據，需要處理該數據以對操作員有用 - 不僅用于預測何時需要維護，而且用于優化設備的操作方式。

 

而中國的中國制造2025計劃就包含人工智能和物聯網，希望中國就此彎道超車更加強大。