制造业向人工智能转型

人工智能正被注入物联网，为显著提高制造业生产率、改善正常运行时间和降低成本奠定了基础——无论市场细分如何。

提高制造设备可靠性和效率的传统方法是定期定期维护。虽然这比在设备坏了的时候修理或更换设备是一个进步，但还远远不是最优的。即使定期进行维护，设备也可能突然故障，导致工人闲置，发货延迟，让客户失望。

这就是AI的用武之地。工业4.0——在欧洲以外的大多数地区被称为智能制造——已经出现了近十年。进展参差不齐，部分原因是使其工作所需的技术发展不均衡，部分原因是采用有限，有时甚至在同一组织内部。但这些技术现在开始达到一个成熟的水平，可以依靠它们来提高生产力，避免意外的设备故障。

这在很大程度上与边缘的构建、云的改进以及算法训练和推理的进化进步有关。总的来说，它们正在为日益被称为物的人工智能(AIoT)提供基础。

在这个概括性概念之下，一些令人困惑的术语正变得更加清晰。人工智能指的是机器智能，而机器学习人工智能的一个子集——被定义为获取对人工智能至关重要的知识的过程。所以机器学习是用来训练一个系统来做出正确的决定或选择，而人工智能就是做出这些决定的系统。

首先，机器可能会犯错误。但经过一段时间的试验和错误，他们可以“学会”做出正确的选择，或者推断出正确的答案。例如，可以给一个人工智能系统100万张照片来了解狗的样子。起初，它会知道狗有两只耳朵，两只眼睛，一个鼻子和一张嘴，但其他动物也有。经过多次采样后，人工智能系统可以学习到细微的差异。

在制造操作中，AIoT使设备和软件能够与其他AIoT设备联网，包括智能传感器、智能网关和本地服务器。加上人工智能数据分析，一些决策可以自动化，这通常被称为可操作情报。

AIoT超越了物联网的优势，获得更准确、实时的信息，以更好地解决问题。此外，更好的数据分析可以产生可扩展的、成本更低的解决方案。其结果是更好的客户体验，增强的产品开发，以及更高的收入潜力。

在过去，所有这些决定都是在议会中做出的云．传感器收集数据，将其发送回云端，然后等待云端处理这些数据并理解它们。事实证明，这种方法既低效又昂贵，同时还会让网络陷入数据流量的泥潭。例如，想象一下，数百万个物联网设备端点同时做这件事。

与边缘计算， AIoT决策发生在网络端点，或者至少更近。这减少了延迟和带宽需求，并大大提高了制造操作的效率。

IP at的战略营销经理罗恩•洛曼(Ron Lowman)表示:“引入边缘计算在本地存储数据可以降低传输成本。Synopsys对此．“然而，需要提高效率的技术来消除数据浪费，目前的主要方法是在低功耗边缘计算服务器cpu上添加AI功能，以gpu和asic或这些芯片阵列的形式连接到AI加速soc。”

AIoT在制造业、工业和化学加工、能源管理、监控、照明、交通管理和智能停车等领域正在取得进展。它还在噪音和水质监测、远程医疗设备和家庭保健方面发挥了作用。车队管理、智能废物管理、泄漏检测、智能零售和供应链管理也依赖于AIoT，机器人、智能家居以及越来越多的其他应用也依赖于AIoT。

最终的目标是优化生产过程、产品质量和成本效益。

智能芯片
使这一切成为可能的底层技术是各种类型的智能芯片，这些芯片可以经过训练来识别被认为是正常的操作，并为制造设备建立性能概要。当设备的行为超出预定轮廓时，AIoT将发出警告。

Silicon Labs工业物联网高级产品营销经理Paul Daigle表示:“智能芯片不仅仅是一个SoC。机载传感器、模数转换器(adc)、微处理器单元(mpu)和无线电的组合，以及自动改进的算法，使下一代芯片更加智能。这些具有机器学习能力的嵌入式设备可以在已知环境中进行初始训练。根据应用程序的不同，对设备进行训练以做出正确决策可能需要1到2分钟，也可能需要30分钟。经过训练的设备有各种各样的潜在用例。经过训练的设备可以安装在泵的外部，以监测其磨损情况，并在需要更换轴承时提供早期预警。带有嵌入式机器学习(ML)和麦克风的占用传感器可以识别碎玻璃的声音，从而提高安全性。或者一个带有低分辨率红外传感器的智能芯片可以在没有摄像头的情况下计算人数，帮助建筑管理人员解决能源问题。”

图1:智力层次。来源:Silicon Labs

收集哪些信息?
各种类型的制造需要各种各样的生产设备。虽然加工半导体、药品甚至食品的设备有很大的不同，但它们都有一些共同的参数，如温度、振动、噪声、能源消耗、湿度，在某些情况下还有磁场。作为AIoT的一部分，智能传感器可用于实时捕获部分或所有这些参数。利用捕获的数据，AIoT分析可以确定设备是否在可接受的范围内运行。

该公司销售和营销副总裁Dana McCarty表示:“有各种类型的传感器，包括加速度计、温度传感器、电压传感器、麦克风、摄像机、红外、射频和其他可用于评估正常运行并检测可能表明需要预防性维护的变化。Flex Logix的推理的产品。“多传感器机器学习模型将以人类不明显的方式组合信息，以感知设备维修状态。”

其他人也指出了类似的趋势。“人工智能在制造业中非常有用，”ibm机器学习营销副总裁丹尼斯·劳狄克(Dennis Laudick)说手臂．“例如，在电机控制的预防性维护的情况下，AI将首先根据制造商的规格了解什么是正常的。然后检测正常以外的参数。人工智能可以区分正常和异常的噪音。它可以区分来自规范内的电机操作或有缺陷的电机的声音。通过传感器融合，再加上温度、振动和噪声，人工智能可以非常准确地预测电机的运行状况。”

提高结果的准确性
精度是至关重要的，在制造设施中，这通常需要一些技术创新。

该公司销售和营销高级副总裁Shawn Slusser说:“拥有良好的传感器是至关重要的，因为错误的感知会给你带来糟糕的数据。英飞凌．“现在，当你将多个传感器组合在一起时，你可以进行传感器融合，所以即使一个传感器告诉你一件事，你有多个传感器可以验证它告诉你的东西。这是一种不同传感器的投票系统。通过计算和不同的传感器，这变得越来越便宜和容易。”

这包括从电子传感器到MEMS设备的所有设备，并将它们与其他传感器集成在一个单一的封装中。微机电系统压力传感器、陀螺仪和加速度计等设备在许多应用中都很常见。事实上，加速度计在20世纪90年代首次大量出现，用于测量轮胎压力和汽车安全气囊的展开。它们现在被用于手机、汽车、飞机、无人机、麦克风和智能城市，用于测量温度、振动、声音、气体和化学物质。

虽然MEMS一直涉及复杂的封装和与其他芯片的集成，但当这些传感器与其他传感器结合在传感器融合类型的应用中时，它具有全新的复杂性和潜在的实用性。

半在过去十年的大部分时间里，德国一直在推广智能制造，自2011年汉诺威博览会首次推出工业4.0以来，德国政府一直在研究自己的版本。两者的最初目标都是将计算机化与制造业融合在一起。从那时起，SEMI已经创建了一些标准用于高级分析和过程控制，数据管理和表面贴装技术装配线自动化。它进一步提出标准，以支持“聪明的未来智能数据和人工智能，包括智能家居、工作场所、交通、健康、基础设施、电网和智能制造。

SEMI MEMS和传感器产业集团执行董事Tim Brosnihan表示:“我们的目标是‘传感器化’世界。这可能包括MEMS和其他传感器的某种组合，特别是随着边缘建设的继续。

MEMS将继续成为这一转变不可或缺的一部分。英飞凌互联网、计算和无线产品营销经理Sree Harsha Angara表示:“据我们所知，目前制造业中用于预防性维护的所有传感器都是基于mems的，无论是机械还是电气。尺寸、功率和成本是预防性维护应用的关键要求，而MEMS技术在满足这些要求方面发挥着关键作用。”

连接系统
除非你从头开始建造智能工厂，否则要实现预防性维护就需要数字化、大量的规划和新的投资。在大多数工厂里，没有智能的老旧设备仍在使用，有时用传感器进行改造，而其他时候则与新设备进行数字隔离。

除此之外，不同类型的连接正在被使用，包括有线和无线。在工厂自动化的早期，RS-232和RS-422等串行接口很流行。今天，不同类型的连接必须共存。它们包括有线以太网、WiFi、蓝牙和各种类型的LPWAN。将AIoT、传感器和物联网设备连接到服务器和/或云可能具有挑战性，需要一条连接新旧设备的路径。

英飞凌的Angara说:“这其中有一些细微差别，但总的趋势是机器节点的WiFi/蓝牙，其次是将WiFi/蓝牙转换为云连接的蜂窝连接的聚合器。”“直接连接到企业，出于安全原因，WiFi并不总是被允许的，所以即使节点有WiFi，也可以有WiFi到蜂窝的聚合器。有线以太网也被看到，但它在改造模式中不太受欢迎，因为运行有线会增加基础设施成本。”

其他挑战包括混合智能传感器、哑传感器和具有或不具有边缘计算功能的设备。需要仔细的计划和部署。整个技术社区都倾向于使用边缘计算来取代以云为中心的计算。

然而，到目前为止，很少有定量信息比较基于云计算、边缘计算以及混合云和边缘的混合模型的性能。虽然这并没有减缓向AIoT的迁移，但它确实提出了一些目前还没有答案的问题。

“使用边缘计算，在一个集中的地方进行一些必要的计算是至关重要的，”麻省理工学院高效电子部门负责人安迪·海尼格(Andy Heinig)说夫琅和费IIS自适应系统工程部．“只有集中计算单元拥有传感器数据融合所需的来自不同传感器值的所有信息。集中的地方也可以按层次组织。一些集中的计算单元可以在边缘设备附近，而另一些则在云中。目前没有软件支持考虑边缘和中心节点的性能差异，以共同优化边缘和中心节点的AI算法划分，并有效地处理网络流量。”

未来
预防性维护是智能制造的重要组成部分，但这只是开始。AIoT可以部署在工厂的许多不同区域，以进一步提高生产率。例如，它可以用于进料检验。传统上，质量控制部门进行样品检验。而不是100%检查用于制造设备的组件，只有一个样本——比如10%——将被审计。通过安装3D高清摄像机，AIoT可以检查100%的部件，并在早期阶段筛选出有缺陷的部件。此外，机械臂可以挑选出有缺陷的部件或不同颜色和/或形状的部件，进一步降低废品率。

AIoT还可用于改善工人安全，从而降低工人的补偿金。例如，仓库可以配备AIoT摄像头，以确保只有穿戴适当安全设备的授权工作人员才能进入仓库。

智能制造无疑将提高生产率和盈利能力。但是仔细规划每件事情应该如何工作，包括机器学习的要求和实现，对未来的成功很重要。实际的投资回报率预期应该包括在计划中。

“传感器/处理/通信技术的投资应该在MCU层面上，”Flex Logix的McCarty建议。“你还需要现实地考虑潜在的长期培训、算法开发和现场测试的需求，但两到三年应该足以开发出可靠的技术来支持许多应用程序的预测性维护。”