传感器、边缘数据中心和控制系统在实现工业4.0中发挥着至关重要的作用。
智能制造——在工业物联网(IIoT)中使用新兴技术来解决传统制造业的挑战——正在引领一场供应链革命，导致智能、互联和智能的环境，能够自我运作和自我修复。
虽然工厂自动化已经存在了几十年，但智能制造走得更远。它结合了人工智能(AI)、机器人、数字双胞胎、增材制造和强大的云计算，提供了新的灵活性和智能水平。
智能制造是“工业4.0”或第四次工业革命的关键要素。它使制造业各个角落的公司超越传统的利益——正常运行时间和实力——专注于质量、人力生产力和整体工厂效率。结果是由于提高了吞吐量、提高了产量和减少了浪费而增加了利润。
这些技术包括产生大量数据的传感器，分析数据的数据中心，以及处理、弯曲、焊接、焊接和打印未来产品的复杂机器的控制系统。
智能制造并没有取代人类劳动力，而是使人类和这些机器之间的自主权大大提高。“协作机器人”现在在人类附近工作，受到全面的功能安全协议的限制，以确保它们保护软对手的安全，并使它们能够专注于质量、生产力和更高级别的任务。
虽然在汽车制造商或杂货店的运营中更容易感知智能制造的好处，但智能制造也为高科技行业提供了丰富的好处。
由数十亿个晶体管组成的半导体器件的复杂性不断增加。反过来，制造过程变得越来越复杂，失败的风险也非常高。半导体制造商依靠智能制造工艺来生产更高的产量，实现更高的利润率。使用人工智能的数据分析可以实现更快的故障分析和其他生产效率。
半导体制造工厂或晶圆厂的建造和维护成本高达数十亿美元，这就是为什么世界上这种工厂相对较少的原因。大部分成本都花在了设备上，而设备的维护对持续运营至关重要。通过使用智能制造技术来监控设备健康状况并执行预测性维护，晶圆厂可以显著减少计划外维护时间。
近年来的全球供应链问题也需要新的方法来解决计划外停机-智能制造扩展到预测性供应链管理，以展望未来并识别即将出现的问题以及缓解问题的方法。在2020-2021年全球芯片短缺期间，这些技术在保持晶圆厂运营方面发挥了关键作用。
所有这些的核心是数据——而且是大量的数据。一个智能工厂可以产生每周5pb所有这些数据都需要传输、存储和分析。
当然，长期以来，分析一直被用于优化系统性能。但分析软件最初的领域是程序性和算法性的，遵循MBA毕业生和软件工程师构思的策略。
在智能制造中，数据点的数量呈指数级增长，直到程序性方法崩溃。机器学习(ML)的出现现在允许工厂分析非常大的数据集中的模式，这非常适合工业4.0中常见的大规模数据分析。
但这些数据本身就有问题。我们如何处理如此海量信息的传输和分析呢?例如，计算机视觉被认为是观察工厂内操作的许多细节的智能制造所必不可少的。然而，每个智能摄像头每天可能会产生数千gb的高分辨率视频数据。
将如此多的数据向上发送到云端是不切实际的，因为它会使数据网络不堪重负，并造成瓶颈——尤其是在实时计算中，数据的价值可以以毫秒为单位衡量，提取洞察力的任何延迟或延迟都会将洞察力的价值降低到零。
因此，以工业边缘数据中心为形式的专用计算设施在智能制造中变得越来越普遍。边缘数据中心位于距离数据生成地相对较近的物理位置，可以将延迟降低到接近于零，并保留关键的时间价值，同时最大限度地提高数据隐私性并降低能源成本。
工厂里的传感器也变得越来越智能。每个端点设备中的低功耗机器学习(ML)能够分析它们正在收集的数据，并通过仅发回推断来减少传输的数据量。
为了使用计算机视觉的例子，想象一个智能摄像头被训练来检测生产线上滚动的部件的物理故障。设备不需要将每一个视频数据都发送到上游的云或边缘数据中心，而是可以分析自己的数据，只向云发送似乎显示有故障组件的视频片段。
通过传感器融合，将这些数据与其他传感器数据结合起来，我们可以获得更深入的洞察或实现新的自主水平。例如，在生产过程中为每个产品添加RFID，可能会使单个部件被标记为人工检查。
每个单独的传感器或系统通过协议进行校准并协同工作，由智能制造驱动的工厂变得远远超过其部分的总和——它是一个智能实体，在性能、生产力和社区方面进行了共同优化，并将快速解释的数据作为其命脉。
|
|
|
|
|
|
|
|
留下回复