在過(guò)去的十年中，工業(yè)系統(tǒng)的有線和無(wú)線基礎(chǔ)設(shè)施發(fā)生了巨大的變化，從傳統(tǒng)的現(xiàn)場(chǎng)總線技術(shù)向工業(yè)以太網(wǎng)轉(zhuǎn)變，以太網(wǎng)/ IP，ProfitNET和EtherCAT等協(xié)議取代了傳統(tǒng)網(wǎng)絡(luò)?，F(xiàn)在，通過(guò)在石油，天然氣，制藥，過(guò)程監(jiān)控/控制，車隊(duì)管理，庫(kù)存管理和工業(yè)自動(dòng)化等行業(yè)垂直領(lǐng)域?qū)崿F(xiàn)的工業(yè)無(wú)線傳感器網(wǎng)絡(luò)（IWSN）可以很容易地看到工業(yè)4.0的概念。除了簡(jiǎn)單連接工廠車間的資產(chǎn)外，還可以執(zhí)行更詳細(xì)的分析和預(yù)測(cè)性維護(hù)，以優(yōu)化機(jī)器設(shè)備的運(yùn)行。本文討論了將人工智能（AI）和機(jī)器學(xué)習(xí)（ML）與工業(yè)自動(dòng)化中使用的復(fù)雜機(jī)器人技術(shù)結(jié)合使用的實(shí)現(xiàn)和優(yōu)勢(shì)。

工業(yè)自動(dòng)化機(jī)器人

工業(yè)機(jī)器人已被廣泛用于許多行業(yè)，以執(zhí)行重復(fù)、艱巨而精確的任務(wù)。機(jī)器人技術(shù)還消除了對(duì)可能造成人身傷害任務(wù)的可能性；例如，六軸工業(yè)機(jī)器人可以高效地進(jìn)行汽車噴漆。其他基于機(jī)器人技術(shù)的應(yīng)用包括自動(dòng)包裝，機(jī)器維護(hù)，電路板測(cè)試，貼裝電路組裝，金屬加工和屏蔽焊接。這些機(jī)器的高精度使它們能夠以相對(duì)較低的失效率成功完成任務(wù)，特別是與利用人工的裝配線相比。機(jī)器人物聯(lián)網(wǎng)（IoRT）將IIoT推向了最前沿，需要結(jié)合相對(duì)高吞吐量，低延遲和高可靠性的通信。

典型的控制層次

這個(gè)概念是在90年代通過(guò)“網(wǎng)絡(luò)機(jī)器人技術(shù)”發(fā)展起來(lái)的，其中可以通過(guò)有線或無(wú)線通信網(wǎng)絡(luò)對(duì)機(jī)器人進(jìn)行遠(yuǎn)程控制。在單個(gè)機(jī)器人對(duì)幾種功能的控制與執(zhí)行各種功能的機(jī)器人集合之間的變化可能會(huì)有所不同。IoRT在其體系結(jié)構(gòu)中涉及五層，包括：

●硬件層

●網(wǎng)絡(luò)層

●服務(wù)和應(yīng)用層

圖1說(shuō)明了圍繞IoRT各個(gè)方面而變化的硬件和軟件。硬件層涉及各種傳感器，執(zhí)行器和機(jī)器人，可對(duì)其進(jìn)行遠(yuǎn)程管理以監(jiān)視和控制設(shè)備（例如，機(jī)器人，車輛，電子戰(zhàn)設(shè)備，家用電器，工業(yè)傳感器節(jié)點(diǎn)等）。網(wǎng)絡(luò)層包括路由器，控制器，云數(shù)據(jù)存儲(chǔ)以及各種形式的無(wú)線協(xié)議，這些協(xié)議可用于連接到網(wǎng)絡(luò)中的其他節(jié)點(diǎn)，其中網(wǎng)關(guān)和/或基站連接到云以進(jìn)行更復(fù)雜的數(shù)據(jù)處理。這些協(xié)議可以在蜂窩通信（例如2G / 3G，4G LTE，LTE-A或5G）之間進(jìn)行變化，以與Wi-Fi，BLE，Zigbee，Z-wave，6LoWPAN和近場(chǎng)通信進(jìn)行短距離連接。一些特定于IIoT的協(xié)議包括WirelessHART和ISA 100.11a。這兩個(gè)協(xié)議都是中程（》 200 m），中吞吐量（250 kbps）協(xié)議，保證的延遲低至10 ms。較長(zhǎng)距離的協(xié)議還可以以較小的有效載荷以及專門(mén)的窄帶（NB）和超窄帶（UNB）調(diào)制方案消耗低功耗。這些特性可以在低功率廣域網(wǎng)（LPWAN）中找到，例如LoRaWAN，Sigfox，Weightless，以及特定于蜂窩的LPWAN（例如NB-IoT和LTE-M）。

服務(wù)和應(yīng)用層涉及使用云路由器，智能手機(jī)，AI和ML從每個(gè)節(jié)點(diǎn)集中收集數(shù)據(jù)，以便對(duì)數(shù)據(jù)進(jìn)行分析和管理，以進(jìn)行短期和長(zhǎng)期的操作和維護(hù)。 IoT協(xié)議已開(kāi)發(fā)用于輕量級(jí)數(shù)據(jù)處理，以實(shí)現(xiàn)低延遲，能效和本地通信。一些用于機(jī)器人技術(shù)的數(shù)據(jù)協(xié)議包括MQTT，CoAP，XMPP，IPv6，UDP，DTLS，AMQP，uLP和LLAP.1。這一層還涉及支持和跟蹤所有這些數(shù)據(jù)的基礎(chǔ)結(jié)構(gòu)，這對(duì)于平滑自動(dòng)化至關(guān)重要。物聯(lián)網(wǎng)業(yè)務(wù)云服務(wù)，企業(yè)資源計(jì)劃軟件，大數(shù)據(jù)服務(wù)和機(jī)器人平臺(tái)支持的業(yè)務(wù)流程。該中間件（IaaS，PaaS，SaaS）提供了一個(gè)支持平臺(tái)，可以更輕松地使用IIoT。

圖1：IIoT應(yīng)用中使用的產(chǎn)品和服務(wù)的細(xì)分

將AI和ML引入工業(yè)自動(dòng)化

在大數(shù)據(jù)速率和大量傳感器節(jié)點(diǎn)的情況下，必須在IoRT系統(tǒng)中處理大量數(shù)據(jù)。機(jī)器學(xué)習(xí)算法的固有功能是賦予計(jì)算機(jī)從數(shù)據(jù)中學(xué)習(xí)的能力，因此可以獨(dú)特地服務(wù)于這一領(lǐng)域。抽象層允許數(shù)據(jù)驅(qū)動(dòng)的預(yù)測(cè)而不是響應(yīng)僅用于直接編程。反過(guò)來(lái)，這允許進(jìn)行更復(fù)雜，更長(zhǎng)期的處理，并將其應(yīng)用于零件和設(shè)備生命周期的預(yù)測(cè)性維護(hù)中。集成了ML的機(jī)器人應(yīng)用程序包括：

●機(jī)器人視覺(jué)

●機(jī)器人導(dǎo)航

●現(xiàn)場(chǎng)機(jī)器人

●人形機(jī)器人

●腿式輔助

●車輛建模動(dòng)力學(xué)

●醫(yī)療和手術(shù)機(jī)器人

●越野機(jī)器人導(dǎo)航

機(jī)器學(xué)習(xí)可糾正機(jī)器人與動(dòng)態(tài)環(huán)境的交互

傳統(tǒng)機(jī)器人是為靜態(tài)環(huán)境設(shè)計(jì)的，可通過(guò)預(yù)設(shè)機(jī)器人位置和直接編程實(shí)現(xiàn)可預(yù)測(cè)的結(jié)果。但是，當(dāng)機(jī)器人必須與另一個(gè)動(dòng)態(tài)對(duì)象交互并且可能必須基于視覺(jué)或感官反饋來(lái)預(yù)測(cè)位置時(shí)，出現(xiàn)了新的挑戰(zhàn)。有多種類型的方法可對(duì)機(jī)器人進(jìn)行編程以服務(wù)于該環(huán)境，包括模仿學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。在模仿學(xué)習(xí)中，機(jī)器人可以根據(jù)來(lái)自先前運(yùn)動(dòng)及其與環(huán)境的交互作用的反饋來(lái)識(shí)別如何最佳運(yùn)動(dòng)。在動(dòng)覺(jué)教學(xué)中，可以記錄機(jī)器人的手動(dòng)運(yùn)動(dòng)，以進(jìn)行反饋和學(xué)習(xí)。機(jī)器人還可以通過(guò)遠(yuǎn)程操作的模仿學(xué)習(xí)來(lái)學(xué)習(xí)，并且操作員位于較大的距離內(nèi)。遠(yuǎn)程操作的一些示例包括火星探測(cè)器和遠(yuǎn)程醫(yī)療手術(shù)。在這種情況下，機(jī)器人既可以通過(guò)傳感器/視頻反饋（例如快照，運(yùn)動(dòng)/位置檢測(cè)等）學(xué)習(xí)其手動(dòng)位置，又可以從控制器獲得的其他信息（例如觸覺(jué)反饋，操縱桿，手套等）。在強(qiáng)化學(xué)習(xí)中，機(jī)器人可以從一個(gè)粗略的程序開(kāi)始，以基于來(lái)自環(huán)境的正面和負(fù)面反饋來(lái)完成任務(wù)和自我完善。在這種情況下，機(jī)器人可以僅通過(guò)間接目標(biāo)來(lái)學(xué)習(xí)以前未演示過(guò)的新任務(wù)（例如，跳躍，快動(dòng)作等）。

工業(yè)環(huán)境中的機(jī)器學(xué)習(xí)應(yīng)用

許多工業(yè)應(yīng)用僅要求重復(fù)性任務(wù)，就運(yùn)動(dòng)而言幾乎沒(méi)有變化和自由度即可完成。在許多情況下，可以實(shí)現(xiàn)人機(jī)協(xié)作，從而使人和機(jī)器人完成某項(xiàng)任務(wù)的預(yù)定部分。IIoT的未來(lái)還包括可以通過(guò)安全的無(wú)線連接進(jìn)行遠(yuǎn)程監(jiān)控的全自動(dòng)工廠的使用。這兩個(gè)工廠都受益于通過(guò)AI和ML的優(yōu)化而大大受益。機(jī)器視覺(jué)應(yīng)用程序可以通過(guò)基于像素或基于特征的方法來(lái)完成視覺(jué)檢查，其中操縱像素以獲取有關(guān)缺陷（如劃痕，表面粗糙度和氣泡）的信息，或者將一般特征用于通過(guò)/失敗檢查。在任何一種情況下，都可以采用合適的機(jī)器學(xué)習(xí)算法（例如，決策樹(shù)）來(lái)訓(xùn)練分類器，不僅用于故障檢測(cè)，而且可以對(duì)每個(gè)單獨(dú)零件的故障進(jìn)行準(zhǔn)確分類。

取放機(jī)器人還嚴(yán)重依賴機(jī)器視覺(jué)來(lái)進(jìn)行特征提取和實(shí)時(shí)對(duì)象識(shí)別，以及依賴于反復(fù)試驗(yàn)的附加學(xué)習(xí)算法來(lái)預(yù)測(cè)抓取位置。在這種情況下，不僅要考慮物體識(shí)別，還需要快速的處理時(shí)間以便將物體抓住傳送帶。在石油和天然氣工業(yè)中，機(jī)器人技術(shù)具有很高的實(shí)用性，因?yàn)樗鼰o(wú)需為了在惡劣的環(huán)境中操作危險(xiǎn)的設(shè)備而付出人力。例如，利用無(wú)人水下機(jī)器人對(duì)海上鉆井平臺(tái)中的海床井口進(jìn)行目視檢查。在石油和天然氣應(yīng)用中，可以結(jié)合使用遠(yuǎn)程檢查和遠(yuǎn)程操作來(lái)檢查和維護(hù)傳統(tǒng)上需要人工的設(shè)備。還可以利用深度學(xué)習(xí)算法來(lái)利用移動(dòng)交付和工廠周圍運(yùn)送物料，以防止在動(dòng)態(tài)環(huán)境中發(fā)生碰撞。同步定位和映射算法可以支持自動(dòng)導(dǎo)引車（AGV）和自主移動(dòng)機(jī)器人（AMR）中環(huán)境的實(shí)時(shí)3D映射（圖2）。將AGV和AMR與實(shí)時(shí)定位系統(tǒng)結(jié)合使用，既可以簡(jiǎn)化工廠車間的資產(chǎn)管理，又可以使其自動(dòng)化。

圖2：AMR和AGV已在倉(cāng)庫(kù)和工廠中用于快速運(yùn)輸物料和簡(jiǎn)化流程。

使用AI和ML算法對(duì)工廠進(jìn)行預(yù)測(cè)性維護(hù)和自動(dòng)控制

傳統(tǒng)上，工業(yè)設(shè)備的維護(hù)基于標(biāo)準(zhǔn)的時(shí)間表和實(shí)踐?；贗IoT的系統(tǒng)可通過(guò)動(dòng)態(tài)評(píng)估所有機(jī)器來(lái)消除對(duì)工廠維護(hù)，維修或更換時(shí)間表的需求一個(gè)IWSN。這消除了工廠停機(jī)的風(fēng)險(xiǎn)，同時(shí)消除了不必要的定期檢查的額外費(fèi)用。例如，它可用于石油和天然氣精煉廠，無(wú)需人工干預(yù)即可定期測(cè)量設(shè)備，或者通過(guò)振動(dòng)分析來(lái)定期評(píng)估工業(yè)設(shè)備（例如大型電動(dòng)機(jī)）中的運(yùn)動(dòng)部件。機(jī)器人設(shè)備本身可以通過(guò)這些分析進(jìn)行評(píng)估和維護(hù)。在很長(zhǎng)一段時(shí)間內(nèi)收集到的大量數(shù)據(jù)，使我們可以對(duì)任何機(jī)器的降級(jí)過(guò)程進(jìn)行微調(diào)，從而具有學(xué)習(xí)和預(yù)測(cè)能力。使用歷史，剩余使用壽命，分類模型和傳感器數(shù)據(jù)等信息對(duì)于工業(yè)預(yù)測(cè)性維護(hù)都是至關(guān)重要的。

機(jī)器人技術(shù)AI / ML的優(yōu)勢(shì)

深度學(xué)習(xí)算法在IIoT的未來(lái)已高度集成。如果不使用學(xué)習(xí)算法來(lái)實(shí)現(xiàn)整個(gè)工廠的平穩(wěn)日常運(yùn)行以及長(zhǎng)期運(yùn)行，就不可能實(shí)現(xiàn)全自動(dòng)的工廠車間。機(jī)器人技術(shù)中AI / ML的應(yīng)用非常廣泛，所有這些都針對(duì)特定的工業(yè)用例，針對(duì)特定的算法和數(shù)據(jù)進(jìn)行了深入的研究。對(duì)于復(fù)雜的工業(yè)自動(dòng)化應(yīng)用，無(wú)線技術(shù)和AI處理本質(zhì)上是聯(lián)系在一起的。
編輯：hfy