在過去的十年中，工業系統的有線和無線基礎設施發生了巨大的變化，從傳統的現場總線技術向工業以太網轉變，以太網/ IP，ProfitNET和EtherCAT等協議取代了傳統網絡。現在，通過在石油，天然氣，制藥，過程監控/控制，車隊管理，庫存管理和工業自動化等行業垂直領域實現的工業無線傳感器網絡（IWSN）可以很容易地看到工業4.0的概念。除了簡單連接工廠車間的資產外，還可以執行更詳細的分析和預測性維護，以優化機器設備的運行。本文討論了將人工智能（AI）和機器學習（ML）與工業自動化中使用的復雜機器人技術結合使用的實現和優勢。

工業自動化機器人

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

典型的控制層次

這個概念是在90年代通過“網絡機器人技術”發展起來的，其中可以通過有線或無線通信網絡對機器人進行遠程控制。在單個機器人對幾種功能的控制與執行各種功能的機器人集合之間的變化可能會有所不同。IoRT在其體系結構中涉及五層，包括：

●硬件層

●網絡層

●服務和應用層

圖1說明了圍繞IoRT各個方面而變化的硬件和軟件。硬件層涉及各種傳感器，執行器和機器人，可對其進行遠程管理以監視和控制設備（例如，機器人，車輛，電子戰設備，家用電器，工業傳感器節點等）。網絡層包括路由器，控制器，云數據存儲以及各種形式的無線協議，這些協議可用于連接到網絡中的其他節點，其中網關和/或基站連接到云以進行更復雜的數據處理。這些協議可以在蜂窩通信（例如2G / 3G，4G LTE，LTE-A或5G）之間進行變化，以與Wi-Fi，BLE，Zigbee，Z-wave，6LoWPAN和近場通信進行短距離連接。一些特定于IIoT的協議包括WirelessHART和ISA 100.11a。這兩個協議都是中程（》 200 m），中吞吐量（250 kbps）協議，保證的延遲低至10 ms。較長距離的協議還可以以較小的有效載荷以及專門的窄帶（NB）和超窄帶（UNB）調制方案消耗低功耗。這些特性可以在低功率廣域網（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）。

服務和應用層涉及使用云路由器，智能手機，AI和ML從每個節點集中收集數據，以便對數據進行分析和管理，以進行短期和長期的操作和維護。 IoT協議已開發用于輕量級數據處理，以實現低延遲，能效和本地通信。一些用于機器人技術的數據協議包括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據的基礎結構，這對于平滑自動化至關重要。物聯網業務云服務，企業資源計劃軟件，大數據服務和機器人平臺支持的業務流程。該中間件（IaaS，PaaS，SaaS）提供了一個支持平臺，可以更輕松地使用IIoT。

圖1：IIoT應用中使用的產品和服務的細分

將AI和ML引入工業自動化

在大數據速率和大量傳感器節點的情況下，必須在IoRT系統中處理大量數據。機器學習算法的固有功能是賦予計算機從數據中學習的能力，因此可以獨特地服務于這一領域。抽象層允許數據驅動的預測而不是響應僅用于直接編程。反過來，這允許進行更復雜，更長期的處理，并將其應用于零件和設備生命周期的預測性維護中。集成了ML的機器人應用程序包括：

●機器人視覺

●機器人導航

●現場機器人

●人形機器人

●腿式輔助

●車輛建模動力學

●醫療和手術機器人

●越野機器人導航

機器學習可糾正機器人與動態環境的交互

傳統機器人是為靜態環境設計的，可通過預設機器人位置和直接編程實現可預測的結果。但是，當機器人必須與另一個動態對象交互并且可能必須基于視覺或感官反饋來預測位置時，出現了新的挑戰。有多種類型的方法可對機器人進行編程以服務于該環境，包括模仿學習和強化學習。在模仿學習中，機器人可以根據來自先前運動及其與環境的交互作用的反饋來識別如何最佳運動。在動覺教學中，可以記錄機器人的手動運動，以進行反饋和學習。機器人還可以通過遠程操作的模仿學習來學習，并且操作員位于較大的距離內。遠程操作的一些示例包括火星探測器和遠程醫療手術。在這種情況下，機器人既可以通過傳感器/視頻反饋（例如快照，運動/位置檢測等）學習其手動位置，又可以從控制器獲得的其他信息（例如觸覺反饋，操縱桿，手套等）。在強化學習中，機器人可以從一個粗略的程序開始，以基于來自環境的正面和負面反饋來完成任務和自我完善。在這種情況下，機器人可以僅通過間接目標來學習以前未演示過的新任務（例如，跳躍，快動作等）。

工業環境中的機器學習應用

許多工業應用僅要求重復性任務，就運動而言幾乎沒有變化和自由度即可完成。在許多情況下，可以實現人機協作，從而使人和機器人完成某項任務的預定部分。IIoT的未來還包括可以通過安全的無線連接進行遠程監控的全自動工廠的使用。這兩個工廠都受益于通過AI和ML的優化而大大受益。機器視覺應用程序可以通過基于像素或基于特征的方法來完成視覺檢查，其中操縱像素以獲取有關缺陷（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/失敗檢查。在任何一種情況下，都可以采用合適的機器學習算法（例如，決策樹）來訓練分類器，不僅用于故障檢測，而且可以對每個單獨零件的故障進行準確分類。

取放機器人還嚴重依賴機器視覺來進行特征提取和實時對象識別，以及依賴于反復試驗的附加學習算法來預測抓取位置。在這種情況下，不僅要考慮物體識別，還需要快速的處理時間以便將物體抓住傳送帶。在石油和天然氣工業中，機器人技術具有很高的實用性，因為它無需為了在惡劣的環境中操作危險的設備而付出人力。例如，利用無人水下機器人對海上鉆井平臺中的海床井口進行目視檢查。在石油和天然氣應用中，可以結合使用遠程檢查和遠程操作來檢查和維護傳統上需要人工的設備。還可以利用深度學習算法來利用移動交付和工廠周圍運送物料，以防止在動態環境中發生碰撞。同步定位和映射算法可以支持自動導引車（AGV）和自主移動機器人（AMR）中環境的實時3D映射（圖2）。將AGV和AMR與實時定位系統結合使用，既可以簡化工廠車間的資產管理，又可以使其自動化。

圖2：AMR和AGV已在倉庫和工廠中用于快速運輸物料和簡化流程。

使用AI和ML算法對工廠進行預測性維護和自動控制

傳統上，工業設備的維護基于標準的時間表和實踐。基于IIoT的系統可通過動態評估所有機器來消除對工廠維護，維修或更換時間表的需求一個IWSN。這消除了工廠停機的風險，同時消除了不必要的定期檢查的額外費用。例如，它可用于石油和天然氣精煉廠，無需人工干預即可定期測量設備，或者通過振動分析來定期評估工業設備（例如大型電動機）中的運動部件。機器人設備本身可以通過這些分析進行評估和維護。在很長一段時間內收集到的大量數據，使我們可以對任何機器的降級過程進行微調，從而具有學習和預測能力。使用歷史，剩余使用壽命，分類模型和傳感器數據等信息對于工業預測性維護都是至關重要的。

機器人技術AI / ML的優勢

深度學習算法在IIoT的未來已高度集成。如果不使用學習算法來實現整個工廠的平穩日常運行以及長期運行，就不可能實現全自動的工廠車間。機器人技術中AI / ML的應用非常廣泛，所有這些都針對特定的工業用例，針對特定的算法和數據進行了深入的研究。對于復雜的工業自動化應用，無線技術和AI處理本質上是聯系在一起的。
編輯：hfy