工业物联网人工智能与机器学习技术探讨
在过去的十年中，工业系统的有线和无线基础设施发生了巨大的变化，从传统的现场总线技术向工业以太网转变，以太网/ IP，ProfitNET和EtherCAT等协议取代了传统网络。现在，通过在石油，天然气，制药，过程监控/控制，车队管理，库存管理和工业自动化等行业垂直领域实现的工业无线传感器网络（IWSN）可以很容易地看到工业4.0的概念。除了简单连接工厂车间的资产外，还可以执行更详细的分析和预测性维护，以优化机器设备的运行。本文讨论了将人工智能（AI）和机器学习（ML）与工业自动化中使用的复杂机器人技术结合使用的实现和优势。
工业自动化机器人
工业机器人已被广泛用于许多行业，以执行重复、艰巨而精确的任务。机器人技术还消除了对可能造成人身伤害任务的可能性；例如，六轴工业机器人可以高效地进行汽车喷漆。其他基于机器人技术的应用包括自动包装，机器维护，电路板测试，贴装电路组装，金属加工和屏蔽焊接。这些机器的高精度使它们能够以相对较低的失效率成功完成任务，特别是与利用人工的装配线相比。机器人物联网（IoRT）将IIoT推向了最前沿，需要结合相对高吞吐量，低延迟和高可靠性的通信。
典型的控制层次
这个概念是在90年代通过“网络机器人技术”发展起来的，其中可以通过有线或无线通信网络对机器人进行远程控制。在单个机器人对几种功能的控制与执行各种功能的机器人集合之间的变化可能会有所不同。IoRT在其体系结构中涉及五层，包括：
●硬件层
●网络层
●服务和应用层
图1说明了围绕IoRT各个方面而变化的硬件和软件。硬件层涉及各种传感器，执行器和机器人，可对其进行远程管理以监视和控制设备（例如，机器人，车辆，电子战设备，家用电器，工业传感器节点等）。网络层包括路由器，控制器，云数据存储以及各种形式的无线协议，这些协议可用于连接到网络中的其他节点，其中网关和/或基站连接到云以进行更复杂的数据处理。这些协议可以在蜂窝通信（例如2G / 3G，4G LTE，LTE-A或5G）之间进行变化，以与Wi-Fi，BLE，Zigbee，Z-wave，6LoWPAN和近场通信进行短距离连接。一些特定于IIoT的协议包括WirelessHART和ISA 100.11a。这两个协议都是中程（> 200 m），中吞吐量（250 kbps）协议，保证的延迟低至10 ms。较长距离的协议还可以以较小的有效载荷以及专门的窄带（NB）和超窄带（UNB）调制方案消耗低功耗。这些特性可以在低功率广域网（LPWAN）中找到，例如LoRaWAN，Sigfox，Weightless，以及特定于蜂窝的LPWAN（例如NB-IoT和LTE-M）。
服务和应用层涉及使用云路由器，智能手机，AI和ML从每个节点集中收集数据，以便对数据进行分析和管理，以进行短期和长期的操作和维护。 IoT协议已开发用于轻量级数据处理，以实现低延迟，能效和本地通信。一些用于机器人技术的数据协议包括MQTT，CoAP，XMPP，IPv6，UDP，DTLS，AMQP，uLP和LLAP.1。这一层还涉及支持和跟踪所有这些数据的基础结构，这对于平滑自动化至关重要。物联网业务云服务，企业资源计划软件，大数据服务和机器人平台支持的业务流程。该中间件（IaaS，PaaS，SaaS）提供了一个支持平台，可以更轻松地使用IIoT。
图1：IIoT应用中使用的产品和服务的细分
将AI和ML引入工业自动化
在大数据速率和大量传感器节点的情况下，必须在IoRT系统中处理大量数据。机器学习算法的固有功能是赋予计算机从数据中学习的能力，因此可以独特地服务于这一领域。抽象层允许数据驱动的预测而不是响应仅用于直接编程。反过来，这允许进行更复杂，更长期的处理，并将其应用于零件和设备生命周期的预测性维护中。集成了ML的机器人应用程序包括：
●机器人视觉
●机器人导航
●现场机器人
●人形机器人
●腿式辅助
●车辆建模动力学
●医疗和手术机器人
●越野机器人导航
机器学习可纠正机器人与动态环境的交互
传统机器人是为静态环境设计的，可通过预设机器人位置和直接编程实现可预测的结果。但是，当机器人必须与另一个动态对象交互并且可能必须基于视觉或感官反馈来预测位置时，出现了新的挑战。有多种类型的方法可对机器人进行编程以服务于该环境，包括模仿学习和强化学习。在模仿学习中，机器人可以根据来自先前运动及其与环境的交互作用的反馈来识别如何最佳运动。在动觉教学中，可以记录机器人的手动运动，以进行反馈和学习。机器人还可以通过远程操作的模仿学习来学习，并且操作员位于较大的距离内。远程操作的一些示例包括火星探测器和远程医疗手术。在这种情况下，机器人既可以通过传感器/视频反馈（例如快照，运动/位置检测等）学习其手动位置，又可以从控制器获得的其他信息（例如触觉反馈，操纵杆，手套等）。在强化学习中，机器人可以从一个粗略的程序开始，以基于来自环境的正面和负面反馈来完成任务和自我完善。在这种情况下，机器人可以仅通过间接目标来学习以前未演示过的新任务（例如，跳跃，快动作等）。
工业环境中的机器学习应用
许多工业应用仅要求重复性任务，就运动而言几乎没有变化和自由度即可完成。在许多情况下，可以实现人机协作，从而使人和机器人完成某项任务的预定部分。IIoT的未来还包括可以通过安全的无线连接进行远程监控的全自动工厂的使用。这两个工厂都受益于通过AI和ML的优化而大大受益。机器视觉应用程序可以通过基于像素或基于特征的方法来完成视觉检查，其中操纵像素以获取有关缺陷（如划痕，表面粗糙度和气泡）的信息，或者将一般特征用于通过/失败检查。在任何一种情况下，都可以采用合适的机器学习算法（例如，决策树）来训练分类器，不仅用于故障检测，而且可以对每个单独零件的故障进行准确分类。
取放机器人还严重依赖机器视觉来进行特征提取和实时对象识别，以及依赖于反复试验的附加学习算法来预测抓取位置。在这种情况下，不仅要考虑物体识别，还需要快速的处理时间以便将物体抓住传送带。在石油和天然气工业中，机器人技术具有很高的实用性，因为它无需为了在恶劣的环境中操作危险的设备而付出人力。例如，利用无人水下机器人对海上钻井平台中的海床井口进行目视检查。在石油和天然气应用中，可以结合使用远程检查和远程操作来检查和维护传统上需要人工的设备。还可以利用深度学习算法来利用移动交付和工厂周围运送物料，以防止在动态环境中发生碰撞。同步定位和映射算法可以支持自动导引车（AGV）和自主移动机器人（AMR）中环境的实时3D映射（图2）。将AGV和AMR与实时定位系统结合使用，既可以简化工厂车间的资产管理，又可以使其自动化。
图2：AMR和AGV已在仓库和工厂中用于快速运输物料和简化流程。
使用AI和ML算法对工厂进行预测性维护和自动控制
传统上，工业设备的维护基于标准的时间表和实践。基于IIoT的系统可通过动态评估所有机器来消除对工厂维护，维修或更换时间表的需求一个IWSN。这消除了工厂停机的风险，同时消除了不必要的定期检查的额外费用。例如，它可用于石油和天然气精炼厂，无需人工干预即可定期测量设备，或者通过振动分析来定期评估工业设备（例如大型电动机）中的运动部件。机器人设备本身可以通过这些分析进行评估和维护。在很长一段时间内收集到的大量数据，使我们可以对任何机器的降级过程进行微调，从而具有学习和预测能力。使用历史，剩余使用寿命，分类模型和传感器数据等信息对于工业预测性维护都是至关重要的。
机器人技术AI / ML的优势
深度学习算法在IIoT的未来已高度集成。如果不使用学习算法来实现整个工厂的平稳日常运行以及长期运行，就不可能实现全自动的工厂车间。机器人技术中AI / ML的应用非常广泛，所有这些都针对特定的工业用例，针对特定的算法和数据进行了深入的研究。对于复杂的工业自动化应用，无线技术和AI处理本质上是联系在一起的。
