AI在工業控制方面的應用

隨著第四次工業革命的不斷推進，AI技術正逐漸成為工業系統不可或缺的一部分，且仍在不斷地推動著工業自動化向更高水平的智能制造轉型。AI在工業自動化領域的應用，包括智能機器人、自動化生產線、智能物流、質量控制、設備維護等，讓工業制造逐步實現從自動化到數字化、智能化的蛻變升級。

在傳統視角中，工業控制似乎都是自動化的事情，和AI隔得相對較遠。但當前工業科技飛速發展，我們應該重新認識當前的工業控制技術了。根據IFAC對工業技術影響力的調查結果發現，基于AI的控制在很多行業應用已經追趕、甚至超過了傳統的控制方法。

在故障狀態預測方面，傳統的故障診斷需要依靠維修人員主動觀察和判斷，這就存在著效率低且誤差高等問題。利用AI技術，通過對工控系統運行數據的分析和學習，便可以高質量的預測可能發生的故障，從而提前進行維護。利用AI的學習技術，可對機器的運行狀態進行監測和分類，識別潛在故障，并立即通知相關人員并采取相應的行動。此外，AI技術還可以利用歷史數據進行預測，從而提前采取措施，以避免生產過程中的問題，且可以有效避免生產中斷，提高生產效率。

    AI技術在工業生產中的應用還包括生產過程的優化。借助人工智能技術，對生產過程進行實時監控和優化，可快速地發現過程中存在的問題，并采取相應的措施，從而提高生產效率和產品質量。

    AI技術的強大之處在于其可以對工業控制系統進行自適應調節。比如，神經網絡控制器能通過對工業系統的學習和訓練，自動找出最優的控制策略，實現快速而準確的控制效果。

且能夠實現生產調度與資源優化，對生產過程中各個環節的數據進行分析和評估，可以使生產過程更加合理、更加高效。同時，智能化的生產系統也能夠通過優化調度，降低成本，提高經濟效益。

AI技術基于數據分析和算法訓練的方式，可以不斷地對工業控制系統進行持續改進。隨著數據量的增加，人工智能系統能夠不斷優化自身的識別和預測能力，從而實現更加高效、更加智能的控制效果。

近年來，隨著產業結構的調整、制造水平的進一步提升，我國工業自動化控制技術、產業和應用如雨后春筍般涌現，但在工業領域一些高難度、復雜的應用場景，仍然高度依賴人工。AI的出現恰好為這一困境提供了解決方案，不僅是重復的機械活動，還有一些需要人類輔助參與的任務，AI都可以出色完成。

然而在AI的工業自動化應用方面，半導體行業巨頭英特爾近日和紅帽聯手創建了用于工業和跨垂直領域部署的云和邊緣原生5G專網解決方案，該解決方案不僅成本效益高，而且更易于采用。這使制造商能夠更容易抓住基于人工智能的軟件定義的運營和工廠帶來的巨大創收機遇。

這一參考解決方案包含Intel FlexRAN?軟件，用于在新推出的Intel Edge Platform和紅帽OpenShift上提供專有無線連接。這一值得信賴的解決方案可通過兩家公司合作伙伴生態系統（業界最大的生態系統之一）中的第三方創新成果進行擴展或定制。通過在這個專有無線解決方案上整合Intel Edge Platform，并與我們的合作伙伴生態系統合作，紅帽為服務提供商創建了經過驗證和認證的解決方案，幫助他們利用紅帽平臺和技術實現業務成果。該解決方案對開發者也很友好，不會犧牲人工智能應用和工作負載的高端計算性能。

紅帽OpenShift為5G專網工作負載提供了一個統一的云原生平臺。OpenShift具有可擴展性，為連接能力和應用提供了靈活的架構，支持以更小的體積重新裝配，從而構成了可覆蓋邊緣設備的企業專用無線網絡。

部署后，5G專網可在現代化、自動化、可擴展且易管理的云原生平臺上運行，提供必要的連接、工具和應用，實現在工廠車間注入人工智能，并增強安全能力。用例包括：預測性維護、用于數據提取的移動傳感器、具有更高敏捷性的人工智能互連設備等等。

邊緣AI同樣也在為工業控制領域發揮著重要作用，邊緣AI可以說是邊緣計算和AI的結合體，其解決方案通過實現實時監控正在改變工業部門。通過對比了解并探索30多個應用案例，發現邊緣人工智能解決方案實現了更高效、更主動和更高數據驅動的運營，并有助于提高安全性、減少或防止停機、優化生產及加強質量控制，通過實時分析來自智能傳感器的振動、聲音或溫度等數據，邊緣人工智能解決方案實現了預測性維護解決方案。

針對于此，ST公司研發出基于云連接的邊緣處理解決方案SL-PREDMNT-E2C1，用于工業電機狀態監測。該解決方案將ST的運動和環境傳感器、STM32F4微控制器（MCU）和STM32MP157微處理單元（MPU）組合在同一狀態監測和預測性維護框架中。它將智能傳感器節點連接到云服務，如數據湖和監測儀表板。

   智能傳感器節點包括選定的環境和各個振動傳感器、一個STM32 MCU，以及多個連接接口。這些節點放置在工業機械的上部或周圍，用于收集來自LPS22HB和HTS221傳感器的溫度、壓力和濕度數據，以及來自IIS3DWB三軸加速度計的振動數據。同一傳感器節點的STM32 MCU啟動邊緣處理，將振動信號轉換為頻域和時域數據。

    將來自最多四個傳感器節點的數據合并后，通過集中器被路由到一個配備STM32MP157 MPU的網關，以供進一步的邊緣處理。在將所有數據發送到基于服務器或基于云計算的系統，以供進一步分析之前，該節點將對數據進行提純和整合。

    ST提供預測性維護儀表板應用程序，以演示云功能如何使該解決方案變得完整。儀表板配置運行AWS IoT Greengrass服務和AWS IoT核心的邊緣網關節點?？蛻艨梢栽趦x表板上繪制狀態數據曲線并進行監測，并將警告閾值配置為端到端預測性維護解決方案的一部分。

智能工廠是集物理制造流程與先進的數字技術于一體的制造系統。通過利用通信技術收集公司內外的制造相關數據，并利用模數融合技術來實現從產品設計到制造、檢驗、以及配送的所有流程相互聯動，可以大幅提高效率。通過融合自動化、數據分析、IoT、AI等技術，可以協助解決工廠中的諸多課題。

    在智能工廠中，從IoT設備收集到的大量數據是優化生產流程的關鍵所在。通過AI和先進的數據分析技術，這些數據將被用在改善品質管理、提高生產效率以及預測性維護等工作中。這種數據驅動方法可以為制造業帶來革新性價值，并幫助企業獲得競爭優勢。

然而，在傳統的系統中，要想用傳感器獲取和傳輸數據，需要用到很多線纜、電源、計算機和存儲系統，而這要花費巨大的成本和大量時間，無疑會提高導入門檻。

    針對這一課題，ROHM利用基于EnOcean?的無電池解決方案和即使在工廠內也能穩定通信的低功耗無線Wi-SUN?，打造出體積小巧、設置靈活性高、可以大幅減少導入成本和時間的傳感器節點解決方案。僅需將其安裝在現有設備上，即可輕松實現支持機器健康的無線傳感器解決方案。

    ROHM的Solist-AI?是一種支持現場學習的獨立AI解決方案，因此AI系統可以在設備端學習（分析）不同安裝環境中每臺設備的正常狀態并進行推理。另外，還能輕松地在每臺安裝的設備上重新學習。這會消除對云網絡和服務器的依賴，有助于削減工時、成本和功耗。目前，ROHM正在開發配備ARM Cortex M0+和設備端學習AI加速器的AI芯片ML63Q2500系列（預計于2024年提供樣品，2025年量產）。

AI時代已經到來，半導體各領域能否抓住時代的機遇？如何利用AI為企業降本增效，是每一家制造業相關企業急需考慮的重中之重。EEPW也將持續關注并為大家報道各企業最新新聞，更多信息和咨詢請持續關注EEPW官網。