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

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 ， 4GLTE ， 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ISA100.11a 。这两个协议都是中程（>200m），中吞吐量（250kbps）协议，保证的延迟低至10ms 。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 。

文章图片
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
【工业物联网人工智能与机器学习技术探讨】●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）。