工业物联网人工智能与机器学习技术探讨( 二 ) 在过去的十年中

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。

文章图片
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。