前沿研究丨用于智能维护的大数据调度和全球标准方法本文选自中国工程院院刊《E

本文选自中国工程院院刊《Engineering》2020年第7期
作者：Ruben Foresti, Stefano Rossi, Matteo Magnani, Corrado Guarino Lo Bianco, Nicola Delmonte
【前沿研究丨用于智能维护的大数据调度和全球标准方法】来源：Smart Society and Artificial Intelligence: Big Data Scheduling and the Global Standard Method Applied to Smart Maintenance[J].Engineering,2020,6(7):835-846.
编者按
人工智能在智慧社会中的运用需要对人类习惯进行分析，而这需要使用智能应用、智能基础架构、智能系统和智能网络的自动数据调度与分析。培训和操作流程之间存在一定的差距，因此需要一种专门的方法来管理和提取海量数据，并进行相关的信息挖掘以解决这一问题。
中国工程院院刊《Engineering》刊发的《智慧社会与人工智能——用于智能维护的大数据调度和全球标准方法》一文，提出了一种无需对非“数字原住民”的人力资源进行专业培训就可以管理高度定制化产品生命周期的新方法，这种方法将人类习惯和相关知识水平纳入考量，对新机器/组件与人力资源之间的关系进行评估，从而在智能管理中使用接近零故障的高级诊断来缩小人员培训与操作流程之间的差距。基于这种方法开发的诊断程序可在社会5.0中广泛使用，并能降低管理层面的风险，保证质量和可持续性，为选择新一代智能制造和智能系统提供了指导，从而优化了人机交互以及相关的智能维护和教育。
文章插图
一
引言
尽管社会4.0集成了用于获取和分析数据的网络技术，但是没有本体论的研究，信息共享与相关知识之间仍有一道鸿沟。本体论研究是社会5.0的重要组成部分，随着全球可持续性所需流程的复杂性的不断增加，环境和人类生物学分析的大量数据也不断增加。此外，使用大数据的实时决策对于增强公司的竞争优势愈加重要。文献表明，人工智能（AI）可被应用于大数据处理。大数据分析可通过已安排流程为预测性创新提供指导。
数字创新使得客户的终身价值降低，而这需要为非“数字原住民”（不熟悉数字系统的人）的人力资源（HR）提供灵活且具有智能人机交互技术的制造系统。
尽管这些问题已经存在了一段时间，但许多公司至今还没有准备好利用智能分析工具来管理大数据，尤其是在显然需要商业分析软件的信息技术（IT）系统的生产线方面。
从自动化流程中收集信息的主要困难之一在于生产系统的创新，其必须通过整合新型生产机器或采用不同制造商开发的各项技术进行重新配置，以应对市场变化。例如，为了缩短从下订单到产品装运之间的时间，大规模定制需要以高质量标准进行快速生产，同时在物理空间和网络空间之间使用智能系统。为了找出易于掌握的程序以确保机器的快速重新配置，人力资源习惯的分析是必不可少的一环。
在本文中，我们提出了一种无需对非“数字原住民”的人力资源进行专业培训就可以管理高度定制化产品生命周期的新方法。该方法在不同的维护操作中应用同一项标准协议，以评估人-信息-物理系统（HCPS）的智能基础架构设计。
我们将这一方法应用于12家饮料公司的生产线，这些生产线均安装了高级诊断（AD）系统。之所以选择这些公司，是因为瓶子样式的更改不需要高难度的软件（SW）定制，因此降低了可变性，使我们能够专注于人类活动的分析。这项工作要解决的主要问题是如何开发一种与人力资源培训无关且基于定制安排的智能系统来连接网络空间和物理空间，以便利用智能基础架构和应用程序自动管理大量数据，从而减少故障和停工时间。本研究证明该方法可以减少人力资源培训并提高生产效率。
二背景介绍
制造业中应用的信息和通信技术使得生产系统具有高度自动化、高效、灵活和智能的特点。这些生产系统需要有效的维修组织，而这些组织可以通过工程学方法实现，即利用工程工具和方法设计控制论系统，如用于数字化、网络化和人工智能的工具与方法。越来越多的公司采用先进的生产系统，利用计算机集成制造来保持自己的竞争优势。这种先进的方法在高质量标准、低成本的自动化生产中拥有出色的表现，可以为智能企业设计一种经验检验方法。
在这种情况下，我们可以执行一套完整的流程，该流程根据人力资源经验和统计数据定义过程参数，其中经验案例让我们可以在应用的人工神经网络（与不同流程相关的共有变量）中识别节点，使得网络空间中的感兴趣区域（ROI）成为扩展至工业4.0的有效选择。在一般的过程中，为了让人力资源能够应对异常的操作条件（如机器在制造过程中出现故障），相应的新的培训课程数据需要用与恢复干预相关的数据进行更新，并由人工智能算法加以分析与精确，以确保系统得以持续改进。