AI在工业控制方面的应用

随着第四次工业革命的不断推进，AI技术正逐渐成为工业系统不可或缺的一部分，且仍在不断地推动着工业自动化向更高水平的智能制造转型。AI在工业自动化领域的应用，包括智能机器人、自动化生产线、智能物流、质量控制、设备维护等，让工业制造逐步实现从自动化到数字化、智能化的蜕变升级。

在传统视角中，工业控制似乎都是自动化的事情，和AI隔得相对较远。但当前工业科技飞速发展，我们应该重新认识当前的工业控制技术了。根据IFAC对工业技术影响力的调查结果发现，基于AI的控制在很多行业应用已经追赶、甚至超过了传统的控制方法。

在故障状态预测方面，传统的故障诊断需要依靠维修人员主动观察和判断，这就存在着效率低且误差高等问题。利用AI技术，通过对工控系统运行数据的分析和学习，便可以高质量的预测可能发生的故障，从而提前进行维护。利用AI的学习技术，可对机器的运行状态进行监测和分类，识别潜在故障，并立即通知相关人员并采取相应的行动。此外，AI技术还可以利用历史数据进行预测，从而提前采取措施，以避免生产过程中的问题，且可以有效避免生产中断，提高生产效率。

    AI技术在工业生产中的应用还包括生产过程的优化。借助人工智能技术，对生产过程进行实时监控和优化，可快速地发现过程中存在的问题，并采取相应的措施，从而提高生产效率和产品质量。

    AI技术的强大之处在于其可以对工业控制系统进行自适应调节。比如，神经网络控制器能通过对工业系统的学习和训练，自动找出最优的控制策略，实现快速而准确的控制效果。

且能够实现生产调度与资源优化，对生产过程中各个环节的数据进行分析和评估，可以使生产过程更加合理、更加高效。同时，智能化的生产系统也能够通过优化调度，降低成本，提高经济效益。

AI技术基于数据分析和算法训练的方式，可以不断地对工业控制系统进行持续改进。随着数据量的增加，人工智能系统能够不断优化自身的识别和预测能力，从而实现更加高效、更加智能的控制效果。

近年来，随着产业结构的调整、制造水平的进一步提升，我国工业自动化控制技术、产业和应用如雨后春笋般涌现，但在工业领域一些高难度、复杂的应用场景，仍然高度依赖人工。AI的出现恰好为这一困境提供了解决方案，不仅是重复的机械活动，还有一些需要人类辅助参与的任务，AI都可以出色完成。

然而在AI的工业自动化应用方面，半导体行业巨头英特尔近日和红帽联手创建了用于工业和跨垂直领域部署的云和边缘原生5G专网解决方案，该解决方案不仅成本效益高，而且更易于采用。这使制造商能够更容易抓住基于人工智能的软件定义的运营和工厂带来的巨大创收机遇。

这一参考解决方案包含Intel FlexRAN®软件，用于在新推出的Intel Edge Platform和红帽OpenShift上提供专有无线连接。这一值得信赖的解决方案可通过两家公司合作伙伴生态系统（业界最大的生态系统之一）中的第三方创新成果进行扩展或定制。通过在这个专有无线解决方案上整合Intel Edge Platform，并与我们的合作伙伴生态系统合作，红帽为服务提供商创建了经过验证和认证的解决方案，帮助他们利用红帽平台和技术实现业务成果。该解决方案对开发者也很友好，不会牺牲人工智能应用和工作负载的高端计算性能。

红帽OpenShift为5G专网工作负载提供了一个统一的云原生平台。OpenShift具有可扩展性，为连接能力和应用提供了灵活的架构，支持以更小的体积重新装配，从而构成了可覆盖边缘设备的企业专用无线网络。

部署后，5G专网可在现代化、自动化、可扩展且易管理的云原生平台上运行，提供必要的连接、工具和应用，实现在工厂车间注入人工智能，并增强安全能力。用例包括：预测性维护、用于数据提取的移动传感器、具有更高敏捷性的人工智能互连设备等等。

边缘AI同样也在为工业控制领域发挥着重要作用，边缘AI可以说是边缘计算和AI的结合体，其解决方案通过实现实时监控正在改变工业部门。通过对比了解并探索30多个应用案例，发现边缘人工智能解决方案实现了更高效、更主动和更高数据驱动的运营，并有助于提高安全性、减少或防止停机、优化生产及加强质量控制，通过实时分析来自智能传感器的振动、声音或温度等数据，边缘人工智能解决方案实现了预测性维护解决方案。

针对于此，ST公司研发出基于云连接的边缘处理解决方案SL-PREDMNT-E2C1，用于工业电机状态监测。该解决方案将ST的运动和环境传感器、STM32F4微控制器（MCU）和STM32MP157微处理单元（MPU）组合在同一状态监测和预测性维护框架中。它将智能传感器节点连接到云服务，如数据湖和监测仪表板。

   智能传感器节点包括选定的环境和各个振动传感器、一个STM32 MCU，以及多个连接接口。这些节点放置在工业机械的上部或周围，用于收集来自LPS22HB和HTS221传感器的温度、压力和湿度数据，以及来自IIS3DWB三轴加速度计的振动数据。同一传感器节点的STM32 MCU启动边缘处理，将振动信号转换为频域和时域数据。

    将来自最多四个传感器节点的数据合并后，通过集中器被路由到一个配备STM32MP157 MPU的网关，以供进一步的边缘处理。在将所有数据发送到基于服务器或基于云计算的系统，以供进一步分析之前，该节点将对数据进行提纯和整合。

    ST提供预测性维护仪表板应用程序，以演示云功能如何使该解决方案变得完整。仪表板配置运行AWS IoT Greengrass服务和AWS IoT核心的边缘网关节点。客户可以在仪表板上绘制状态数据曲线并进行监测，并将警告阈值配置为端到端预测性维护解决方案的一部分。

智能工厂是集物理制造流程与先进的数字技术于一体的制造系统。通过利用通信技术收集公司内外的制造相关数据，并利用模数融合技术来实现从产品设计到制造、检验、以及配送的所有流程相互联动，可以大幅提高效率。通过融合自动化、数据分析、IoT、AI等技术，可以协助解决工厂中的诸多课题。

    在智能工厂中，从IoT设备收集到的大量数据是优化生产流程的关键所在。通过AI和先进的数据分析技术，这些数据将被用在改善品质管理、提高生产效率以及预测性维护等工作中。这种数据驱动方法可以为制造业带来革新性价值，并帮助企业获得竞争优势。

然而，在传统的系统中，要想用传感器获取和传输数据，需要用到很多线缆、电源、计算机和存储系统，而这要花费巨大的成本和大量时间，无疑会提高导入门槛。

    针对这一课题，ROHM利用基于EnOcean®的无电池解决方案和即使在工厂内也能稳定通信的低功耗无线Wi-SUN®，打造出体积小巧、设置灵活性高、可以大幅减少导入成本和时间的传感器节点解决方案。仅需将其安装在现有设备上，即可轻松实现支持机器健康的无线传感器解决方案。

    ROHM的Solist-AI™是一种支持现场学习的独立AI解决方案，因此AI系统可以在设备端学习（分析）不同安装环境中每台设备的正常状态并进行推理。另外，还能轻松地在每台安装的设备上重新学习。这会消除对云网络和服务器的依赖，有助于削减工时、成本和功耗。目前，ROHM正在开发配备ARM Cortex M0+和设备端学习AI加速器的AI芯片ML63Q2500系列（预计于2024年提供样品，2025年量产）。

AI时代已经到来，半导体各领域能否抓住时代的机遇？如何利用AI为企业降本增效，是每一家制造业相关企业急需考虑的重中之重。EEPW也将持续关注并为大家报道各企业最新新闻，更多信息和咨询请持续关注EEPW官网。