人工智能(AI)可以應用于許多工業環境，以節省成本并改善流程。這種工業人工智能不僅包括駐留在計算機系統內部虛擬空間中的智能算法和大數據概念，而且還包括物理設備本身。數據必須用傳感器捕獲。命令必須發送到執行器和控制系統。無線或通過電纜的整個信息鏈和信息流經過極端條件的地方。從工廠，礦山或石油鉆井平臺內部的運營角度到大數據存儲以及數據中心和控制室內部巨大的處理能力，還有很長的路要走。

工業生產設施，實物運輸系統和分銷渠道非常復雜，并且往往具有來自不同制造商的設備動物園。隨著自動化技術的不斷發展，已經有許多現有的數字控制和管理系統。如今，您可以在工業設置中找到數據網絡，監控和數據采集(SCADA)，可編程邏輯控制器(PLC)以及供暖，通風和空調(HVAC)。所有這些系統都是在不同的抽象層次上進行研究的。有一些概念和較高的管理復雜性級別，而較低的級別則與物理挑戰緊密相關。

越來越艱難

現有的工業裝置具有大量的布線和數千米的電纜。這些復雜的網絡使操作保持運行。您具有用于數字網絡的工業標準，這些數字網絡連接設備和交換機，提供網關并創建與控制室的連接。這些系統旨在在惡劣環境下表現良好。隨著人工智能的出現和工業環境中新的全球數字連接的出現，新的智能設備還需要能夠在這些極端條件下運行。人工智能與工業物聯網(IIoT)緊密相連，以提供更多的無線連接，并鏈接到企業級系統和互聯網。

所有這些新系統都面臨自然界的挑戰以及重型工業機械的強大力量。生產設施可能位于遙遠的地方，沒有電網。想象一下在叢林中的操作，只有一條簡易道路可以進入。您必須自己通過發電機或電池攜帶所有能源。環境可能是冷的也可能是熱的，有討厭的氣體腐蝕電子設備或使其在爆炸中消失。但是熱量和冷氣不僅可以來自自然，而且還可以來自生產過程。熔化和凍結工件可能是生產過程的一部分。機械領域中進行了大量工作。您的零件高速移動。您擁有會產生振動和沖擊的機器。人工智能現在主要通過以下方式面對這些物理挑戰：機器人技術和IIoT網絡。

到處都有機器人

機器人是一個復雜的挑戰。他們需要做事，并且需要將自己轉移到需要的地方。為了在無需人工干預的情況下實現這一目標，需要使該機器人內部的AI大腦自治。但是，我們都記得機器人未能使核電廠退役。在這種情況下，問題是輻射破壞了電子設備。因此，需要硬化的大腦。此外，與外界的交流是困難的。在強烈輻射下，無線或有線通信是一個挑戰。

然而，不僅是核衰變的令人生畏的性質成為工業人工智能的一個問題陳述，而且是深?？碧交虿傻V的例子。他們也很有挑戰性。由于缺乏通用基礎設施，沒有固定電源或互聯網，因此您需要適應現有的最佳實踐，以實現AI的數字和數據驅動型轉換。

您可能在日常生產設施中的生產邊緣找不到這些極端示例。但是您會發現類似的挑戰性情況。運行中的環境和機器造成的威脅在工業生產中無處不在。自主或準備成為自主機器人的艦隊每天都在增長。

您擁有機械臂，步行和潛水的自動駕駛汽車以及可以執行各種任務的飛行器。它們分為自動導引車(AGV)，無人地面車(UGV)，漫游車，自主水下航行器(AUV)，遠程操作水下航行器(ROV)，自主傾卸卡車，自主牽引或采礦卡車，無人駕駛飛行器(無人機)。

這些機器人具有多種形式，可以提高效率和成本效益。他們可以執行員工無法執行的任務。這些任務可能只是平常較長的輪班，或者可能在更惡劣的環境中工作。他們可以隨時隨地進行檢查。

一切都會連接

工業AI的第二大應用是整個企業中數據的連接和聚合。收集的所有傳感器數據將存儲在一個大數據湖中。在工業物聯網的幫助下，可以創建行為逼真的生物網絡。在這里，無線和有線數據連接正面向物理世界。電纜，交換機，路由器和網關必須堅固耐用。他們需要能夠承受灰塵，振動，薄霧和水以及更多危險和有害物質以及物理影響。它們需要可靠，并且應該能夠在沒有維護人員幫助的情況下運行數年。

新型工業AI也面臨著在安全和安保方面進行集成的挑戰。許多傳統系統以微調的方式運行了多年。他們提供了在面臨的極端條件下具有出色性能的解決方案。他們的優化過程已經持續了一年。因此，新的工業AI不應危害實現的平衡。另一個問題是數據和操作安全性。一旦生產設施掛接到全球互聯網，攻擊者就可以從理論上訪問該系統。由于重工業的價值和風險很高，所以這是另一個極端現實。

現有數據不正確和損壞

在設置工業AI時，用于創建智能建議和預測的數據源面臨著問題。在工業環境中，很多需要的數據是時間序列數據和在惡劣環境下收集的數據。這意味著單個數據點可能不可靠。由于環境條件，傳感器本身可能會提供不精確的值。

我們可以說是工業大數據的“ 3B”。在開始新的工業AI項目時，您需要意識到這些問題。

第一個B是壞的。大多數工業數據具有明確的物理意義。它帶有用于檢測空氣，流量或運動速度的多種傳感器?？色@取各種噪音，濕度，泄漏或水平。每天達到數百TB的運動數據。由于物理測量，所有這些數據的質量可能很差。與在線購買和客戶數據之類的數字系統內部收集的數據相比，這些數據在使用前需要徹底清洗。而且，很難通過數據量來提高質量。

第二個B代表Broken。用于訓練AI模型以提供預測和建議的數據沒有明確的健康狀態。沒有故障模式或表示工作條件的高級數據抽象。這可能會導致在實施AI系統時出現許多誤報和誤報。

第三個也是最后一個問題B是背景。在復雜的工業環境中，傳感器數據的解釋需要領域專家的豐富經驗。新興的模式可能是高度瞬態的，它們需要專業知識來解釋它們。僅通過收集的數字數據來訓練AI是非常困難的。

解決身體挑戰

為了應對工業AI中存在的給定挑戰，一種開始的方法是了解工業運營的細節。人們不應只關注貨架AI解決方案，而應專注于貨架工業解決方案。堅固的組件和設備已經在市場上用于工業物聯網。由于可以通過現有設置使用許多傳感器，因此數據的收集是在現有控制系統級別上進行的。SCADA系統以及工業機器人和機器可提供要捕獲的數據。在這里，專門的IIoT網關將數據傳遞到AI系統。這些附加網關不會干擾現有的控制系統。

做數字過渡人才是最重要的因素之一。為了保持低成本并管理新網絡，與主題專家的合作是必須的。這些專業人員需要了解行業的細節和行業AI。它們有助于選擇正確的硬件和概念。

在AI發行中做出正確的選擇

極端條件不僅是物理上苛刻的環境，而且是其他行業中豐富的資源短缺。由于電源，網絡基礎結構和Internet連接方面的問題，需要詳細說明行業特定的概念。當連接不穩定且不可靠時，可以選擇不依賴于連續網絡連接的解決方案。電池供電的IIoT解決方案具有幾年的電池壽命和超低功耗。Edge Computing在設備內部提供了AI推理和聚合功能，無需與數據中心系統的不間斷連接。

人工智能將在極端條件下與工業物聯網基礎設施進行良好設計。需要解決通用物聯網和IIoT之間的差異。盡管物聯網和物聯網具有共同的目標，但實施策略的基本要求卻大不相同。由于電源和連接方面的挑戰，工業物聯網需要更多地關注可靠性和魯棒性。