人工智能(AI)可以应用于许多工业环境，以节省成本并改善流程。这种工业人工智能不仅包括驻留在计算机系统内部虚拟空间中的智能算法和大数据概念，而且还包括物理设备本身。数据必须用传感器捕获。命令必须发送到执行器和控制系统。无线或通过电缆的整个信息链和信息流经过极端条件的地方。从工厂，矿山或石油钻井平台内部的运营角度到大数据存储以及数据中心和控制室内部巨大的处理能力，还有很长的路要走。
工业生产设施，实物运输系统和分销渠道非常复杂，并且往往具有来自不同制造商的设备动物园。随着自动化技术的不断发展，已经有许多现有的数字控制和管理系统。如今，您可以在工业设置中找到数据网络，监控和数据采集(SCADA)，可编程逻辑控制器(PLC)以及供暖，通风和空调(HVAC)。所有这些系统都是在不同的抽象层次上进行研究的。有一些概念和较高的管理复杂性级别，而较低的级别则与物理挑战紧密相关。
越来越艰难
现有的工业装置具有大量的布线和数千米的电缆。这些复杂的网络使操作保持运行。您具有用于数字网络的工业标准，这些数字网络连接设备和交换机，提供网关并创建与控制室的连接。这些系统旨在在恶劣环境下表现良好。随着人工智能的出现和工业环境中新的全球数字连接的出现，新的智能设备还需要能够在这些极端条件下运行。人工智能与工业物联网(IIoT)紧密相连，以提供更多的无线连接，并链接到企业级系统和互联网。
所有这些新系统都面临自然界的挑战以及重型工业机械的强大力量。生产设施可能位于遥远的地方，没有电网。想象一下在丛林中的操作，只有一条简易道路可以进入。您必须自己通过发电机或电池携带所有能源。环境可能是冷的也可能是热的，有讨厌的气体腐蚀电子设备或使其在爆炸中消失。但是热量和冷气不仅可以来自自然，而且还可以来自生产过程。熔化和冻结工件可能是生产过程的一部分。机械领域中进行了大量工作。您的零件高速移动。您拥有会产生振动和冲击的机器。人工智能现在主要通过以下方式面对这些物理挑战：机器人技术和IIoT网络。
到处都有机器人
机器人是一个复杂的挑战。他们需要做事，并且需要将自己转移到需要的地方。为了在无需人工干预的情况下实现这一目标，需要使该机器人内部的AI大脑自治。但是，我们都记得机器人未能使核电厂退役。在这种情况下，问题是辐射破坏了电子设备。因此，需要硬化的大脑。此外，与外界的交流是困难的。在强烈辐射下，无线或有线通信是一个挑战。
然而，不仅是核衰变的令人生畏的性质成为工业人工智能的一个问题陈述，而且是深海勘探或采矿的例子。他们也很有挑战性。由于缺乏通用基础设施，没有固定电源或互联网，因此您需要适应现有的最佳实践，以实现AI的数字和数据驱动型转换。
您可能在日常生产设施中的生产边缘找不到这些极端示例。但是您会发现类似的挑战性情况。运行中的环境和机器造成的威胁在工业生产中无处不在。自主或准备成为自主机器人的舰队每天都在增长。
您拥有机械臂，步行和潜水的自动驾驶汽车以及可以执行各种任务的飞行器。它们分为自动导引车(AGV)，无人地面车(UGV)，漫游车，自主水下航行器(AUV)，远程操作水下航行器(ROV)，自主倾卸卡车，自主牵引或采矿卡车，无人驾驶飞行器(无人机)。
这些机器人具有多种形式，可以提高效率和成本效益。他们可以执行员工无法执行的任务。这些任务可能只是平常较长的轮班，或者可能在更恶劣的环境中工作。他们可以随时随地进行检查。
一切都会连接
工业AI的第二大应用是整个企业中数据的连接和聚合。收集的所有传感器数据将存储在一个大数据湖中。在工业物联网的帮助下，可以创建行为逼真的生物网络。在这里，无线和有线数据连接正面向物理世界。电缆，交换机，路由器和网关必须坚固耐用。他们需要能够承受灰尘，振动，薄雾和水以及更多危险和有害物质以及物理影响。它们需要可靠，并且应该能够在没有维护人员帮助的情况下运行数年。
新型工业AI也面临着在安全和安保方面进行集成的挑战。许多传统系统以微调的方式运行了多年。他们提供了在面临的极端条件下具有出色性能的解决方案。他们的优化过程已经持续了一年。因此，新的工业AI不应危害实现的平衡。另一个问题是数据和操作安全性。一旦生产设施挂接到全球互联网，攻击者就可以从理论上访问该系统。由于重工业的价值和风险很高，所以这是另一个极端现实。
现有数据不正确和损坏
在设置工业AI时，用于创建智能建议和预测的数据源面临着问题。在工业环境中，很多需要的数据是时间序列数据和在恶劣环境下收集的数据。这意味着单个数据点可能不可靠。由于环境条件，传感器本身可能会提供不精确的值。
我们可以说是工业大数据的“ 3B”。在开始新的工业AI项目时，您需要意识到这些问题。
第一个B是坏的。大多数工业数据具有明确的物理意义。它带有用于检测空气，流量或运动速度的多种传感器。可获取各种噪音，湿度，泄漏或水平。每天达到数百TB的运动数据。由于物理测量，所有这些数据的质量可能很差。与在线购买和客户数据之类的数字系统内部收集的数据相比，这些数据在使用前需要彻底清洗。而且，很难通过数据量来提高质量。
第二个B代表Broken。用于训练AI模型以提供预测和建议的数据没有明确的健康状态。没有故障模式或表示工作条件的高级数据抽象。这可能会导致在实施AI系统时出现许多误报和误报。
第三个也是最后一个问题B是背景。在复杂的工业环境中，传感器数据的解释需要领域专家的丰富经验。新兴的模式可能是高度瞬态的，它们需要专业知识来解释它们。仅通过收集的数字数据来训练AI是非常困难的。
解决身体挑战
为了应对工业AI中存在的给定挑战，一种开始的方法是了解工业运营的细节。人们不应只关注货架AI解决方案，而应专注于货架工业解决方案。坚固的组件和设备已经在市场上用于工业物联网。由于可以通过现有设置使用许多传感器，因此数据的收集是在现有控制系统级别上进行的。SCADA系统以及工业机器人和机器可提供要捕获的数据。在这里，专门的IIoT网关将数据传递到AI系统。这些附加网关不会干扰现有的控制系统。
做数字过渡人才是最重要的因素之一。为了保持低成本并管理新网络，与主题专家的合作是必须的。这些专业人员需要了解行业的细节和行业AI。它们有助于选择正确的硬件和概念。
在AI发行中做出正确的选择
极端条件不仅是物理上苛刻的环境，而且是其他行业中丰富的资源短缺。由于电源，网络基础结构和Internet连接方面的问题，需要详细说明行业特定的概念。当连接不稳定且不可靠时，可以选择不依赖于连续网络连接的解决方案。电池供电的IIoT解决方案具有几年的电池寿命和超低功耗。Edge Computing在设备内部提供了AI推理和聚合功能，无需与数据中心系统的不间断连接。
人工智能将在极端条件下与工业物联网基础设施进行良好设计。需要解决通用物联网和IIoT之间的差异。尽管物联网和物联网具有共同的目标，但实施策略的基本要求却大不相同。由于电源和连接方面的挑战，工业物联网需要更多地关注可靠性和鲁棒性。