智能工业革命需要什么

　　智能制造 - 在工业物联网（IIoT）中使用新兴技术来应对传统制造挑战 - 正在引领供应链革命，从而产生智能，互联和智能的环境，能够自作和自我修复。

　　虽然工厂自动化已经存在了几十年，但智能制造走得更远。它结合了人工智能 （AI）、机器人技术、数字孪生、增材制造和强大的基于云的计算，将灵活性和智能提升到新的水平。

　　智能制造是“工业4.0”或第四次工业革命的关键要素。它使制造业各个角落的公司能够超越传统优势（正常运行时间和强度），专注于质量、人力生产力和整体工厂效率。其结果是通过提高产量、提高产量和减少浪费来增加利润。

　　这些技术包括产生大量数据的传感器、分析这些数据的数据中心以及处理、弯曲、焊接、焊接和打印未来产品的复杂机器的控制系统。

　　智能制造并没有取代人类劳动力，而是在人与这些机器之间实现了更大的自主性。“协作机器人”现在在人类附近工作，受到全面的功能安全协议的约束，确保它们保持软机器人的安全，并使他们能够专注于质量、生产力和更高级别的任务。

　　硅智能制造

　　虽然在汽车制造商或杂货店的运营中可能更容易感知智能制造的好处，但智能制造也为高科技行业提供了丰富的好处。

　　由数十亿个晶体管制成的半导体器件的复杂性持续增长。反过来，制造过程变得越来越复杂，失败的风险非常高。半导体制造商依靠智能制造工艺来产生更高的产量并实现更高的利润。使用人工智能的数据分析可以加快故障分析速度，提高生产效率。

　　半导体制造厂或晶圆厂的建造和维护成本高达数十亿美元，这就是为什么世界上这样的工厂相对较少的原因。其中大部分成本用于设备，而设备的维护对于持续运行至关重要。通过使用智能制造技术来监控设备运行状况并执行预测性维护，晶圆厂可以显著减少计划外维护时间。

　　近年来的全球供应链问题也需要新的方法来应对计划外停机，而智能制造延伸到预测性供应链管理，以展望未来并确定即将到来的问题以及缓解这些问题的方法。其中许多技术在2020-2021年全球芯片短缺期间保持晶圆厂运营方面发挥了关键作用。

　　智能制造需要本地数据处理

　　所有这一切的核心是数据 - 而且是大量的数据。智能工厂每周可以产生超过5 PB 的数据，所有这些数据都需要传输、存储和分析。

　　当然，分析长期以来一直用于优化系统性能。但分析软件的原始领域是程序和算法，遵循MBA毕业生和软件工程师构想的策略。

　　通过智能制造，数据点的数量呈指数级增长，达到程序方法崩溃的程度。机器学习（ML）的出现现在允许工厂分析非常大的数据集中的模式，这非常适合工业4.0中常见的大规模数据分析。

　　但这些数据本身就成了问题。我们如何处理如此大量信息的传输和分析？例如，计算机视觉被认为对于智能制造观察工厂内操作的许多细节至关重要。但是，每个智能相机每天可能会自行生成数千GB的高分辨率视频数据。

　　边缘数据中心迎接挑战

　　将如此大量的数据发送到上游云是不切实际的，因为它会压垮数据网络并造成瓶颈——尤其是在实时计算中，数据的价值可以用毫秒为单位进行测量，提取洞察力的任何延迟或延迟都会将该洞察力的价值降低到零。

　　因此，工业边缘数据中心形式的专用计算设施在智能制造中变得司空见惯。边缘数据中心位于与数据生成位置相对接近的物理位置，可将延迟降低到接近零，并保留关键的价值实现时间，同时最大限度地提高数据隐私并降低能源成本。

　　为传感器添加智能

　　工厂内的传感器也变得越来越智能。每个端点设备中的低功耗机器学习 （ML） 能够分析它们正在收集的数据，并通过仅发送回推理来减少传输的数据量。

　　以计算机视觉为例，想象一个经过训练的智能摄像头，可以检测生产线上滚下的零件的物理故障。该设备不是将上游的每一点视频数据发送到云或边缘数据中心，而是可以分析自己的数据，并且只将似乎揭示故障组件的视频部分发送到云。

　　通过传感器融合将这些数据与其他传感器数据相结合，我们可以获得更深入的见解或实现新的自主水平。例如，在生产时将RFID添加到每个项目可能会使单个零件被标记以进行人工检查。

　　随着每个单独的传感器或系统通过协议对齐并协同工作，由智能制造驱动的工厂远远超过其各部分的总和 - 它是一个智能实体，针对性能，生产力和社区进行了优化，并以快速解释的数据作为其命脉。