人工智能可以应用于许多工业环境，以节省成本和改进流程。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的智能算法和大数据概念，还包括物理设备本身。数据必须用传感器捕捉。命令必须发送到执行器和控制系统。整个信息链和信息流，无论是无线还是通过电缆，都要经过极端条件。从工厂、矿山或石油钻井平台内部的操作角度，到大数据存储和数据中心及控制室内部的巨大处理能力，还有很长的路要走。

工业生产设施、物理运输系统和分销渠道非常复杂，往往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，已经出现了许多现有的数字控制和管理系统。今天，您可以在工业设置中找到数据网络、SCADA、PLC和暖通空调。所有这些系统都是在不同的抽象层次上研究的。有一些概念和高水平的管理复杂性，而较低的水平与物理挑战密切相关。

越来越难了

现有的工业设备有大量的布线和数千米的电缆。这些复杂的网络维持运营。您拥有连接设备和交换机、提供网关以及创建控制室连接的数字网络的行业标准。这些系统设计用于在恶劣环境下运行良好。随着工业环境中人工智能和新的全球数字连接的出现，新的智能设备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，为企业系统和互联网提供更多的无线连接和链接。

所有这些新系统都面临着大自然的挑战和重型工业机械的强大力量。生产设施可能位于没有电网的偏远地区。想象一下在丛林中操作。只有一条容易进入的路。你必须通过发电机或电池自己携带所有的能量。环境可能是冷的也可能是热的，一些难闻的气体可能会腐蚀电子设备或使其在爆炸中消失。但是热和冷空气不仅可以来自自然，还可以来自生产过程。熔化和冷冻工件可能是生产过程的一部分。在机械领域已经做了大量的工作。你的零件高速移动。你有一台能产生振动和震动的机器。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，需要把自己转移到需要的地方。为了在没有人工干预的情况下实现这一目标，有必要使机器人内部的AI大脑实现自主。然而，我们都记得机器人没能让核电站退役。在这种情况下，问题是辐射会损坏电子设备。因此，需要一个硬化的大脑。此外，与外界的交流也很困难。在强辐射下，无线或有线通信是一个挑战。

然而，不仅核衰变的可怕性质已经成为工业人工智能的一个问题陈述，而且也是深海勘探或采矿的一个例子。他们也很有挑战性。由于缺乏通用基础设施、固定电源或互联网，您需要适应现有的最佳实践，以实现人工智能的数字化和数据驱动转型。

在日常生产设施的生产边缘，你可能找不到这些极端的例子。但是你会发现类似的挑战情况。在工业生产中，运行环境和机器造成的威胁无处不在。自主机器人或准备成为自主机器人的机器人队伍每天都在增加。

你有一个机械臂，一辆用于行走和潜水的自动驾驶汽车，以及一架可以执行各种任务的飞机。它们分为自动导引车(AGV)、无人地面车(UGV)、火星车、自主水下机器人(AUV)、遥控水下机器人(ROV)、自主自卸车、自主牵引或采矿车和无人机。

这些机器人形式多样，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。这些任务可能只是长时间的轮班，也可能在更糟糕的环境中工作。他们可以随时随地检查。

一切都会联系起来

工业AI的第二大应用是整个企业内数据的连接和聚合。所有收集的传感器数据将存储在一个大数据湖中。借助工业物联网，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面向物理世界。电缆、交换机、路由器和网关必须坚固耐用。它们需要能够承受灰尘、振动、薄雾和水，以及更危险和有害的物质和物理影响。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多年。

新的工业人工智能也面临着安全和保障一体化的挑战。许多传统系统多年来一直以微调的方式运行。它们在极端条件下提供性能卓越的解决方案。他们的优化过程已经进行了一年。因此，新的工业人工智能不应危及已实现的平衡。另一个问题是数据和操作安全。一旦生产设施连接到全球互联网，攻击者理论上可以访问系统。因为重工业的高价值和高风险，这是另一个极端的现实。

uploadfile/2020/0306/20200306024424721.png"style="max-width:70%;"/>

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。EdgeComputing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。