雖然工業(yè)物聯(lián)網（IIoT）可能為制造企業(yè)提供理論上的機會來接收他們所需的所有相關信息，但它本身并不能以自主、可擴展的方式使其切實可行。得益于更強大的機器學習算法和IIoT，企業(yè)級數(shù)字神經系統(tǒng)正在興起。

用人類神經系統(tǒng)的類比指出，IIoT缺少對感官信息的預處理，有時還缺少人體的自主反應。例如，大腦不會收到手部皮膚狀況良好的信息，但是當您手上的'傳感器'由于觸摸熱爐子而發(fā)出非常高的溫度信號時，大腦會立即得到通知。而在大腦還沒有開始采取進一步的行動之前，比如找水來冷卻你的手，中樞神經系統(tǒng)就會觸發(fā)反射性地撤回手。"

人工智能物聯(lián)網（AIoT）是指在IoT應用程序中采用AI功能。簡單來說，IoT是被動的，而AIoT是主動的。AIoT與AI和IoT的結合有關，其目標是在復雜的操作中實現(xiàn)更高的效率，它旨在改善人機交互，并增強以數(shù)據(jù)為依據(jù)的決策。AIoT還將"大腦"添加到云和邊緣。

　　AIoT對制造商的好處

得益于邊緣計算技術的進步，AI已經向物聯(lián)網邊緣發(fā)展。通過將現(xiàn)場設備連接到功能強大的邊緣計算機，無需將所有數(shù)據(jù)發(fā)送到云或數(shù)據(jù)中心，因為可以在現(xiàn)場進行處理和分析。Eurotech公司的首席產品和營銷官Giuseppe Surace說，"盡管我們還遠遠沒有看到完全自主的應用程序（如5級自動駕駛），但在未來5-10年，邊緣處理的數(shù)據(jù)量將出現(xiàn)持續(xù)的飛躍。"

Gartner預測到2025年，企業(yè)生成的數(shù)據(jù)中約有75%將是在傳統(tǒng)的集中式數(shù)據(jù)中心或云之外創(chuàng)建和處理的。而這一比例在2018年時是僅有10%。因此，很明顯，本地處理和邊緣計算的需求正在增加，特別是在云計算帶寬有限或成本高昂，或者存在隱私或延遲問題的應用中。

AI技術可以幫助制造商充分挖掘其資產和設備產生的大數(shù)據(jù)的潛力。將所有這些數(shù)據(jù)實時發(fā)送到云或數(shù)據(jù)中心，即使不考慮帶寬和延遲問題，僅僅是部署和維護這些基礎設施的成本就很高昂。通過AI、機器學習和深度學習更接近數(shù)據(jù)源，可以幫助企業(yè)為現(xiàn)場收集的數(shù)據(jù)提供意義，以將其轉變?yōu)榭刹僮鞯臉I(yè)務決策。

隨著AIoT技術逐步被工業(yè)領域所采用，企業(yè)將變得更加高效，改善包括準確性和安全性在內的整體運營，并減少浪費和碳排放。AVEVA人工智能和高級分析全球負責人James H. Chappell表示，AI使用各種歷史數(shù)據(jù)來分析趨勢，這可以幫助企業(yè)不斷優(yōu)化和改進流程。

為了從AIoT中獲得最大價值，企業(yè)需要具備三大要素：鼓勵和促進AI注入業(yè)務流程的企業(yè)文化；對AI強大功能的理解和信任；IT基礎架構可提供AI所需的基本數(shù)據(jù)要求和處理能力，包括利用云平臺。

"AIoT對工業(yè)生態(tài)系統(tǒng)的很多關鍵領域產生了重大影響，" ADI OtoSense市場經理Pete Sopcik說，例如更快的決策制定，基礎設施成本的降低，以及安全架構的改進等。這些優(yōu)勢中的每一個都是由AIoT在邊緣提供見解的能力所驅動的。

　　與控制工程功能相結合

盡管大多數(shù)AI培訓仍然會在云中進行，但仍需要部署經過培訓的模型來優(yōu)化現(xiàn)場應用程序，例如預測性維護和機器人技術。挑戰(zhàn)在于為AI模型提供正確的數(shù)據(jù)。由于AI培訓和推理發(fā)生在軟件層面，控制工程師的角色對于為軟件提供高質量數(shù)據(jù)以改善機器學習和深度學習模型至關重要。

為了從AIoT中獲得最大的價值，了解它如今能做什么和不能做什么很重要。通過將具體應用與AI能力進行匹配，制造企業(yè)可以務實地利用AI的力量，以實現(xiàn)最大的收益。

例如，遇到計劃外的運營停機問題的公司可以利用AI根據(jù)其可能已經到位的傳感器提供的數(shù)據(jù)提供問題的早期檢測。此外，他們可以利用諸如深度學習之類的技術來提供資產剩余使用壽命的預測，以便更好地評估情況風險。

AIoT將在控制工程如何影響工業(yè)環(huán)境和適應新技術以推動擴展能力方面發(fā)揮重要作用。AIoT將推動資產與流程優(yōu)化之間更緊密的集成。更快的決策時間帶來更高效的控制。對每種產品的分析（不僅是樣本量）都將提供更好的見解，并提高生產制造和質量控制過程的準確性。

控制工程師將需要繼續(xù)將這些連接設備和改進的信息集成到工業(yè)生態(tài)系統(tǒng)中，同時也要發(fā)揮關鍵作用，確保這些分析技術得到適當?shù)膽?，以實現(xiàn)更好的控制，以及安全和可靠的生產工藝條件。控制工程師必須考慮最佳實踐，以及如何整合這些解決方案以實現(xiàn)最佳效率，以確保這種集成是有效且可擴展的。

　　AIoT在工業(yè)領域的應用

預測性維護操作將從AIoT中受益匪淺。隨著時間的推移收集越來越多的數(shù)據(jù)，維護流程將變得越來越有效率，從而不斷降低成本，減少浪費并減少停機時間。用于提供訓練模型的數(shù)據(jù)越多，該模型將變得越高效。

預測分析使用監(jiān)督式機器學習來了解資產的單個運行歷史，并為每個特定設備開發(fā)一系列正常運行配置文件。將其應用于云時，它將提供實時操作數(shù)據(jù)以檢測系統(tǒng)行為的細微變化，這些細微變化通常是發(fā)現(xiàn)設備故障的早期預警信號。例如，通過應用基于物聯(lián)網數(shù)據(jù)的機器學習，可以檢測出生產線上的重型機械何時未在其峰值運行。

AIoT技術的另一個應用領域是機器人技術和機器視覺。機器人和協(xié)作機器人大量使用攝像機輸入來執(zhí)行任務。可以實時處理和分析的數(shù)據(jù)越多，其工作效率就越高。這將提高生產過程的質量，并且減少浪費。

質量控制是AIoT技術在工業(yè)應用中的一個典型場景。無論是監(jiān)視泵、壓縮機、子組件還是最終產品，AIoT都可以為機器運行提供新見解，以解決關鍵的質量問題。例如監(jiān)視生產線末端的成品質量。

企業(yè)可以為生產出來的產品創(chuàng)建模型，并測試這些資產以驗證其性能狀況，然后再交付給客戶。通過與制造生態(tài)系統(tǒng)更緊密地結合在一起，優(yōu)化維護策略、過程控制和工藝操作，這些應用為更廣泛地采用AIoT解決方案鋪平了道路。

將診斷直接帶到現(xiàn)場的關鍵設備是AIoT的另一個關鍵應用。過去，飛機發(fā)動機和風力渦輪機等大型資產需要服務團隊前往現(xiàn)場設備?，F(xiàn)在，AIoT解決方案可以在現(xiàn)場對資產進行分析，從而可以立即采取糾正措施。

雖然AIoT已經在工業(yè)領域中使用，但仍處于起步階段。在大多數(shù)應用中，IIoT和AI應用并未取代本地控制工程功能。Moxa歐洲公司工業(yè)物聯(lián)網負責人Hermann Berg表示，" AIoT可以提高透明度，并在整個公司內外提供見解，而當前的控制工程功能將繼續(xù)負責'本地反射'。IIoT和AI會觸發(fā)異常檢測、預測性維護、啟動恢復和優(yōu)化任務等行為，而即時的'反射'則仍由現(xiàn)有的本地控制系統(tǒng)執(zhí)行。"