人工智能与工业 4.0

未来的工厂具有适应性、安全性，并能最大限度地利用其资源来生产从单个物品到大批量产品的任何东西。这种适应性要求工业4.0的高度成熟：人类和机器人以混合团队协作，智能辅助系统协助人类完成任务。

1988年，德国人工智能研究中心（DFKI）成立，这是一个非营利性的公私合营伙伴关系。DFKI是德国顶尖的研究中心，致力于使用人工智能（AI）的尖端商业软件技术。该中心基于面向应用的基础研究，在信息和通信技术领域创建产品功能、原型和专利解决方案。

DFKI是工业4.0（即第四次工业革命）的关键贡献者，这场革命是由现代信息和通信技术融入制造过程所引发的。对于实际的制造工厂，人工智能在工业4.0中的应用既带来了机遇也带来了挑战。通常，新技术部署因数据质量差和企业及工厂数字化程度不足而受阻。

“有章可循”的数字化

遗憾的是，工业4.0和数字化常常被混淆。然而，精确识别它们至关重要，因为没有数字化，工业4.0就不可能存在。

我们目前正处于第二波数字化浪潮中。第一波浪潮侧重于数字数据以及如何记录、存储、传输和处理它，以便为互联网和云技术创建机器可读数据。现在，数字数据必须是机器可理解和可提炼的，以便在人工智能和机器学习系统及应用中积极使用，作为（新）商业模式（如智能服务）和盈利的基础。

数据挖掘是系统地应用统计技术于大量数据（特别是“大数据”或海量数据），以发现新的交叉连接和趋势。这种“有章可循”的数字化从（大）数据转向智能数据和元知识。通过信息提取产生的知识可以应用于元数据参考系统，以产生数字理解。

数字理解可以定义为理解数字数据和借助数字系统进行理解。例如，在数字计算机上使用人工智能（AI）来理解口语、书面文本、照片、视频或传感器数据，并产生令人满意的结果，例如根据文本、视频或传感器值回答查询，或者来自机器人或联网设备的物理响应。

工业4.0准备度

为了为其发展做出正确决策，企业必须对其数字化水平和工业4.0准备度有透彻的了解。为此，已经开发了许多指数来评估工业4.0的生产成熟度。计算机化、连通性、可见性、透明度、可预测性和灵活性都可能表明成熟度不断提高。德国FIR研究所与DFKI和其他合作伙伴合作，开发了一个成熟度指数，该指数采用评估和辅助方法，使企业能够制定有针对性、以效益为导向的I4.0路线图。为了进行企业范围的评估，该方法考虑了企业的四个不同结构性力量：组织结构、文化、信息系统和资源。

该评估分为三个阶段，旨在考察相关的基本业务运营。企业的调查结果构成了评估和建议的基础。四个结构性因素的成熟度雷达接收并整合调查结果。通过对这个综合雷达的检查，可以确定需要扩展能力的职责和结构性力量。通过为工业4.0转型路线图生成行动项目，它能够清晰地理解接下来需要解决的问题。

智能软件系统

如前所述，如果有足够的数字化，人工智能可以与基于知识处理的智能软件系统一起使用。人工智能融合了语言学、生物科学、心理学和哲学的思想，因为它是一个计算机科学分支，包含计算科学和工程的元素。它还与认知科学密切相关。在此背景下，人工智能（AI）指的是前沿信息学领域，它解决了在计算机系统上实现智能行为和潜在认知能力的问题。知识处理包括呈现和传播信息，以及检索、提取和从中得出结论。知识的表示和管理是基本组成部分，通过（推断的）信息的搜索、获取和指令来实现。如今，混合架构——知识库和机器学习——经常用于认知系统。

当今快速发展的IT环境（包括Web和云技术、内存计算、GPU并行集群、移动互联网、5G和大数据）增强了人工智能解决方案。人工智能和智能数据相结合，产生（新的）智能产品和服务。人工智能系统的主要特点是它们能够协同工作、独立、主动、互操作、适应性强、自我修复、自解释、自学习、自优化和容错。

基于人工智能的工业4.0

基于人工智能（AI）的物联网（IoT）工业4.0的主要组成部分必须满足工业领域的需求，以提高生产力，管理单一批次规模，并实现必要的多重适应性。西门子声称，这些需求可以分为四个主要类别：数字孪生、自主性、连接性和模块化。许多与这些基本要素相关的标准描述了智能工厂：需要动态的本地控制器网络和实时随时规划的灵活生产设置，才能适应快速变化的过程。例如，网络物理生产系统通过自组织优化生产。

为了密切规划新资产、产品或生产线的启动，整个流程及其组成部分的数字孪生对于监控零件和结果是必不可少的，即使它们是事先模拟的。

“按需AI”的概念结合了用于检测、理解和行动的AI组件（也称为“构建块”），有助于复杂的AI系统满足这些多种需求。工业4.0特性的AI技术示例包括：

1. 用于大规模定制的语义服务匹配
2. 机器学习中的预测性维护
3. 结合本体论实现即插即用
4. 基于GPU的AI规划算法，用于实时生产线平衡
5. 主动传感器融合和深度学习，用于在线质量控制、语义产品记忆等
6. 数字孪生语义AI技术
7. 计划识别、AR/MR/DR用于工人协助以及用户建模
8. 使用深度学习识别过程异常
9. BDI（信念-欲望-意图）架构和多智能体规划，用于混合团队

在这方面，DFKI的“认知助手”研究部分提供了一种实时和动态组织和最大化生产系统的方法。该技术目前正在与多个工业伙伴合作进行实际验证。

在这里，我们选择了一种基于GPU的优化策略，适用于超大状态空间。在领域方面，除了为GPU设计的通用优化器库提供所有优化器所需的通用功能之外，特定的知识（领域模型）、状态描述、优化目标和探索启发式算法也至关重要。

我再举一个例子：机器人将不再局限于安全工作单元，而是将与人类在同一地点、同一时间、同一资产上协同工作。（是的，这需要一段时间才能普及。）在智能工厂中，新型灵活轻量级机器人将与人类并肩工作。作为基于AI的辅助系统，HRC（人机协作）模块通过工人的HoloLens实现“X射线”视觉，以跟踪隐藏的重型机器人的危险动作。机器人和人类在混合团队中工作，完成多适应的工业任务。

BaSys 4.0

德国协作参考研究项目BaSys 4.0的目标是开发一个工业4.0软件基础设施，以促进与生产相关的变革过程。面向服务的生产范式、结构化（语义）领域模型以及所谓的资产管理外壳（数字孪生）是基本构成要素。BaSys 4.0提供了一个开源参考实现。其面向服务的生产方法由三层组成：电力线通信（PLC）功能实现纯粹的技能（而非生产逻辑），设备的资产管理外壳提供统一的服务接口以访问功能，编排的生产过程指定了所需的资源能力。通过标准化的服务结构和通信API，所有服务都与同一个分布式服务平台交互。

结论

人工智能技术是工业4.0最重要的成功因素之一。语义技术是革命性SOA生产逻辑的基础，并确保多供应商工厂的互操作性。基于GPU的实时自动化生产规划是灵活自动化方面的一项重大进步。新一代工人支持系统建立在智能多模态接口、计划识别和用户建模的基础上。对于多智能体协调的基础研究，例如找到解决控制转移问题的可行方案，协作机器人、软机器人和人类组成的混合团队提出了挑战。在德国等发达国家最关键的领域之一，工业4.0统一了众多人工智能子领域。然而，没有数字化，工业4.0就不会存在。