工業人工智能簡介
人工智能（AI）是一門認知科學，涵蓋了圖像處理、自然語音處理、機器人、機器學習等領域的豐厚研究。機器學習和人工智能傳統上被認為是黑科技，往往缺乏有利的證據可以證明這些技術可以重複並始終如一的發揮作用使企業獲得投資回報。機器學習算法的功能仍然高度依賴開發人員的經驗和偏好，因此使得AI 在工業應用中的成功受到限制。換個角度來看，工業AI 是一門嚴謹的系統科學，它專注於開發、驗證和部署各種不同的機器學習算法以實現具備可持續性能的工業應用。工業人工智能作為一種系統化的方法和規則為工業應用提供解決方案，工業人工智能並且也是將學術界研究AI 的成果與工業應用連接起來的橋樑。
AI 驅動的自動化尚未能對生產力的增長產生可量化的重大影響【1】。現今行業，除了面臨市場需求和競爭的新挑戰，它們尚需要一個被稱為工業4.0的激進變革，AI與工業物聯網（IIoT）【3】、大數據分析【4 - 6】、雲計算【7 - 9】和信息物理系統【2, 10 - 11】的集成將使工業以靈活、高效和節能的方式運作。由於工業人工智能還處於起步階段，必須明確其結構、方法和挑戰以作為其在工業實施中的框架。為此，我們設計了工業人工智能的生態系統，它涵蓋這一領域的基本要素並且為更好的理解和實施提供了指導方針。另外，我們也描述了可以建立在工業人工智能之上的使能技術，圖1是工業人工智能與其他學習系統在一段時間內對所期望的系統性能的比較示意圖。
圖1 工業人工智能與其他學習系統比較示意圖
二 工業人工智能的關鍵要素：ABCDE
工業人工智能可以用ABCDE的特徵進行分類，這些關鍵要素包含分析技術 (Analytics Technology)，大數據技術(Big Data Technology),雲或網絡技術(Cloud or Cyber Technology),專業領域知識(Domain Knowledge), 證據(Evidence)。
分析（A）是AI的核心，它只有在其他要素都存在時才能產生價值。大數據（B）與雲（C）是提供數據來源和工業人工智能平臺必不可少的兩個要素，然而，專業領域知識（D）和證據（E）也是常常被忽略的兩個重要因子。專業領域知識（D）是下列事項的關鍵要素：
1）瞭解問題並專注於利用工業人工智能去解決它；
2）理解系統以便於收集正確且高質量的數據；
3）瞭解參數的物理含義以及它們如何與系統或流程的物理特性相關聯；
4）瞭解這些參數因機器而異。
證據（E）也是驗證工業人工智能模型以及它們與累積學習能力相結合的重要要素。收集數據形態模式及與它相關聯的證據，我們才能改進AI 模型使之更加準確全面並且與時俱進。圖1-b顯示AI如何帶領我們從可見空間到不可見，從解決問題到避免問題的發生。
三 工業人工智能生態系統
圖2顯示了建議的工業人工智能生態系統，它定義了發展工業人工智能系統的需求、挑戰、技術和方法的有序思維策略。從業者可依照此係統性指南去制定工業人工智能發展與部署的策略。在標的行業中，這個生態系統定義了常見的未滿足需求，例如自感知、自比較、自預測、自優化和自適應。這張圖表還包括數據技術（DT）、分析技術（AT）、平臺技術（PT）和運營技術(OT)等技術。這 4 項技術在信息物理系統（CPS）【2】的背景下可以更容易的被理解。如圖 3 所示，這 4 項技術 (DT、AT、PT、OT) 是成功實現連接、轉換、網絡、認知和配置 (5C) 的使能者。下面本論文將簡單描述這4項使能技術
圖2 工業人工智能生態系統
圖3 實現CPS製造的使能技術
3.1 數據技術 (DT)
數據技術 (DT) 是那些能夠成功獲取在維度上具有顯著性能指標的有用數據技術。因此DT通過識別獲取有用數據的適當設備和機制成為 5C 體系"智能連接" 步驟的共同促成者。數據技術的另一個方面是數據通信。智能製造領域的通信並不僅僅只是把獲取的數據由源頭直接傳送到分析。它還涉及到 1) 物理空間中製造資源之間的相互作；2) 將計算機和工廠車間的數據傳輸和存儲到雲中；3) 從物理空間到網絡空間的通信；4) 從網絡空間到物理空間的通信。此外DT 還需要考慮數據系統的 3B (Broken, Bad, Background) 問題也就是數據的分裂性、優劣性和背景的數據【6】。
3.2 分析技術 (AT)
分析技術將關鍵組件透過傳感器所採集到的數據轉換為有用的信息。數據驅動的建模揭示了來自制造系統的隱藏模式及未知的相互關聯性並其他有用信息。此信息可用於資產健康狀況預測例如健康值或剩餘壽命值, 可用於機器診斷預測和健康管理。分析技術將此信息與其他技術整合可以提高生產力和創新。
3.3 平臺技術 (PT)
平臺技術包括將製造數據存儲、分析和反饋的硬件架構。用於分析數據的兼容平臺架構是實現敏捷性、複雜事件處理等智能製造特質的主要決定因素。一般來說有獨立式、嵌入式和雲等三類的平臺配置。所以雲計算在信息通信技術的計算、儲存和服務能力等方面是一項重大優勢。雲平臺可提供快速的服務部署，高度客製化、知識集成、高效的可視化並具有高度可擴展性。
3.4運營技術 (OT)
運營技術是指根據由數據中提取的信息所做出的一系列決策和行動。向操作人員提供機器和過程健康信息是有一定價值, 但工業 4.0 工廠將超越這一範疇, 使機器能夠根據OT 所提供的洞察力進行溝通和決策。這種機器與機器之間的協作可以在同一車間的兩臺機器之間，也可以在兩個相隔很遠的廠區的機器之間發生。他們可以互相分享經驗如何去調整特定參數以達到最優性能, 並根據其他機器的可用性調整其排程。在工業 4.0 工廠中, 運營技術是通向自感知、自預測、自配置、自比較等 4 項能力的最後一步。
四 案例研究：智能主軸系統
本節介紹工業人工智能的架構在CNC 機床主軸的應用和實施。在製造業，機床主軸的健康狀況是絕對重要的，此案例旨在展示 4 種賦能技術驅動的工業人工智能可以為機床主軸提供實時監控與性能預測的完整解決方案。此係統設計可以最大限度的降低維護成本同時優化產品質量。如圖 3 所示,考慮應用場景中常見的未滿足需求是執行的第一步。
為了解決未滿足的需求 (一個自感知和自優化的機器) 必須關注 1）數據質量 2）多區域的複雜度 3）機器之間的不同 4）專家系統的納入 5）多數據源的複雜度等五項挑戰。圖4 概述瞭如何運用DT、AT、PT 和OT 應對這些挑戰去開發一個智能主軸系統。
圖4智能機床主軸平臺技術
五 工業人工智能的挑戰
工業人工智能的期望是巨大且多方面的，即或要滿足企業界的部分期望也將會是人工智能在應用時要面對的獨特且真實的挑戰。在現存的複雜挑戰中，下列問題具有更高的重要性及優先性：
5.1 機器與機器之相互影響
當AI演算法能夠準確的將一組輸入數據集映射到一組輸出數據集時，它們也容易被因機器與機器間之不同而有的細微變量所影響。AI 算法需要確保單個 AI 解決方案不會對其他下游系統的工作造成干擾或衝突。
5.2 數據品質
AI演算法需要大量且具有最小偏差的乾淨數據集，用不準確或不充分的數據集去學習會產生有缺陷的結果。
5.3 網絡安全
越來越多地使用連接技術使得智能製造系統容易受到網絡攻擊。目前此類危險程度並沒有受到足夠的重視，而且企業界對存在的網絡威脅也沒有完善的對策【12】。
六 結論
當AI由科幻成為改變世界的前沿技術時，我們迫切需要系統性的去開發和實施AI，以便了解它在工業 4.0 這個下一世代工業系統中的真實價值。本研究旨在定義工業人工智能這一術語並將其納入工業 4.0 的範式中。本文也通過對工業人工智能生態系統在當今製造業中的概述為工業人工智能系統的實現提供策略與指導原則。