大数据的分析和机器学习开始变得像匿名商业词汇，但它们不仅仅是过度使用抽象概念 - 这些流行语代表了我们日常生活中处理大部分技术的巨大变化。其中一些变化已经变得更好，使我们与机器和信息的交互更自然，更强大。帮助公司以强大而令人不安的方式了解消费者的行为，地点和内心的想法。从我们的高速公路到我们的住宅，这些技术在各方面留下了痕迹。
毫不奇怪，“关于一切的信息”的概念正在积极地应用于制造业背景。就像他们改变消费品一样，智能，廉价，传感器负载的设备与强大的分析和算法相结合，在过去十年中也在改变工业世界。“物联网”已经到达工厂车间，一个巨大的电子Kool-Aid Man的力量通过煤渣墙爆炸。
标记为“工业4.0”(嘿，至少它比“物联网”更好)，这第四次工业革命在过去十年中一直在展开 - 主要是因为信息之间存在巨大的文化和结构差异几十年来一直是工业自动化核心的变革和“运营技术”的技术。
与其他技术和人工智能结合(或至少我们目前称之为“人工智能”的有限学习算法)一样，工业4.0的潜在回报是巨大的。公司正在看到更精确，更高质量的制造，降低了运营成本; 由于供应链中的预测性维护和智能，减少了停机时间; 由于设备适应性更强，工厂车间受伤更少。在工厂之外，其他行业可以从拥有传感器的神经系统，处理“湖泊”数据的分析以及对紧急问题的即时响应中受益 - 航空，能源，物流和许多其他依赖的业务在可靠，可预测的事情上也可以获得提升。
但新方法带来了重大挑战，其中最重要的是网络神经系统的安全性和弹性将所有这些新魔法拼接在一起。当人类安全在线时 - 工人和居住在工业现场附近的人的安全 - 这些问题不能像移动应用程序更新或操作系统补丁那样容易地留出。
然后就是整个“机器人正在偷工作”的事情。(事实要复杂得多 - 我们将在本周晚些时候触及它。)
传感器和敏感性
“工业4.0” 一词是由Acatech (德国政府工程科学学院)在2011年使用嵌入式系统技术的国家路线图中创造的。作为描述工业“数字化”的一种方式，该术语被用于标志从简单的自动化转向大规模独立的工业机器人转向网络化的“网络物理系统” - 基于信息的系统与人之间的协调工作它们，基于各种传感器和人类输入。
作为德国联邦教育和研究部路线图的宣传文件，“相互沟通的机器，相互通知生产过程中的缺陷，识别和重新订购稀缺的材料库存......这是工业4.0背后的愿景。“
在工业4.0的未来，使用增材制造的智能工厂 - 例如通过选择性激光烧结的3D打印 - 以及其他计算机驱动的制造系统能够根据需要自适应地制造零件，直接来自数字设计。传感器跟踪所需的组件并根据需求模式和其他算法决策树对其进行排序，将“及时”制造转变为新的优化级别。光学传感器和机器学习驱动系统比产品线上可能疲倦和厌倦的人更加一致和准确地监控组件的质量。工业机器人与处理更精细任务的人同步工作 - 或完全替换它们。整个供应链可以随着新产品的推出，消费的变化，和经济波动。机器可以告诉人们机器何时需要在它们断裂之前进行修复，或者告诉人们更好的方法来组织生产线 - 因为人工智能处理制造过程产生的大量数据。
这一愿景推动了欧盟11.5亿欧元(约13亿美元)的努力，称为欧洲未来研究协会。类似的“未来工厂”的努力得到了美国政府的资助 - 特别是国防部的资助，该部门认为该技术是国防工业基地的关键。
美国国防部高级研究计划局(DARPA)利用自适应车辆制造项目等研究项目开展先进的信息集成制造项目的开发，并继续研究工业4.0等技术，如有效的人机组合(机器能够适应并作为合作伙伴而不是作为工具与人类并肩工作的能力，以及基于人工智能技术的智能供应链系统 - 一项名为LogX的工作。在研究人员MITRE公司的人机社会系统(HMSS)实验室也一直在研究如何提高系统如何机器人与人类互动。
作为这项工作的一部分，MITER与几家机器人公司合作，包括American Robotics公司，该公司开发了一种用于精准农业的全自动无人机系统。该系统名为Scout，是一个靠近田野的自动防风雨单元。农民所要做的就是在无人机飞行时间进行编程，人工智能处理无人机飞行计划和管理飞行本身，以及图像和数据的收集和处理，将所有内容上传到云端。
这种自治水平允许农民简单地查看有关作物健康和其他个人设备的其他指标的数据，然后根据这些数据采取行动 - 必要时选择性地使用杀虫剂，除草剂或其他肥料。随着更多的机器学习成果，这些任务最终可以在其使用的模式和规则建立后传递给其他无人机或机器人农业设备。
Scout反映了人机组合如何在工厂中发挥作用 - 自动机器通过增强视觉或其他显示器将数据传递给人类，让人类根据他们的技能和领域知识做出决策，然后让人类和机器根据一起完成所需任务 但这种整合水平仍处于起步阶段。
每个传感器讲述一个故事
已经发生了人机组合雏形的一个地方是零售业：沃尔玛使用机器人扫描商店货架上的库存水平，并在许多商店自动卸载卡车(通过称为“快速卸载机”的系统) - 使用传感器和传送带将货物分拣到长袜车上。机器人系统已经接管了亚马逊仓库“采摘”的角色，与人类合作检索和运送货物。
相反，工业4.0中已经发展到萌芽阶段的一个因素是利用传感器数据来推动工厂运营 - 特别是对于预测性维护的任务。意外的设备停机时间是所有行业的祸根，尤其是当相对较小部分的故障导致昂贵资产完全失效时。
据估计，目前用于工业维护的大约80%的时间是纯粹的反应时间，用于修复破坏的东西。工业系统中近一半的计划外停机是设备故障的结果，通常是设备生命周期较晚的设备。能够预测故障并计划在对运营影响较小的情况下维护或更换硬件是工厂运营商的圣杯。
这也是行业长期追逐的目标。自20世纪60年代以来，计算机化维护管理系统(CMMS)的概念已经以某种形式存在，早期的实施是围绕大型机构建的。但是，CMMS几乎总是一个手动过程很重要的过程，依赖于维护报告和数据收集并由人类输入计算机 - 而不是捕获由越来越多的仪器化(和昂贵的)工业系统生成的传感器数据的全部和深度。
使用该数据做一些事情来预测和防止系统故障变得越来越重要。正如MathWorks的行业经理菲利普·沃尔纳所解释的那样，迫切需要的是“我们在资产和设备中看到的电子元件日益复杂，以及其中的软件数量不断增加。” 而且，随着工业系统提供有关其在工厂或现场的操作的更多数据，需要处理该数据以对操作员有用 - 不仅用于预测何时需要维护，而且用于优化设备的操作方式。
而中国的中国制造2025计划就包含人工智能和物联网，希望中国就此弯道超车更加强大。
