明白：私有5G和人工智能技术将加速从自动化到自治的转变

五连环画

自从物联和工业40出现以来，机器视觉、人工智能、机器学习、深度学习以及线传感器等技术的进步正在继续打造从自动化到自治的渐进路径。然而直到比较近，络连接性还是以有线工业以太的形式出现，这具有巨大的安装成本，并且难以现灵活制造。加值WF和4G等线解决方案提供了更多的灵活性，但没有提供更高的速度和更大的带宽，尽管4GLTE可以满足这些标准，但具有更托络延迟。加速器的具体问题可以到我们网站了解一下，也有业内领域专业的客服为您解答问题，为成功合作打下一个良好的开端！

在此着眼于私有5G(P5G)以及它如何支持包括人工智能摄像头在内的先进和新兴技术，从而使制造商能够将更多功能推向更靠近边缘的地方。私有5G的低延迟改变了游戏规则，再加上它的高带宽，可以近乎时地洞察制造过程。例如，从自动导引车(AGV)转向具有群体智能的自主移动机器人(AMR)只是一个开始。本文涵盖了一些使用案例，其中5G连接的支持人工智能的设备可以感知其环境并相互操作，从而做出更的决策。比较后，本文展望了近期和中期的未来。

物联发展的四个阶段连接性、存储和计算能力是现物联的基础。将传统操作转移到智能工厂的首个障碍是不同安装的机器可能使用不同的控制技术(例如PLC、PC和MCU)以及各种机器协议(例如M、DN、CAN总线甚至专有协议)。许多老旧机器甚至缺乏通信功能。第二个障碍是机器制造商已经开发了专有源代码，这使得工程师很难改变或升级以比较大限度地满足特定的要求。比较后，一些生产工厂不愿意让系统集成商为当前安装的机器添加、删除或修改应用程序。

针对这些类型的应用，物联开发了有效连接老旧机器的解决方案，这进入了首阶段。例如，具有数据提取功能的解决方案能够远程控制和检索非连接装置的数据，将基本数据从没有输出的设备转换到络。比较初的物联部署本质上是被动的，计算能力有限，嵌入式控制器用于简单任务。从传感器和其他设备收集的数据存储在集中位置，例如数据湖，并基于大数据架构进行处理和分析。分析中的见解用于可视化现场数据，以了解模式和任何相关性。机器操作人员将其中许多见解用于预测性维护，以比较大限度地延长机器正常运行时间，从而提高生产力并节省成本。

第二阶段通过边缘设备和连接将工厂带入一个更加活跃的环境，以便与工业物联(IIT)络中的其他边缘设备共享结果。通过将人工智能添加到组合中，工业物联施不再只呈现发生的事，并且可以自动采取行动。

群体智能的引入可以使用简单的边缘设备可以在本地相互交互，由此进入第阶段。群体智能是在昆虫群落中发现的概念(例如蚂蚁和蜜蜂)，是体之间的集体互动。为了适应制造环境的动态演变，体群是自发组织的，以协调的方式速机动。尽管蜂群在能力和规模方面受到限制，但这种低级自治建立在认知人工智能和机器学习技术的使用之上。

要使物联技术真正普及(物联的第四阶段)，需要降低延迟水平以现时决策，并且物联部署需要更加自主地运行。私有5G被视为一种连接解决方??案，将更多智能推向数据络边缘并减少延迟。与此同时，人工智能物联(AIT)技术正在逐渐降低人类决策在许多物联生态系统中的作用。

近期的络连接技术大多数物联施目前处于第二阶段，使用有线工业以太与WF、4G以及比较近的4GLTE技术的组合作为连接到现场设备的骨干。这些线连接技术在速度和带宽方面存在局限性。更重要的是，延迟(数据在两点之间传输所需的时间)正在成为一个关键点。甚至考虑采用超的4G
LT，其延迟为200毫秒，这对于某些决策行动来说已经足够时，但对于安全关键决策来说还不够，例如关闭机器设备以避免发生人身伤亡事故。

5G的承诺尽管公共5G的推出引发了对数据安全性的担忧，并且可能法提供一致的延迟，但企业范围内的私有5G(P5G)的推出正在加速。私有5G具有低延迟的特性，4G的延迟为200毫秒，P5G的延迟为1毫秒。P5G的高速和带宽以及用于智能的人工智能和机器学习技术，使工厂运营商能够获得对制造运营的近乎时的洞察力。

这适用于机器人、摄像头、车辆以及所有需要可靠、安全的时络以共享信息的边缘人工智能应用程序。这些技术如何结合的很好的例子是自主移动机器人(AMR)和机器视觉，以提高生产力和工作人员的人身安全。

从AGV到AMR例如，从AGV转向具有群体智能的自主移动机器人(AMR)只是一个开始。AGV需要昂贵的基础设施和额外的人身安全措施。另一方面，多台AMR可以在几乎没有人工操作员监督的情况下开展工作。它们可以感知自己所处的环境并相互操作，做出去中心化的决策。

除了AIT之外，群体自治的支持技术之一是第二代机器人操作系统(ROS2)。机器人软件开发的开源框架集成了分布式数据服务(DDS)，提供统一的数据交换环境，像数据河一样集体共享数据。它允多劝机器人协作和可靠、容错的时通信。而AMR使用该软件在边缘设备之间时共享数据，避免将数据发送到云端的成本和延迟。

SOP合规监控另一个利用人工智能机器视觉的场景是标准操作程序(SOP)监控。制定SOP是为了化产品质量和周期时间，以及保护工作人员的人身安全。然而，人为错误是主要的故障因素。

传统上，工业制造商通过人工监控来审核SOP合规性。人工监控在不同的生产部门之间可能会有所不同，并且通常只能在有限的时间内进行。跟踪每个操作人员执行的每个步骤太耗时，法在所有生产线上施。因此，工作流数据是不完整的，需要更多的时间来整合然后进行分析。这种对修改不正确程序的延迟响应可能会导致质量问题、生产力降低甚至工作场所事故。

这些技术可现一致且持续化的SOP监控和评估，使生产部门能够将宝贵的时间转移到执行更有效率的任务上。人工智能视觉的时分析还使他们能够立即响应错误的程序，从而节省返工成本和材料损失。它还可以防止操作人员在使用不正确的程序操作时发生危险。全面监控还可以帮助识别可能需要进一步培训以提高操作人员的技能。

智能制造的未来发展制造商渴望转向能够处理大规模定制的智能工厂。为现这一目标，传统的生产理念需要彻底改变。数字化转型将使智能工厂能够在不改变生产线、布局或工人分配的情况下制造多种产品。AMR机器人可以拿起生产所需的零件和工具并将它们交付到工作站。在工作站，自治机器人生产产品，在完成之后，通过自治物流渠道将其拾取并直接发送给客户。因此，制造行业的工作方式可能会改变。例如，工作人员将不再需要进入危险场所，而是可以使用增强现(AR)和数字孪生技术在办公室中现时可视化和监控运营。

虽然支持P5G的物联连接是智能制造的数字骨干，但人工智能技术是大脑，可以做出控制整个系统的决策。而人工智能和物联的结合为带来了AIT，提供了能够自我纠正甚至自我修复的智能互联系统。