发布于2022-02-07

AIoT简介及其重要性

AIoT作为AI（人工智能）与IoT（物联网）技术融合的产物，通过IoT生产、采集不同维度的智能传感数据，将其存储于云端或边缘端，通过AI算法从看似互不相关的海量数据中提取任务最优解^[1]。

AIoT引入于传统工业捉襟见肘之时。随着加工技术越发复杂，工艺流程越发冗长，各制造加工环节的对接、监控、维护、协调变得越发困难。如何高效动态地统筹作业与调度生产，使得生产步骤无缝衔接及人员设备利用最优化，是制造业一大难题。复杂的加工链，不仅意味着维护生产设备的成本增加，设备维护不当导致的停机还会带来更大的损失。对规模以上加工企业而言，设备停机带来的损失每小时达10万到30万美元 ^[2] 。除此以外，劳动力减少、用人成本增加、新冠疫情及中美地缘政治冲突造成的生产扰乱都亟需企业决策者们灵活地安排生产。作为高端制造不可或缺的组成部分，AIoT通过高速通信网路获取实时传感器数据，利用AI来提高工业产量保证质量，帮助企业延长运行时间并提高运营响应能力。

表格 1 传统制造流程与AIoT增加的制造流程的对比

（来源：Rauch A. GF Machining Solutions: Real-Time Manufacturing Process in a Cloud Environment）

工业AIoT成功应用的先决条件

AIOT的成功应用离不开以下先决条件：

一、人工智能（Artificial Intelligence, AI）

简单来说，AI是指模仿人类智能来执行任务，支持用户向智能算法馈送大量数据，然后运用算法分析，给出可执行的数据驱动型建议和决策。如果算法识别出任何更正，它会整合更正信息，改进未来决策。对AIoT来说，工业传感器和执行器产生的海量实时数据无法由人工处理，必须通过专业定制化的AI程序获取和分析数据，并生成决策，才能保证AIoT低时延的工业情报处理。

二、物联网（Internet of Things, IoT）

IoT的概念最初由MIT的Auto-ID实验室提出，研究员设想通过嵌入识别装置到书本、鞋、汽车等物品当中，实现实时感知物品的位置、状态等信息 ^[3] 。从2010年起，工业物联网的部署开始飞速发展。Forrester Research智库报告显示，部署IoT的企业自2012年以来增长了333%。GSMA Intelligence 预测，全球IoT设备连接量将从2017年的7.5亿增至2025年的251亿 ^[4] 。

受益于传感器普及和电子科技进步，今天的IoT可以真正做到万物互联生态的支持。它由附着在实物上的互联传感器网络构成，不仅可以自动收集实物（计算机、装置、设备、设施、车辆）的信息并监控其状态或行为，还可以对实物物质属性、环境状态、行为态势等信息进行大规模、分布式的获取与辨识，针对具体感知任务，采用协同处理的方式进行高维数据处理。这些信息通过机器学习的分析得到实时结果，以此来优化流程和资源利用，并改善决策。

三、5G移动网络

5G网络普及前，AIoT受到低带宽、高时延、局域性的通信限制。不同设备、机构、人员使用的通信协议各异，比如短距传输有射频、UWB、蓝牙等；网络接入有GSM、 TD-SCDMA、LTE、Wi-Fi、异构网等，这给部门协同带来了不小的难题。况且工厂环境复杂，钢结构、厚墙、高粉尘的厂房环境严重削弱无线信号强度，强电磁干扰场景多。部署有线网络较为困难且成本高导致的网络覆盖难度大；Wi-Fi网络抗干扰及移动性差，3/4G网络带宽有限、时延长等问题，都较难满足工业生产的需求。

5G网络完美地弥补了这些短板。它支持高带宽（下载速度达20 Gbps）和低时延的特性（基站与终端时延< 5 ms）, 亦支持大量设备接入（是4G基站连接密度的10倍 ）^[4]。5G技术以低成本连接设备、系统、流程和人员，将开启AIoT的新时代。

四、云计算

AIoT在运行中会产生大量需要实时分析和存储的数据。雪佛龙集团在尼日利亚的油井每天产生2TB的地震数据用来油矿建模 ^[5] ，罗罗集团每生产6000片发动机涡轮片就产生 3PB （1PB = 1000TB）的生产数据 ^[6]。调查显示，物联网到2025年将产生约73.1ZB的数据，且这个数字还会增长 ^[14] 。工厂用本地计算资源处理海量工业数据显然力不从心。

云计算能让本地任务通过互联网访问远程计算服务（包括服务器、存储、数据库、软件和智能）。它的大规模分布式服务器解决了物联网服务器节点不可靠的问题。随着AIoT的深入发展，必然带来传感层和传感数据的增长，访问量过大会造成物联网服务器的间歇性宕机。即使在数据较少的情况下，增加更多的本地服务器会增加资金成本，造成服务器资源浪费。云计算的弹性算力能很好地避开该问题。

AIoT给智能制造带来的优势

AIoT给工业制造带来了巨大变革，它直击传统加工行业自动化低、智能管理不足等痛点，为之带来了新的生机。AIoT的突出优势主要体现在以下几点：

一、提高生产效率

AIoT让很多需要人工干涉的工艺流程自动化，将前后加工步骤无缝衔接，提升生产效率。互相传感的智能机械不仅作业效率高，且不易受外界干扰。以宝钢为例，其钢铁生产有着大型复杂的生产流程，存在大量的重体力和重复性劳动作业，大量设备需要人工点检，对熟练工人依赖性较高，种种制约因素直接影响了企业生产效率 ^[7] 。

中国联通为此有针对性地开发了时延低于15ms、下行速率650Mbps, 上行速率150Mbps的5G工业专网，作为园区设备监测、生产革新、安全预警的通信干线。在此基础上，中国联通与宝钢合作研发了风机监控、机械臂远程操作、智能头盔、行车监控等一系列AIoT应用，使数据采集、监控管理、生产控制的厂区运营自动化上了一个台阶。过去风机需要人工巡检，费时费力；现在通过对206个振动、音频、视频灯传感器数据点的采集和分析，操作人员能同时对园区16台风机进行监测和诊断，点检效率提高81%。此外，湛江钢铁厂还实现了远程作业、门岗人脸识别、无人机巡逻、堆料取料无人化等应用，让工厂运营效率进一步提高。

二、 减少人工差错

人工差错是工业生产中最大的风险之一，美英工业界每年人工风险造成的损失超过370亿美元[8]。生产事故轻则影响良率，扰乱生产，重则造成人员伤亡，机器损毁。此外，事故原因的排查、分析、整改费时费力，进一步加重经济损失。

AIoT带来的自动化变革减少了人工作业，可将人工差错控制在低水平。如用机器人取代手工作业，自动检测系统发现人为错误而报警，智能助手根据实时数据调控阀门开关等控件。另外，人工智能利用传感器和智能设备记录的系统状态和事件日志，能快速溯源，解决生产问题。事后，智能算法可进一步优化流程，提高系统对人为风险的抵抗力。某芯片制造商长期被产品低良率问题困扰，工程师花费大量时间精力追根溯源，但因生产数据量过大，无法定位症结。三星在解决这一问题时，利用自研智能制造系统，提取出与低良率症结相关的数据，终于发现其离子注入工艺存在重大失误。该芯片企业借机改良了工艺，并部署了工艺控制算法，加强了关键步骤的监控和维护，此后生产风险大幅降低 ^[9] 。

三、支持预知性保养

如今工业品小型化，精加工的需求日渐高涨。工厂设备也因此越发复杂昂贵，其保养难度直线上升。传统保养流程往往发生在故障产生后，维护人员收到投诉才开始。而从维护人员发现原因、排除故障、呼叫服务供应商，到服务商最终解决问题需要花费大量时间。有些装备虽有定期保养，然而各机台和零件使用强度、工作环境等不尽相同，仅定期保养是不够的，需提前保养。

AIoT的预测维护功能将彻底改写保养服务流程。它通过嵌入式传感器获取装备参数，用智能算法分析，便可预知装备何时、何处需要维护，避免其不当运行或停机。比如，在高端数控机床加入大量传感器，用来监测主轴、滚珠丝杠、导轨关键部位的温度、振幅、电压、位移等参数 ^[10] 。

工程师在机床正常工作时获取大量参数数据集并加以表征学习，决定正常阈值。如果某参数超过阈值或波形图与正常情况相左，即可认定机床工作异常，需要保养。AloT预测维护功能可以针对这一问题提供完美解决方案——在探针台安装照相传感器，大量获取洁净和被污染的探针图像做机器学习，通过计算机视觉算法自动触发探针清理，免去人工操作，让探针台时刻处于最佳工作状态。

四、降低成本

知识就是力量。制造企业的成功与否很大程度取决于专业知识技能的储备，而这些核心知识技能常被少数熟练工人或经验专家掌握。当下，雇员流动性大，人才流失严重，并伴随有生产、管理经验的流失，工厂不得不重复培训人员。不同人员设备与工作环境导致加工偏差参差不齐，而人传人的交流方式效率有限，导致先进技术推广困难且缓慢，部门间易出现信息孤岛。

AIoT注重用数据驱动决策来调节运营、生产、销售和研发，通过传感数据和人工智能寻找工厂各个环节的最优解。所以AIoT能显著降低生产调试、升级换代、IP管理的成本。乔治费歇尔集团是一家大型精密加工企业，其航空发动机叶盘生产线需要在高强度镍钛合金上施加难度极大的高速多轴铣削工艺，漫长的铣削工艺需要持续1~4天，完成之前工人们无法获知半成品有无缺陷，这造成了高达25%的缺陷率。通过与AIoT服务商合作，工程师们在叶片处贴上振动传感器、实时监测叶盘加工结果，一发现缺陷，便停止作业并指出缺陷位置；建立应用模型，通过人工智能实时调整铣刀转速等参数，避免缺陷产生。经过AIoT应用的改进，成品返工率降低10%，同时节省了加工时间和物料，每年成本节省达3.6亿欧元 ^[11] 。

工业AIoT面临的挑战

虽然工业AIoT在飞速发展，但其大规模应用还不成熟，很多创新还处于摸索阶段，而伴随的挑战也日趋明显。在享受AIoT带来的优势同时，很多企业也经历了因技术升级带来的阵痛。AIoT最突出的挑战可以归为以下三点。

一、IoT网络易受安全威胁

AIoT的核心在于系统设备互连传感，越多设备互联预示着被黑客攻击的几率越高。IoT软硬件结构复杂、协议众多，物理层、数据链、网络层、传输层等均易受黑客攻击 ^[12] ，而许多物联网设备数量过于庞大，补丁升级成为一个艰巨的任务。于是IoT很容易受分布式拒绝服务（DDoS）、网络劫持、机密盗窃等恶意影响，造成生产扰乱甚至突发事故等严重问题。

二、生态系统兼容性亟需加强

AIoT是一个由不同技术组成的复杂生态系统。连接网络、终端设备、软件应用、算法平台等组成部分都需要无缝协作，才能保证整个AIoT 系统有效运行。目前AIoT 供应端还处于军阀混战的阶段，供应商们都在竭力推崇自家生态系统来构建技术壁垒，导致不同的AIoT产品与服务有着不一样的标准与端口，互不通融。消费企业需要花费大量的时间精力来整合系统，不同组件即使最终能够协作，也会产生系统不稳定、产出不匹配等潜在问题 ^[13] 。

三、人员和知识匮乏

AIoT的安装部署和使用维护是一个系统性的大工程，需要专业的队伍和知识储备使其应用有效运行。传感器的安装诊断需要硬件工程师，专网的维持需要通信工程师，工业数据软件需要软件开发人员开发和IT技术人员维护，大量的数据集需要数据科学家标记和处理，复杂的人工智能算法需要机器学习工程师开发。这些专业人员还需要制造商各部门无缝配合才能成功执行AIoT 策略。这些都需要企业付出资金并克服陡峭的学习曲线。

总结

总结制造加工企业的受内外因素影响导致利润维持十分不易，容易受到贸易争端、政策改变、物料短缺、人员难聘等不利因素的冲击，所以只能加强自我创新，提升效率。AIoT将是智能制造改革的一大得力助手。它能够根据实时动态灵活调节生产，优化作业关键路径，及时反映各环节的问题，简化生产数据获取与分析。AIoT的应用水平直接与国家高端制造竞争力挂钩，因此政策制定者们也因考虑政策倾斜，加大AIoT领域投入，并引导制造商们合理引进AIoT应用，让国家的智能制造水平更上一个台阶。

虽然目前AIoT科技并不完善，还有很多难题亟需开发人员去克服，但它已经在工业领域崭露头角，有条不紊地渗入智能制造的各个角落。AIoT的实施将是一个循序渐进的过程，随着其背后的科技逐渐成熟，行业标准逐渐完善，AIoT将在智能制造中大显身手，造福人类。

参考资料

[1] https://baike.baidu.com/item/AIoT/23298459#:~:text=AIoT

[2] https://dxtol.com/6-ways-to-limit-plant-downtime/

[3] 刘强, 崔莉, 陈海明. 物联网关键技术与应用[J]. 计算机科学, 2010, 37(6): 1-4 http://www.jsjkx.com/CN/Y2010/V37/I6/1

[4] https://www.dell.com/community/数据存储和保护-资料文档/5G时代下的创新技术和应用场景/ta-p/7845131

[5] https://www.enterprisestorageforum.com/hardware/chevron-makes-seismic-storage-shift/

[6] https://www.i-cio.com/innovation/internet-of-things/item/how-iot-is-turning-rolls-royce-into-a-data-fuelled-business

[7] http://www.sasac.gov.cn/n2588025/n2588124/c15986518/content.html

[8] http://www.rmmagazine.com/articles/article/2013/05/06/-The-War-on-Error-Human-Error-as-a-Strategic-Risk-Management-Concern-

[9] https://www.samsungsds.com/la/insights/083017_IR_CX_SmartFactory2.html

[10] http://www.fulso.com/case/iiot/56.html

[11] Rauch A. (2021) GF Machining Solutions: Real-Time Manufacturing Process in a Cloud Environment. In: Gassmann O., Ferrandina F. (eds) Connected Business. Springer, Cham. https://doi.org/10.1007/978-3-030-76897-3_16

[12] Tsiknas, K.; Taketzis, D.; Demertzis, K.; Skianis, C. Cyber Threats to Industrial IoT: A Survey on Attacks and Countermeasures. IoT 2021, 2, 163-186. https://doi.org/10.3390/iot2010009

[13] Hsu SC.J., Hsu HM., Hwang SY. (2021) Co-Creating Future of Artificial Intelligence of Things (AIoT) Through Ecosystem Partnership: A Case Study of Advantech Co., Ltd. In: Kosaka M., Wu J., Xing K., Zhang S. (eds) Business Innovation with New ICT in the Asia-Pacific: Case Studies. Springer, Singapore. https://doi.org/10.1007/978-981-15-7658-4_6

[14] https://www.idc.com/getdoc.jsp?containerId=prAP46737220

作者简介

刘泽西是卡内基梅隆大学电子计算机工程的在读博士生，他的科研致力于脑机接口、模拟混合芯片、计算机安全等领域。读博前他曾在美光、西数、费米加速实验室等机构担任工程师。目前他在Lean Med担任电子和嵌入式开发主管。