自從物聯網和工業4.0出現以來，機器視覺、人工智能、機器學習、深度學習以及無線傳感器等技術的進步正在繼續打造從自動化到自治的漸進路徑。然而直到最近，網絡連接性還是以有線工業以太網的形式出現，這具有巨大的安裝成本，并且難以實現靈活制造。加值WiFi和4G等無線解決方案提供了更多的靈活性，但沒有提供更高的速度和更大的帶寬，盡管4GLTE可以滿足這些標準，但具有更托網絡延遲。

在此著眼于私有5G(P5G)以及它如何支持包括人工智能攝像頭在內的先進和新興技術，從而使制造商能夠將更多功能推向更靠近邊緣的地方。私有5G的低延遲改變了游戲規則，再加上它的高帶寬，可以近乎實時地洞察制造過程。例如，從自動導引車(AGV)轉向具有群體智能的自主移動機器人(AMR)只是一個開始。本文涵蓋了一些使用案例，其中5G連接的支持人工智能的設備可以感知其環境并相互操作，從而做出更快的決策。最后，本文展望了近期和中期的未來。

物聯網發展的四個階段

連接性、存儲和計算能力是實現物聯網的基礎。將傳統操作轉移到智能工廠的第一個障礙是不同安裝的機器可能使用不同的控制技術(例如PLC、PC和MCU)以及各種機器協議(例如Modbus、DeviceNet、CAN總線甚至專有協議)。許多老舊機器甚至缺乏通信功能。第二個障礙是機器制造商已經開發了專有源代碼，這使得工程師很難改變或升級以最大限度地滿足特定的要求。最后，一些生產工廠不愿意讓系統集成商為當前安裝的機器添加、刪除或修改應用程序。

針對這些類型的應用，物聯網公司開發了有效連接老舊機器的解決方案，這進入了第一階段。例如，具有數據提取功能的解決方案能夠遠程控制和檢索非連接裝置的數據，將基本數據從沒有輸出的設備轉換到網絡。最初的物聯網部署本質上是被動的，計算能力有限，嵌入式控制器用于簡單任務。從傳感器和其他設備收集的數據存儲在集中位置，例如數據湖，并基于大數據架構進行處理和分析。分析中的見解用于可視化現場數據，以了解模式和任何相關性。機器操作人員將其中許多見解用于預測性維護，以最大限度地延長機器正常運行時間，從而提高生產力并節省成本。

第二階段通過邊緣設備和連接將工廠帶入一個更加活躍的環境，以便與工業物聯網(IIoT)網絡中的其他邊緣設備共享結果。通過將人工智能添加到組合中，工業物聯網實施不再只呈現發生的事實，并且可以自動采取行動。

群體智能的引入可以使用簡單的邊緣設備可以在本地相互交互，由此進入第三階段。群體智能是在昆蟲群落中發現的概念(例如螞蟻和蜜蜂)，是實體之間的集體互動。為了適應制造環境的動態演變，實體群是自發組織的，以協調的方式快速機動。盡管蜂群在能力和規模方面受到限制，但這種低級自治建立在認知人工智能和機器學習技術的使用之上。

要使物聯網技術真正普及(物聯網的第四階段)，需要降低延遲水平以實現實時決策，并且物聯網部署需要更加自主地運行。私有5G被視為一種連接解決方??案，將更多智能推向數據網絡邊緣并減少延遲。與此同時，人工智能物聯網(AIoT)技術正在逐漸降低人類決策在許多物聯網生態系統中的作用。

近期的網絡連接技術

大多數物聯網實施目前處于第二階段，使用有線工業以太網與WiFi、4G以及最近的4GLTE技術的組合作為連接到現場設備的骨干。這些無線連接技術在速度和帶寬方面存在局限性。更重要的是，延遲(數據在兩點之間傳輸所需的時間)正在成為一個關鍵點。甚至考慮采用超快的4G LT，其延遲為200毫秒，這對于某些決策行動來說已經足夠實時，但對于安全關鍵決策來說還不夠快，例如關閉機器設備以避免發生人身傷亡事故。

5G的承諾

盡管公共5G的推出引發了對數據安全性的擔憂，并且可能無法提供一致的延遲，但企業范圍內的私有5G(P5G)的推出正在加速。私有5G具有低延遲的特性，4G的延遲為200毫秒，P5G的延遲為1毫秒。P5G的高速和帶寬以及用于智能的人工智能和機器學習技術，使工廠運營商能夠獲得對制造運營的近乎實時的洞察力。

這適用于機器人、攝像頭、車輛以及所有需要可靠、安全的實時網絡以共享信息的邊緣人工智能應用程序。這些技術如何結合的很好的例子是自主移動機器人(AMR)和機器視覺，以提高生產力和工作人員的人身安全。

從AGV到AMR

例如，從AGV轉向具有群體智能的自主移動機器人(AMR)只是一個開始。AGV需要昂貴的基礎設施和額外的人身安全措施。另一方面，多臺AMR可以在幾乎沒有人工操作員監督的情況下開展工作。它們可以感知自己所處的環境并相互操作，做出去中心化的決策。

除了AIoT之外，群體自治的支持技術之一是第二代機器人操作系統(ROS2)。機器人軟件開發的開源框架集成了分布式數據服務(DDS)，提供統一的數據交換環境，像數據河一樣集體共享數據。它允多勸機器人協作和可靠、容錯的實時通信。而AMR使用該軟件在邊緣設備之間實時共享數據，避免將數據發送到云端的成本和延遲。

SOP合規監控

另一個利用人工智能機器視覺的場景是標準操作程序(SOP)監控。制定SOP是為了優化產品質量和周期時間，以及保護工作人員的人身安全。然而，人為錯誤是主要的故障因素。

傳統上，工業制造商通過人工監控來審核SOP合規性。人工監控在不同的生產部門之間可能會有所不同，并且通常只能在有限的時間內進行。跟蹤每個操作人員執行的每個步驟太耗時，無法在所有生產線上實施。因此，工作流數據是不完整的，需要更多的時間來整合然后進行分析。這種對修改不正確程序的延遲響應可能會導致質量問題、生產力降低甚至工作場所事故。

這些技術可實現一致且持續優化的SOP監控和評估，使生產部門能夠將寶貴的時間轉移到執行更有效率的任務上。人工智能視覺的實時分析還使他們能夠立即響應錯誤的程序，從而節省返工成本和材料損失。它還可以防止操作人員在使用不正確的程序操作時發生危險。全面監控還可以幫助識別可能需要進一步培訓以提高操作人員的技能。

智能制造的未來發展

制造商渴望轉向能夠處理大規模定制的智能工廠。為實現這一目標，傳統的生產理念需要徹底改變。數字化轉型將使智能工廠能夠在不改變生產線、布局或工人分配的情況下制造多種產品。AMR機器人可以拿起生產所需的零件和工具并將它們交付到工作站。在工作站，自治機器人生產產品，在完成之后，通過自治物流渠道將其拾取并直接發送給客戶。因此，制造行業的工作方式可能會改變。例如，工作人員將不再需要進入危險場所，而是可以使用增強現實(AR)和數字孿生技術在辦公室中實現實時可視化和監控運營。

雖然支持P5G的物聯網連接是智能制造的數字骨干，但人工智能技術是大腦，可以做出控制整個系統的決策。而人工智能和物聯網的結合為帶來了AIoT，提供了能夠自我糾正甚至自我修復的智能互聯系統。