大数据开始看起来像匿名的商业词汇，但它们不仅仅是过度使用的抽象概念——这些流行语代表了大多数技术的巨大变化。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加自然和强大。帮助公司以强大而令人不安的方式了解消费者的行为方式、他们的想法和想法。这些技术在从我们的高速公路到我们的家庭的一切事物上都留下了自己的印记。毫不奇怪，“关于一切的信息”的概念正在制造业中得到积极应用。正如它们改变了消费产品一样，智能、廉价、装有传感器的设备与强大的分析和算法相结合，在过去十年中改变了工业世界。“物联网”已经到达工厂车间，巨大的电子酷爱人的力量冲破了煤渣墙。被称为“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——主要是因为数十种变革性和“运营技术”之间存在巨大的文化和结构差异”多年来一直是工业自动化核心的技术。与其他技术结合人工智能（或至少是我们目前称为“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、更低的运营成本；由于供应链中的预测性维护和智能，停机时间减少；由于设备的适应性更强，工厂车间的伤害更少。除了工厂之外，其他行业也可以从拥有传感器神经系统、分析处理数据“湖”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可靠、可预测事物的企业也可以从中受益。改善。但新方法带来了重大挑战，其中最重要的是网络神经系统将所有这些新魔法缝合在一起的安全性和弹性。当人身安全——工人和住在工业场所附近的人的安全——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被搁置一旁。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谈及。）传感器和灵敏度“工业4.0”一词是Acatech（德国政府工程科学院）于2011年为嵌入式系统使用国道而创造的图中创造的技术。作为描述工业“数字化”的一种方式，该术语用于标记从简单的自动化到大规模独立的工业机器人到网络化的“网络物理系统”——基于信息的系统和人类在它们之间协调工作的转变，基于在各种传感器和人工输入上。作为德国联邦教育和研究部路线图的宣传文件，“相互通信的机器，相互通知生产过程中的缺陷，识别和重新订购稀缺材料库存......这是工业背后的愿景4.0。”在工业4.0的未来，使用增材制造（例如通过选择性激光烧结进行3D打印）和其他计算机驱动制造系统的智能工厂能够根据需要直接根据数字设计自适应地制造零件。传感器跟踪所需组件并根据需求模式和其他算法决策树对它们进行排序，将“及时”制造提升到一个新的优化水平。光学传感器和机器学习驱动的系统比生产线上可能疲惫不堪的人更一致、更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类同步工作——或完全取代它们。整个供应链可以响应新产品发布、消费变化和经济波动。机器可以告诉人们机器何时需要在损坏之前进行维修，或者告诉人们更好的方式来组织生产线——因为人工智能可以处理制造过程中产生的大量数据。这一愿景推动了一项11.5亿欧元（约合13亿美元）的欧盟计划，名为欧洲未来研究协会。类似的“未来工厂”项目得到了美国政府的资助——特别是国防部，该部门将这项技术视为国防工业基础的关键。美国国防高级研究计划局（DARPA）利用自适应汽车制造项目等研究项目开发先进的信息集成制造项目，并持续研究工业4.0等技术，如有效的人机结合（机器可以适应并作为合作伙伴与人类并肩工作的能力，而不是作为工具，以及基于人工智能技术的智能供应链系统——一项名为LogX的努力。MITRECorporation的人机社会系统(HMSS)实验室的研究人员也一直在研究如何改进机器人与人类互动的系统。作为这项工作的一部分，MITRE正在与多家机器人公司合作，其中包括AmericanRobotics，该公司开发了一种用于精准农业的全自动无人机系统。该系统称为ForScout是一种靠近场地的自动防风雨装置。农民所要做的就是对无人机飞行时间进行编程，人工智能负责无人机飞行计划和飞行本身管理，以及图像和数据收集和处理，将一切上传到云端。这种自主权允许农民在他们的个人设备上简单地查看作物健康数据和其他指标，然后根据这些数据采取行动——根据需要有选择地施用杀虫剂、除草剂或其他肥料。通过更多的机器学习，在建立使用模式和规则后，这些任务最终可以传递给其他无人机或机器人农业设备。Scout反映了人机组合在工厂中的工作方式-自主机器通过增强视觉或其他显示器将数据传递给人类，让人类根据自己的技能和领域知识做出决策，然后让人类和机器协同工作以完成任务是需要的。任务，但这种集成水平仍处于起步阶段。每个传感器都在讲述一个故事零售业已经出现了人机组合原型的一个地方：沃尔玛使用机器人扫描商店货架的库存水平，并在许多商店自动卸载卡车（通过称为“快速卸载器”的系统）-使用传感器和传送带将货物分拣到存货车上。机器人系统已经接管了亚马逊仓库中“拣货员”的角色，与人类一起取回和运送货物。相反，在工业4.0中已经处于起步阶段的一个因素是使用传感器数据来驱动工厂运营——尤其是对于预测性维护任务。计划外的设备停机是所有行业的祸根，尤其是当相对较小部分的故障导致昂贵资产的完全故障时。据估计，目前大约80%的工业维护时间是纯粹的反应时间，用于修复故障。工业系统中近一半的计划外停机是设备故障的结果，通常发生在设备生命周期的后期。能够预测故障并计划维护或更换对运营影响较小的硬件是工厂运营商的圣杯。这也是业界长期以来追求的目标。自1960年代以来，计算机化维护管理系统(CMMS)的概念以某种形式存在，早期的实施围绕大型机构建。然而，CMMS几乎始终是一个很大程度上手动的过程，依赖于维护报告和数据收集并由人类输入计算机——而不是捕获越来越多的仪表化（且昂贵）的工业系统生成的传感器数据的完整性和深度。使用这些数据来预测和预防系统故障变得越来越重要。正如MathWorks的行业经理PhilipWerner所解释的那样，当务之急是“我们在资产和设备中看到的电子元件越来越复杂，其中的软件数量也越来越多。”而且，随着工业系统提供更多关于其在工厂或现场运行的数据，这些数据需要经过处理才能对操作员有用——不仅是为了预测何时需要维护，而且是为了优化设备的运行方式。而中国的“中国制造2025”计划中包含了人工智能和物联网，希望中国在这个弯道上的超车变得更加强大。
