自动化安全的未来将涉及机器学习。人工智能和机器学习的进步可以使机器人和其他工业设备从大量与安全相关的数据中学习。工业安全措施的主要重点之一是尽可能将机器与操作人员隔离开来。自动化设备的技术进步让机器——尤其是协作机器人——能够在靠近人类操作员的地方工作。得益于圆形边缘和力反馈传感器等功能，这些先进技术有助于降低操作员在接触机器时受伤的可能性。此外，自动化系统正在从固定式过渡到自主移动式。一个可行的制造解决方案是将协作机器人手臂连接到可以自主导航的移动基地。为了让控制设计工程师实施风险缓解措施，此类创新需要了解技术要求、潜在风险以及操作员如何使用它。随着系统变得越来越复杂，制造公司分析所有可用于风险缓解计划的数据变得越来越具有挑战性。信息量可能是巨大的，而控制决策过程的机制是有限的。自动化设计人员可以通过人工智能(AI)技术提供的更多选择来克服这些限制。这种品质与其强大的数字运算能力相结合，使AI成为自动化系统的重要组成部分。未来的工厂将使用人工智能和移动机器人技术来提高质量、灵活性、效率和可追溯性。IEC62061标准阐明了与安全相关的电气、电子和可编程电子控制系统相关的安全要求，将功能安全定义为：机器和机器控制系统整体安全的一部分，取决于安全相关的电气控制系统（SRECS),其他技术正确实施安全相关系统的功能和外部风险降低措施。当重新定义目标以设计系统以在确实发生故障时以可预测的方式发生故障时，此定义更有意义。制造业已经精通硬件解决方案。安全标准为制造商、集成商和最终用户提供了最佳实践，以实现这些解决方案可接受的风险水平。我们还可以使用这些标准来帮助确定开发技术的安全要求。目前，还没有专门针对与移动平台集成的工业机器人的安全标准。我们可以从现有安全标准中收集相关信息，例如用于风险评估的ANSIB11.0或ISO12100、用于工业机器人系统的ANSIRIAR15.06或ISO10218-2、ANSI/RIAR15.606或ISO15066、ANSI/ITSDFB56.5或EN1525用于工业卡车（将被ISO3691-4取代），ISO13849-1用于故障预测和验证。供应商手册中应提供危害和建议的风险降低措施。在确定适用标准后，工程师需要评估和设计影响空间的因素，例如工作流程、障碍、可访问性、误用和培训。技术也起着重要作用，因为反馈误差会导致影响位置跟踪的测量噪声，并且关节顺应性本身就不确定。工程师还应考虑系统如何吸收能量、限制力的方法以及安全功能的应用。自主移动机器人可以使用机载地图软件自主导航设施。集成人工智能确保技术安全的近期主要挑战不是缺乏适用信息，而是信息太多。当变量太多时，开发二进制规则来表示过去经验的主要局限性会变得更加明显。由于技术进步的速度快于标准的制定速度，因此设计人员常常被迫预测未来的趋势。这导致他们高估或低估必要的安全功能。如果制造商扩展他们的工具集以支持数据处理和决策过程，他们可以更有效地处理这些信息。特别是，他们可以通过人工智能和机器学习算法找到流行的解决方案。人工智能系统可以根据可用的案例研究和数据分析推荐新的系统特定指南。机器学习通过分析大量数据发现隐藏的相关性，发现使用传统统计工具无法轻易发现的潜在模式和趋势。人们可以从这些相关性中找到抽象模型，并进行实验以确定模型的性能。设计师和工程师可以依靠智能系统来指导设计，确保满足客户需求的最佳实践和解决方案。人工智能对于消除可能阻碍决策制定的偏见至关重要。由于记忆是大脑决策的重要组成部分，专家对过去经历的理解可能存在偏差，影响他们对新情况的反应判断。专家们也可能没有意识到关键信息的缺失，或者在决策过程的开始就犯了从最终解决方案开始的错误。机器学习算法减少了偏差，因为它们使用有监督的训练集或无监督的起点来查找当前和实际数据中的模式，以帮助解决过程中的特定问题。数据驱动的挑战将人工智能引入工业设备背后的驱动力是当今制造工厂中大量的安全相关信息。数据如此之多，即使是有经验的工人也很难全部记住，更何况是刚踏入制造业的初级员工。通过让机器自行学习，制造公司可以利用强大的风险降低工具。这些工具可以提供与不断变化的环境中的安全要求相关的短期和长期数据。当今安全解决方案中应用的一切都基于工程师、操作员和制造商过去的经验。从这个意义上说，人工智能也不例外。人类和算法都不是从工业安全的特定上下文知识开始的，我们都必须使用我们过去经验的点点滴滴来建立联系并将它们应用于新情况。我们需要了解什么有效，什么无效，然后利用这些知识做出未来的决策。人工智能以同样的方式工作。关键概念：人工智能可以帮助制造商分析数据以解决安全问题。人工智能可以帮助使机器人和其他设备更符合人体工程学并适应特定的工人。
