摘要：人工智能（AI）是一项具有颠覆性的技术，结合强大的计算硬件，为工业领域的全球技术进步开启了新的可能性。在工业4.0的下一代系统中，即工业界迫切需要系统地开发和实施AI，以见证其真正的影响。不这样做的组织将无法保持竞争力。本文重点介绍了工业4.0中使用的AI技术的主要范式，着重强调关键的数字化技术及其挑战。此外，我们还概述了AI目前的状态，以及工业4.0中最重要的AI算法。最后，我们讨论了在嵌入式软件应用和嵌入式系统的软件架构环境中采用AI的趋势。
关键词：人工智能，工业4.0，嵌入式软件，软件系统架构。
- 引言
工业4.0是商业模式和流程的重要改变，旨在通过降低成本、增加新的改进措施来提高生产力。人工智能（AI）、工业物联网（IIoT）、大数据分析、云计算和智能物理系统的整合，促成了工业演进的新阶段。人工智能（AI）在工业应用中具有巨大潜力，可以帮助行业实现颠覆性转变，增强在市场需求方面的全球竞争力。人工智能在工业应用中的重点是开发、验证和部署各种机器学习算法，以可持续地提高应用性能。然而，要实现这一目标，必须深入了解人工智能的方法和挑战，并将其定义为一个框架，促进人工智能的应用。本文介绍了工业4.0中常用的AI范式，对工业4.0中常用的AI算法进行了综合调查，并讨论了在嵌入式软件应用中采用AI的情况。工业嵌入式系统在许多行业中用于执行特定任务，如过程控制、驱动电机、控制生产线速度和网络设备等。工业嵌入式系统通常实时监控机器的内部状态和工作条件，并使用物联网资源将性能数据发送到集中服务器。这些数据通过人工智能技术进行分析，并通过仪表板提供结论。虽然从理论上讲，这个过程应该运行顺畅，但由于人工智能是一项颠覆性的技术，采用AI并不是一件容易的事情。它对系统提出了新的要求，需要特定的前提条件才能发挥其全部潜力，并影响已建立的系统质量要求。本文按照以下结构进行组织。第2部分介绍了相关的数字化技术、AI挑战以及在工业4.0中的AI应用。第3部分介绍了AI的方法学，并根据其在工业4.0中的应用情况，提供了调查结果。第4部分提供了一项针对嵌入式系统中采用AI的调查结果，包括动机和挑战。第5部分讨论了采用AI的方法，并在第6部分总结了本文并展示了在调查范围内进行新分析的潜力。
- 工业4.0中人工智能的关键技术、应用及挑战
工业4.0中最重要的转变是数字化。主要的数字化技术包括数据技术、分析技术、平台技术和运营技术。数据技术能够成功获取有用的传感数据。分析技术利用数据驱动建模将数据转化为有用信息。平台技术包括用于数据存储、分析和反馈的硬件架构（独立、嵌入式和云），而运营技术指的是基于从数据中提取的信息进行决策和采取的行动。数字化的基本引擎是人工智能（AI）。工业AI中的关键元素可以用“ABCDE”规则来描述，如表1所示。在新的工业时代背景下，与AI相关的挑战包括大数据和数据质量、模型选择、网络安全以及机器间的交互。
表1：工业人工智能的关键要素
| "ABCDE 规则" | 描述 |
| A | 分析技术（AI的核心） |
| B | 大数据（提供数据） |
| C | 云基础设施（为工业AI提供平台） |
| D | 领域专业知识（了解系统的架构和运作方式） |
| E | 证据，即向AI系统提供的反馈，以便评估和改进自身。 |
人工智能算法消耗大规模未经处理的数据集，从中发现工业系统隐藏的模式、以前未知的相关性和其他有用信息。在某些缺失数据或数据质量不佳的情况下，我们应考虑采用特定技术来解决这些问题，因为它们对机器学习（ML）和深度学习（DL）算法的性能有很大影响。在这个背景下，最重要的挑战是由于数据的复杂性和特性，正确选择ML/DL算法。通过物联网系统的增加连接性使得智能制造系统容易受到网络风险的影响，因为传统工业往往没有准备好应对现有的安全威胁。采用不同的人工智能算法可以解决保护关键工业系统和系统数据免受网络安全威胁的问题。工业机器连接到传感器、嵌入式设备以及其他机器。人工智能在确保机器间交互效率方面起着重要作用。在工业4.0中，应用人工智能的主要领域包括预测分析、预测维护、基于数据驱动的系统建模、控制与优化，以及人机协作。
预测分析（或大数据分析）应用机器学习和深度学习算法对收集的实时资产数据进行建模，以估计未来的变量值。最后一步是将这些分析结果集成到系统工作流程中（嵌入式设备和硬件）以进行预测分析。预测分析的核心是回归技术（模型）。
预测维护（或诊断分析）利用人工智能算法对收集的资产数据进行分析，自动追踪导致生产故障的事件，并预测机器或系统的下一次故障。它还执行维护程序以预防故障。有两种方法可以解决这个挑战：分类和回归方法。预测维护的主要好处是在许多情况下通过异常检测显著降低运营成本，同时消除了计划停机的需求。
人工智能对于那些使用传统方法建模无法准确模拟的复杂系统非常有用。在工业4.0中，通过云平台开发一个网络化的控制系统，可以实现对越来越复杂的制造过程或各种智能机器的智能控制。预测性分析提出通过一标准或多标准优化采取行动来优化制造过程，并试图预测这些行动的影响。
在工业4.0中，人与机器将在工业环境中共同合作，采用认知技术。随着机器人在制造业中与人类一起工作的增加，人工智能在确保人机协作效率方面将发挥重要作用。语音识别、计算机视觉和机器学习算法可以改进人机交互和通信。工业4.0中人工智能的重要范式如图1所示。
数字孪生是一个概念，通过创建物理对象的虚拟模型（数字影子），使系统行为可以进行模拟。这些系统需要在运行过程中能够持续扩展和适应各种配置，以支持高品种的产品。通过这种方式，可以在虚拟实验设置中对系统级别进行性能分析，涵盖许多不同的情况。数字孪生可以帮助估计机器人系统的规划和优化结果，即使没有与物理系统的实时连接，也可以通过先进的信息和通信技术实时进行持续改进。
- 工业4.0中的人工智能方法与应用
人工智能模型变得越来越复杂。因此，将这些模型的推理能力转移到实际生产领域和业务中变得更具挑战性。人工智能方法包括多种算法，用于不同的目的：用于决策和控制、认知自动化和机器人技术、智能监测以进行异常检测和检查、预测性维护、生产计划与调度、生产优化和能源管理等。这些基于人工智能的软件解决方案，单独或组合使用，为软件系统应用增加了智能。
图2展示了工业4.0中常用的人工智能技术概览。
模糊逻辑可以解决广泛的应用领域中存在不确定性或不完整信息的复杂建模问题，例如制造调度、规划、决策和控制。博弈论是一种决策方法，多个参与者必须做出选择，这些选择可能会影响其他参与者的利益。博弈论适用于许多竞争场景的研究，以及分析多智能体系统的性能。博弈论可以通过物理的人机交互，实现协作任务。强化学习（RL）算法是一种强大的工具，可以在各种决策问题中寻找原始解决方案。深度强化学习（DRL）是一种有希望的方法，可以为机器人与人类合作中的许多交互任务获得控制策略。在工业领域中使用了几种机器学习（ML）算法，包括贝叶斯网络、支持向量机、K-最近邻算法、人工神经网络（ANN）等。所有这些算法都推动了人工智能在工业4.0中在学习、预测和分类等任务方面的显著进步。多层网络已被用于非线性系统的动态识别和控制。提出了人工神经网络（ANN）系统来预测制造线的健康状况。
深度学习在智能制造系统中引起了广泛关注。深度学习在不同的任务规范下有不同的主要网络架构。定制的深度学习方法包括卷积神经网络（CNN）、循环神经网络（RNN）、长短期记忆（LSTM）、自动编码器（AE）、玻尔兹曼机（RBM）和深度信念网络（DBN）。在制造业中，深度学习的实施被用于预测分析、不同形式的识别和控制对象检测。CNN已成功用于监督分类任务和机械故障诊断。RNN和特别是LSTM用于不同的预测任务和基于状态的监测。AE适用于高维数据，并且是智能故障诊断的不错选择。RBM和特别是DBN在模式识别和特征提取方面非常有效。优化技术能够优化制造系统中的各种任务，如计划和调度、最优控制、任务分配等。在工业4.0范围内的主要贡献和挑战是探索优化如何有助于提高能源技术的可访问性和效率。基于自然启发的优化启发式方法的优化技术，如遗传算法（GA）、粒子群优化（PSO）、蚁群算法（ACO）、人工蜜蜂群算法（ABC）或萤火虫算法，能够优化各种制造系统，以克服传统优化技术的局限性。例如，粒子群优化（PSO）被用于优化加工参数。虽然进化算法传统上专注于优化单一目标函数，但工程实际问题多数是多目标问题。最重要的多目标进化算法包括NSGA-II和NSGA-III（非支配排序遗传算法）、SPEA2（强度帕累托进化算法）和NPGA-II（有限帕累托遗传算法） 。多目标优化算法可以用于制造系统中的不同任务，包括故障诊断、控制设计和监督切换控制。
- 调查：嵌入式系统中人工智能的应用
本节我们将讨论一项于2020年进行的调查结果，该调查重点关注采用人工智能的动机以及采用过程中所面临的挑战。该调查涵盖了来自奥地利、德国和瑞士的51家嵌入式软件系统的欧洲公司。
调查结果显示，在嵌入式软件系统领域几乎没有一家公司不考虑采用人工智能（仅有2家公司中的51家表示他们在人工智能采用的任何阶段都没有参与）。
图3总结了采用人工智能带来的预期附加价值。公司主要认为人工智能的好处在于支持新的业务案例，实现目前传统编程方法不可能实现的新应用，并提高竞争力。
软件系统的质量属性定义了其执行功能的质量。在这个背景下，嵌入式系统因其与人类进行交互或负责执行关键任务而尤其复杂。嵌入式系统功能的故障或其执行质量不达标可能导致巨大的财务损失和人员生命的损失。调查结果指出了采用人工智能的具体期望以及相关担忧（见图4）。调查结果显示，考虑采用人工智能时，最重要的关注点是系统的性能（74.51%的参与者选择了这个质量属性）。然而，由于人工智能产生的结果不可预测，并且对输入数据的微小波动非常敏感，在安全系统中部署人工智能是一个挑战（68.63%的参与者表达了这个担忧）。为此，有几个安全标准试图规定如何解决这个问题。除了这些挑战，一些公司还对个人数据共享和功能安全表示了担忧。
最后，将人工智能应用于软件系统引发了各种担忧（见图5）。调查参与者对于理解与人工智能相关的软件平台所需的时间和精力表示担忧（49.02%），理解与人工智能相关的硬件平台（47.06%）以及培训团队以便能够使用和整合这些平台到项目中所需的时间（45.1%）。
在这种背景下，39.22%的公司表示他们担心采用人工智能技术可能造成的潜在成本。尽管在软件系统的背景下存在各种评估新技术适用性的方法（ATAM、RATE、SWOT分析），但调查声称与人工智能相关的知识缺乏。调查参与者表示他们需要更多关于如何在嵌入式系统中应用和使用人工智能的知识（45.1%），以及实际操作人工智能技术的培训将有助于评估人工智能采用对其系统的影响（47.06%）。
调查得出结论，采用人工智能仍然面临许多挑战。尽管如今的公司拥有专门的人工智能专家，但这些专家在应用人工智能于软件工程方面的需求中显然存在技能差距。虽然公司通常使用分析技术来预测采用人工智能对其系统的影响，但需要更加个性化的分析技术，以揭示人工智能采用对系统产生的具体影响（例如，人工智能采用的优势和劣势），并揭示公司在相关人工智能属性、组件和过程方面的知识缺乏。这种揭示将使工程师和利益相关者能够更加适当地决策是否采用人工智能。现有技术无法捕捉这种知识缺乏并以能让架构师们舍弃某些与人工智能相关的决策的形式显示出来。未来的工作需要研究公司在采用人工智能方面所处阶段与 i）这些阶段中预期的附加值 以及 ii）适当的决策过程之间的依赖关系。
- 人工智能采用与软件系统架构
软件架构是关于软件系统组织的重要决策集合。做出架构决策并不是一项容易的任务。架构师需要与所做的架构决策共存，因为更改它们通常是昂贵和耗时的（在某些情况下，创建一个新系统比更改现有系统更可行）。采用新技术是一项冒险的决策，因为很难预测新技术对软件系统功能和质量属性的影响。
Falessi等人进行了一项调查，比较了八种决策技术，考虑到质量属性描述、质量属性重要性描述、作为替代方案提供的满足描述以及不确定性描述等标准。他们得出结论称“没有任何一种决策技术在考虑到所有困难因素时更容易（或更不容易）受到影响”。该研究讨论了不确定性描述，试图捕捉不确定性来源：是否明确表达不确定性，是否通过决策者间的分歧推断出不确定性，是否与每个质量属性相关，并将不确定性视为一种质量属性。在这个背景下，Gilb和Brodie观察到不确定性可以被用作表示解决方案性能知识量和不可控变异程度的质量属性。
采用人工智能的主要问题是，人工智能系统本身是完全功能的问题解决组件（例如，目标检测，语音识别）。它们本身就是软件系统（见图6），因为它们包含数据科学和人工智能活动，人工智能工程活动以及领域特定的人工智能工程活动。
在采用人工智能技术时，由于缺乏相关知识，可能会面临一些问题。Jahić、Roitsch和Grzymkowski 针对这个问题进行了探讨。他们开发了一种方法，规定了一组基本的、与应用领域无关的技术属性作为输入。这些属性代表了关于技术的基本技术知识和企业对其采用的期望。在这种情况下，架构师需要识别出在采用人工智能时，作为架构解决方案所必需的架构相关技术属性（因为并不是所有技术属性都是架构相关的）。这些属性作为模板的输入，为现有的架构决策模板提供补充。模板的实例主要捕捉了新的需求，将复杂的采用人工智能技术的驱动因素分解，根据组织在每个架构相关技术属性（在这种情况下，即人工智能属性）方面的采用阶段。采用阶段用于增加对采用技术决策的适当性的信心，并推理与采用相关的下一步措施。
- 结论
尽管工业4.0革命仍处于早期阶段，但人工智能带来的变革潜力巨大。如今，随着计算机硬件的不断发展，以及对新形式人工智能的许多挑战的克服，大规模制造数据的处理和分析，以及在智能工业系统中做出决策的能力得到了极大的改善。嵌入式系统是智能制造的一部分，提供了比以往任何时候都更高水平的控制。机器智能在支持复杂的制造动态环境下的人机协作中发挥着重要作用，机器在每个工作和角色中都有所助益。嵌入式系统的架构师认识到人工智能的巨大潜力，特别是对于改进传统算法不适用的任务的性能。然而，人工智能也带来了其他质量属性方面的挑战，包括安全性。此外，采用人工智能并非一件容易的事情，需要专业知识。因此，采用人工智能需要人工智能专家、行业专业人员和学术界之间的密切合作，推动工业革命的新篇章。它为采用人工智能的企业带来了好处，但前提是它们具备足够的技术能力和知识，以避免常见的陷阱。
版权声明： 本翻译文章为原文《Integration of artificial intelligence in Industry 4.0: challenges, paradigms and applications》原始来源: https://www.researchgate.net/publication/360023761_Integration_of_artificial_intelligence_in_Industry_40_challenges_paradigms_and_applications。（作者：Lejla Banjanović-Mehmedović, Jasmin Jahić）。作者和贡献者对原文内容享有版权。请阅读原文以了解详细信息和权限限制。翻译权归本翻译者所有，非商业用途，仅用于学术研究和交流目的。未经授权，不得用于商业目的或其他侵权行为。本翻译保留所有权利。如有引用或使用，请注明原文出处和作者。本翻译文章中的内容仅供参考，可能存在错误或不准确之处，请读者自行核实原文内容。