工業(yè)4.0和工業(yè)物聯(lián)網(wǎng)（IIoT）已成為人們?nèi)粘Ｕ務摰脑掝}，但在將物聯(lián)網(wǎng)（IoT）原理應用到工廠流程時，許多人都不知道在這個轉(zhuǎn)換過程中會丟失什么。

IIoT搭建的理念是，用于加速IT進步的技術同樣可以應用于運營技術（OT）。這個想法仍然合理，但工廠車間中有一些細微差別被忽略了，這兩種環(huán)境仍然有所不同。

一方面，摩爾定律多年來一次又一次地滿足了IT界對速度更快、功能更強大的處理器的無止境的追求。然后是人工智能（AI）。隨著深度學習開始應用到各個專業(yè)領域，比如機器翻譯、藥物設計和國際象棋，制造行業(yè)開始意識到機器也可以獲得與人類專家相當?shù)慕Y(jié)果——在某些情況下甚至優(yōu)于人類專家。

另一方面，現(xiàn)在OT界中部署的控制系統(tǒng)仍處于工業(yè)時代。很多工廠和公用基礎設施尚未聯(lián)網(wǎng)。它們基于專有控制系統(tǒng)所搭建，只能在封閉環(huán)境中運行，而跟IT基礎設施沒有關聯(lián)。 

工廠管理人員發(fā)現(xiàn)，將IT基礎設施的進步轉(zhuǎn)移到工業(yè)控制系統(tǒng)并非易事。首先必須將IT機制轉(zhuǎn)換進OT，而對于做這樣的工作，那些對工廠車間早已熟悉的公司則最適合不過，例如英飛凌科技、瑞薩電子、意法半導體和德州儀器等。 

若對比IT和OT系統(tǒng)，OT在能耗和延遲等方面的要求跟IT截然不同，TI副總裁兼聯(lián)網(wǎng)微控制器事業(yè)部總經(jīng)理Ray Upton表示。“也就是說，工廠車間內(nèi)的各種泵和電機內(nèi)部用到成百上千個傳感器，對此絕不允許停機?！彼嬖V我們，“可預測性、安全性、可靠性和能效對工業(yè)控制系統(tǒng)至關重要?！?/p>

智能工廠所需要的基礎設施，其魯棒性和可靠性比一般的IT基礎設施要高出一個數(shù)量級。

公共互聯(lián)網(wǎng)連接？

最棘手的一個IIoT挑戰(zhàn)是連接，無論是有線還是無線。按照定義，工業(yè)物聯(lián)網(wǎng)需要與互聯(lián)網(wǎng)連接，但工廠管理層最不希望看到的是制造系統(tǒng)受到網(wǎng)絡攻擊。實際上，多年來人們都認為工業(yè)控制系統(tǒng)（ICS）環(huán)境應該與IT網(wǎng)絡隔離，以防范黑客攻擊。 

但是，大多數(shù)專家現(xiàn)在卻承認，除了像核電站那樣的特殊環(huán)境以外，“隔離不切實際”，CyberX公司工業(yè)網(wǎng)絡安全副總裁Phil Neray告訴我們。

“IT和OT網(wǎng)絡越來越多地彼此相連，以方便工業(yè)設備的遠程監(jiān)控和維護，但這卻增加了遭受攻擊的可能性?！盢eray說道。根據(jù)CyberX《Global ICS & IIoT Risk Report（全球ICS和IIoT風險報告）》，有三分之一的OT網(wǎng)絡是與公共網(wǎng)絡相連。 

“更糟糕的是，”他補充道，“大多數(shù)OT協(xié)議都是多年前所設計，并且設計時就不夠安全”。例如，對于將新的梯形圖邏輯或固件上傳到控制器而言，這類協(xié)議并不需要認證。簡而言之，破解了OT網(wǎng)絡的攻擊者，通?？梢宰杂傻仄茐钠湓S多ICS設備。 

顯然，除了OT管理人員愿意承認的問題以外，還有很多的工廠安全問題需要解決。 

工廠管理層關注的另一個重要問題是，如何更好地將AI引入OT。動機很明確。德國和日本的人口數(shù)量正在迅速下降，尤其是15至64歲之間的從業(yè)年齡段。制造業(yè)從業(yè)人數(shù)將在未來40年內(nèi)急劇減少。即使是中國，2020年后的從業(yè)人口也將大幅減少。

我們來設想一下，在你的工廠里有一個很熟練的運營經(jīng)理。我們暫且叫他拉里。他有很豐富的經(jīng)驗，能夠發(fā)現(xiàn)生產(chǎn)線上的某些異?，F(xiàn)象。然而，要是AI能夠做拉里的工作，那么我們何必要讓拉里去車間檢查制造過程中的每個環(huán)節(jié)，或要去雇用更多像拉里這樣熟練的經(jīng)理呢？似乎AI可以發(fā)現(xiàn)并傳達任何可能引起生產(chǎn)故障的異常情況。AI有望實現(xiàn)生產(chǎn)線的持續(xù)監(jiān)控，確保小缺陷不會進入到生產(chǎn)的下一個階段。 

理論上是這樣，因此工廠管理層現(xiàn)在就渴望嘗試AI。然而，將它運用到工廠車間，要比預料的困難得多。 

日本領先的MCU供應商瑞薩對其客戶進行了調(diào)查，發(fā)現(xiàn)盡管規(guī)模不大，但超過30%的工廠已經(jīng)引入了AI。在那些已經(jīng)開始引入AI的客戶中，80%表示他們還無法完成概念驗證。他們對AI的實現(xiàn)成本感到驚訝，并表示他們不知道何時可以看到投資回報。瑞薩發(fā)現(xiàn)只有6%的調(diào)查對象正在推進AI智能制造。 

一些公司將這個問題歸咎于他們?nèi)狈I經(jīng)驗。其他公司則表示他們內(nèi)部缺乏能夠充分利用這項技術的數(shù)據(jù)科學家。 

統(tǒng)計與實時連續(xù)AI

瑞薩工業(yè)解決方案事業(yè)部戰(zhàn)略和規(guī)劃部門高級總監(jiān)Mitsuo Baba將首個困難歸咎于IT和OT AI實現(xiàn)之間的差異。面向工廠運營用的“實時連續(xù)AI”與大數(shù)據(jù)公司推動IT自動化用的“統(tǒng)計AI”有著鮮明對比。 

AI不是萬能藥。Baba告訴我們，當生產(chǎn)線上的特定問題已經(jīng)被確定時，它可以最好地應用于OT。AI要求OT經(jīng)理將生產(chǎn)過程分解為多個小塊。然后在每個端點進行AI推理，使用實時輸入數(shù)據(jù)來確定“運行與否”。 

每家想要向智能工廠推銷IIoT和AI解決方案的芯片供應商，都是先在自己的Fab廠進行概念驗證測試。Upton告訴我們，TI正在其德國工廠開展IIoT試點計劃。據(jù)TDK公司CTO Dai Matsuoka所述，TDK已在其日本和歐洲的生產(chǎn)線上安裝了基于多模傳感器的預測分析系統(tǒng)。 

瑞薩已經(jīng)在其Naka Fab廠開展了為期兩年的AI試點項目。據(jù)Baba稱，瑞薩工程師將AI單元連接到半導體制造設備上，該設備可以以20倍的速度收集數(shù)據(jù)并進行AI分析，無需連接到廣域網(wǎng)，也不需要將數(shù)據(jù)傳送到云端。據(jù)瑞薩稱，在其傳統(tǒng)的故障檢測和分類系統(tǒng)中增加e-AI方案，可以使異常檢測精度提高六倍。 

據(jù)報道，在聽說瑞薩Naka Fab廠的這個案例后，GE醫(yī)療（日本）日野工廠便采用了瑞薩的AI單元方案來測試其效果。GE醫(yī)療在現(xiàn)有設施中以附加AI單元的形式安裝了面向故障檢測和預測性維護開發(fā)的系統(tǒng)。據(jù)GE稱，測試結(jié)果顯示整體產(chǎn)品缺陷減少了65%。 

工廠采用AI仍處于早期階段。但制造商將會聽到更多的例子，介紹嵌入式技術供應商如何學到讓AI在自己的生產(chǎn)設施中發(fā)揮作用。

這些故事聽起來很吸引人，但要落地還需要花費不少功夫