導讀：當將IoT原理應用到工廠流程時，在轉換過程中會丟失什么？
工業4.0和工業物聯網（IIoT）已成為人們日常談論的話題，但在將物聯網（IoT）原理應用到工廠流程時，許多人都不知道在這個轉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領域，比如機器翻譯、藥物設計和國際象棋，制造行業開始意識到機器也可以獲得與人類專家相當的結果——在某些情況下甚至優于人類專家。
另一方面，現在OT界中部署的控制系統仍處于工業時代。很多工廠和公用基礎設施尚未聯網。它們基于專有控制系統所搭建，只能在封閉環境中運行，而跟IT基礎設施沒有關聯。
工廠管理人員發現，將IT基礎設施的進步轉移到工業控制系統并非易事。首先必須將IT機制轉換進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，OT在能耗和延遲等方面的要求跟IT截然不同，TI副總裁兼聯網微控制器事業部總經理Ray Upton表示?！耙簿褪钦f，工廠車間內的各種泵和電機內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控制系統至關重要?！?/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量級。
公共互聯網連接？
最棘手的一個IIoT挑戰是連接，無論是有線還是無線。按照定義，工業物聯網需要與互聯網連接，但工廠管理層最不希望看到的是制造系統受到網絡攻擊。實際上，多年來人們都認為工業控制系統（ICS）環境應該與IT網絡隔離，以防范黑客攻擊。
但是，大多數專家現在卻承認，除了像核電站那樣的特殊環境以外，“隔離不切實際”，CyberX公司工業網絡安全副總裁Phil Neray告訴我們。
“IT和OT網絡越來越多地彼此相連，以方便工業設備的遠程監控和維護，但這卻增加了遭受攻擊的可能性?！盢eray說道。根據CyberX《Global ICS & IIoT Risk Report（全球ICS和IIoT風險報告）》，有三分之一的OT網絡是與公共網絡相連。
“更糟糕的是，”他補充道，“大多數OT協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，這類協議并不需要認證。簡而言之，破解了OT網絡的攻擊者，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量正在迅速下降，尤其是15至64歲之間的從業年齡段。制造業從業人數將在未來40年內急劇減少。即使是中國，2020年后的從業人口也將大幅減少。
我們來設想一下，在你的工廠里有一個很熟練的運營經理。我們暫且叫他拉里。他有很豐富的經驗，能夠發現生產線上的某些異?，F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節，或要去雇用更多像拉里這樣熟練的經理呢？似乎AI可以發現并傳達任何可能引起生產故障的異常情況。AI有望實現生產線的持續監控，確保小缺陷不會進入到生產的下一個階段。
理論上是這樣，因此工廠管理層現在就渴望嘗試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查，發現盡管規模不大，但超過30%的工廠已經引入了AI。在那些已經開始引入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。瑞薩發現只有6%的調查對象正在推進AI智能制造。
一些公司將這個問題歸咎于他們缺乏AI經驗。其他公司則表示他們內部缺乏能夠充分利用這項技術的數據科學家。
統計與實時連續AI
瑞薩工業解決方案事業部戰略和規劃部門高級總監Mitsuo Baba將首個困難歸咎于IT和OT AI實現之間的差異。面向工廠運營用的“實時連續AI”與大數據公司推動IT自動化用的“統計AI”有著鮮明對比。
AI不是萬能藥。Baba告訴我們，當生產線上的特定問題已經被確定時，它可以最好地應用于OT。AI要求OT經理將生產過程分解為多個小塊。然后在每個端點進行AI推理，使用實時輸入數據來確定“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TDK公司CTO Dai Matsuoka所述，TDK已在其日本和歐洲的生產線上安裝了基于多模傳感器的預測分析系統。
瑞薩已經在其Naka Fab廠開展了為期兩年的AI試點項目。據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倍的速度收集數據并進行AI分析，無需連接到廣域網，也不需要將數據傳送到云端。據瑞薩稱，在其傳統的故障檢測和分類系統中增加e-AI方案，可以使異常檢測精度提高六倍。
據報道，在聽說瑞薩Naka Fab廠的這個案例后，GE醫療（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醫療在現有設施中以附加AI單元的形式安裝了面向故障檢測和預測性維護開發的系統。據GE稱，測試結果顯示整體產品缺陷減少了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在自己的生產設施中發揮作用。
這些故事聽起來很吸引人，但要落地還需要花費不少功夫
