一個完全自主操作的工廠，可靠且無需人工協助，以不斷變化的小批量生產高度個性化的產品，不分晝夜，周期時間長，單位成本明顯低于以往——這就是自主生產的愿景。工業界離這一愿景有多近？人們將在其中扮演什么角色？

●區別：自主與自動化

●誰需要自主生產，為什么？

●自主生產的前提條件是什么？

●今天的自主生產在哪里？

●今天誰（已經）在運營自主生產？

●人將在自主生產中扮演什么角色？

區別：自主與自動化

自主生產比高度自動化的流程更進一步。一個自治系統應該能夠識別不可預見的情況，評估它們并自行做出有意義的決定。長時間不需要人為干預。因此，自主生產系統能夠自行計劃和控制生產。

另一方面，自動化流程更像是一種反射。當醫生用反射錘敲擊膝蓋下方的髕腱時，您的腿會彈起來。自動化流程也是如此。它們是使用“如果，那么……”邏輯設計的。當傳感器返回先前定義的值時，特定的執行器將執行預定義的操作。這本質上是一種時間偏向的遠程控制，涵蓋了許多已定義的場景。

誰需要自主生產，為什么？

當系統變得如此龐大和復雜以至于無法預測和自動化所有相關星座時，自主生產成為焦點。物流系統和自動化生產設施以及信息物理系統必須組織在“智能工廠”中。這包括無人駕駛運輸系統、學習機、傳感器、攝像頭、無人機以及最后但并非最不重要的控制所有流程的 IT 系統。如果該過程要自主進行，所有這些單元都應該是自學習的、適應情況的并相互全面聯網。他們有遠見。因此，可以實現完全訂單控制的生產。

自主生產比高度自動化的流程更進一步

自主生產的前提條件是什么？

●人工智能和機器學習

●機器視覺和傳感器數據處理

●模擬

●一致的網絡和分散系統

●機器人和自主運輸系統

人工智能和機器學習

人工智能是實現智能決策的算法的通用術語。最現代的人工智能形式使用神經網絡來開發用于機器學習的自學習系統。機器學習是人工智能的關鍵技術，起源于 用于質量控制的機器視覺，它是檢測模式以識別偏差的問題。使用機器學習，技術系統通過自主開發新模型來擴展其應用可能性。

所謂的“弱人工智能”只能精確地解決它開發和訓練的任務。“強人工智能”類似于人類的思維，因此可以提供傳輸服務和戰略規劃。人工智能用于工業生產，尤其是過程監控、過程控制和預防性維護。已經有基于人工智能的產品能夠預測高達 95% 的與機器相關的生產停機時間。

機器視覺和傳感器數據處理

與所有其他傳感器數據的收集和處理一樣，高度發達的機器視覺是自主生產的先決條件。生產過程中可用的高質量或注釋數據越多，即由結構化的附加信息補充，就越能做出更精確的人工智能決策。

模擬

與使用以前的過程數據監控過程的批量生產相比，現有測量值不能用于批量1。但是，如果要監控第一個也是唯一一個實例，軟件控制的過程模擬必須確定參考值這。這反過來又要求公司的高性能 IT 和制造水平之間保持一致的聯系。

一致的網絡和分散系統

流程中涉及的所有人員都必須相互聯網，即沿著從收到訂單到生產和交付的整個鏈條。同時，生產決策只能實時做出，例如，如果可以使用機器人自己的分散計算能力來控制機器人。

機器人和自主運輸系統

零件的運輸和處理，即生產的“基礎”，通常可以由機器處理。目前正在進行同步定位和映射 (SLAM)、機器人感知、規劃和調節以及模擬和更多機器人協調等領域的開發工作。

今天的自主生產在哪里？

在全面安裝自主生產的道路上仍然存在許多挑戰。

足夠數量和質量的數據

一個挑戰是 AI 和機器學習 (ML) 所需數據的可用性和質量。自治系統需要高質量的數據池，在此基礎上對系統進行訓練，以便在運行過程中快速輕松地識別異常。但是，運營商面臨的問題往往是系統是唯一的，因此沒有其他系統的重疊數據池。

組件和系統供應商有興趣從全球客戶使用的產品中獲取盡可能多的數據。然而，不信任和專有技術保護的爭論常常使公司重疊的數據池復雜化。一方面，人工智能的發展和訓練需要足夠質量的數據，另一方面也必須考慮到用戶的數據主權。這一目前尚未解決的矛盾阻礙了人工智能應用的快速發展。

博世研究員兼國際 5G-ACIA 倡議主席 Andreas Müller 博士：“借助 5G，我們將實現符合我們對未來工廠愿景的全新生產理念。”

實時機器通信：5G為前提

在未來的工廠中，傳感器、機器、設備和 IT 系統通過交換各種數據和信息相互交互。5G蜂窩網絡標準將蜂窩網絡中的數據傳輸速率提高了十倍，達到每秒十吉比特以上。由于延遲時間顯著縮短，機器實時通信成為可能——這是工廠自動化中機器和流程協調的先決條件。

“5G 互聯工業和自動化聯盟”（5G-ACIA）倡議主席 Andreas Müller 博士表示：“高性能無線通信，例如用于移動終端的聯網，是絕對必要的。除了無人駕駛運輸系統和移動機器人，這還包括移動操作設備和新的人機界面，例如增強現實的應用。此外，5G 還通過無線、高度靈活的生產模塊實現全新的生產概念，無需任何電纜即可輕松地相互組合。

當對沒有錯誤提出高要求時，機器學習的使用變得困難。例如，汽車行業中與安全相關的精密部件的測試就是這種情況。那里允許的最大錯誤率是 1 到 10 ppm（百萬分之幾）。作為工業機器視覺的子學科，基于 ML 的測試程序目前還遠未達到這樣的錯誤率。

今天誰（已經）在運營自主生產？

Festo 行業部門管理流程自動化負責人 Eckhard Roos 博士：“我們在某些領域已經非常先進。如果機器人現在要進行維護，我們將在自主工廠。”

根據 VDI 的一項調查（VDI 關于人工智能的狀態報告，2018），人工智能方法已經用于分析數據；它們的特點是通常必須由用戶做出具體結論。對流程或應用程序的直接反饋通常尚未發生。一般來說，大公司在這一領域比中小企業更活躍，也更有可能相信使用自主系統可能會實現更高的增長率。

Festo 提供了一個在自主生產方面取得進展的當前實用示例。Festo 管理過程工業行業部門負責人 Eckhard Roos 博士在接受 VDI / VDE 測量和自動化技術協會董事總經理 Dagmar Dirzus 博士的采訪時解釋說：“Festo 在其產品組合。在標準化的硬件平臺上，通過安裝應用程序可以實現包含相應規則的各種功能。例如，可以數字化指定氣動驅動器的工作周期長度，例如兩秒. 系統然后獨立自學。經過幾個學習周期——通常是四到五個——系統知道如何創建壓力曲線以實現兩秒的周期。調試自動進行，不再需要手動調節油門。在運行期間，系統會監控循環時間并在發生變化時獨立調整它們，例如由于摩擦增加。這也是自主發生的，無需人工干預。當然，如果流程發生變化，維護團隊的觸發器就會啟動。如果機器人現在要進行維護，我們將在自主工廠。

人將在自主生產中扮演什么角色？

完全自主的生產應該在沒有人類干預和幫助的情況下運行。因此，一些職業很可能在未來幾年被其他職業取代。關于這將如何以及在何種程度上發生，有各種各樣的預測。一般來說，自動化應該使人們能夠處理更高價值的任務，例如解決問題或流程優化。然后機器人可以用于低價值的重復性任務。但是，未來還是會有一些自動化任務還不能解決，所以人與機器必須協同工作。

因此，從中期來看，人們暫時仍將是生產環境的一部分——盡管越來越多地處于不同的條件下：他們將傾向于較少參與生產本身，而是控制和監控生產。這正是為人類參與者創建新的和增強的任務的地方。由于IIoT方法涉及所有流程參與者的持續聯網，因此會生成大量數據。需要訓練有素的專業人員來構建、分析和評估它們。公司必須定期培訓員工以充分利用自動化的好處。

此外，人們仍然是過程的主人，會給機器提供工作指令，而不是相反。我們現在可以為未來的工作方式設定一般條件，因為工業 4.0 不是一個成品，而是一個設計過程。在這種情況下，也需要就使用自治系統引起的倫理問題達成廣泛的社會共識。