智能工厂参考结构

      随着生产系统的综合性和自动化急剧提高，以及软件制造抢占机械制造领域40%的发展比重，自动化工程师、系统工程师和设备制造商的压力愈来愈大，智能辅助系统和自学型自动化系统被认为是可能性比较大的解决方法，其目的在于：由软件和辅助系统负责一直以来由专家承担的工作，做一些诊断、优化及布置计划等事情，把人类的专业知识转移到自动化设备当中。       关键任务是把复杂的自动化技术变得易于掌握。系统综合性增加，感知复杂性就相应下降，这正是智能自动化的目标。
      在传统自动化中，如何去判断错误？如何去操控设备？这种知识存在于程序上，技术系统即不分辨产品也不知道自动化的目标。智能和专业技术最终还是由专家掌握，生产出来的设备只能在专家事先想好的范围内灵活运作，工程费用昂贵（开始运作和每次调试时都会产生费用）。在面临设备的零件部件过多时，由于零部件之间太过相互独立，独立系统呈现指数倍的增加。自动化工程师在执行操控功能时，在预测生产方案的效果和识别操作失误时，必须仔细考虑到每一个独立性，因此操作失败了率高。
      而工业4.0把关注点放在自动化的更多智能操作上，在其过程中，专家还是只表达目的，比如说最终产品的描述，生产量目标或者能源使用的最大值，专家所拥有的知识会被积极地表达出来。在应用这些智能辅助系统时，自动化解决方案会利用这些表达出来的设备知识及解决方法。这一新的方法给予智能系统在目标和后续实施之间充足的自由操作空间，并运用到以后的适应性中。由此，自动化中的人力费用减少，自动化工程师可以把更多时间和精力放在他的核心任务上，并在信息技术和自动化技术细节问题上得到辅助系统的支持。  
      为了实现智能自动化，需要新的信息技术和新的自动化软件参开架构，图1则为这样的一个参考结构。其结构根植于知识加工领域，而且能将不同知识的预测型、关联型、环境模型和系统知识等区分开来。
      这个结构的基础就是传统自动化（见图1-①）。未来会通过传感技术、执行技术和调试技术被设备的触发代替。此外将来的诊断部分也会被简易规则通过信号可信度测试和界限观测而代替。
      对于自我诊断、自我塑造或者自我优化等工作，则需要一种物理系统及其行为的模型（见图1-③）。通过这种环境模型，系统能够辨别出异常的情况且评估新系统结构的效果。在这两种情况中，人们把环境模型用来预测系统行为，即通过这个模型，能够预演出假设的情况。
      这个层面也被称为关联层面，因为对系统行为的评估要通过关联推断得出：一定的模式（比如说传感器价值）会与积极的结果联系起来（比如优良的产品质量），其他模式则与消极的结果联系起来（比如说系统故障）。
      一般来说，模型能在系统观测的基础上自动获得（至少会有部分自动获得）（见图1-⑥），并且至少得不断平衡模型与实际情况。在预测结果的基础上，关联层面可以把传统层面系统重新参数化或者重新构建。其中一个例子就是，传感器所预测的数值和实际测量值不一样时，会以此为据发出警告。这一层面利用的也是短期记忆（见图1-⑧）。       来自环境模型的对象和整体层情况在象征层面（见图1-③），与可加工的象征物联系在一起。这些象征物大部分都以存在主义的形式或者形而上的逻辑理念被模型化。以这些象征物为基础，智能自动化也会接受推理并进行复杂的评估。
      环境模型也可应用于系统优化。因此典型的工业4.0场景，即自动化能源优化或生产率优化将被转变。
      象征层面利用的是学习能力（见图1-⑤）。所以环境模型里类似的情况会在一个相同的象征下被包括进去。
      但是，这样的逻辑规则自身也是机器学习的对象（见图1-⑤）。以环境模型的分析为基础，能够得出系统的关系和因果性并把它们用于之后的分析和合成工作。象征层面同样有一个长期记忆的接入点（图1-⑦），通过以象征运用为依据的信息压缩，大量数据会被删除掉。
      象征层面还具有接近人类语言并因此靠近人类的思维模式的这一特点，因此智能自动化能够为人类提供更好的接入点。
      在现代工厂中，将开发智能自动化和相应的辅助系统的项目，把信息技术与通信技术为基础的理念放到变化多样、可重构的、能源利用高的生产系统中试验，并放到应用知识领域中去演示。其聚焦点在于信息技术与通信技术在自动化中的联动。