推进运动控制中的人工智能

不管你怎么定义，讨论和采用人工智能(AI)应用的公司越来越多，而且速度只会越来越快。根据Gartner对89个国家的3000多名高管进行的2019年CIO调查，人工智能的实施在过去4年增长了270%，仅在过去一年就增长了37%。这比2015年的10%有所上升，这并不奇怪，因为据估计，到2022年，企业人工智能市场的价值将达到61.4亿美元。

高德纳公司杰出的研究副总裁克里斯·霍华德(Chris Howard)表示:“我们离能够完全接管复杂任务的通用人工智能还很远，但我们现在已经进入了人工智能增强工作和决策科学的领域，我们称之为‘增强智能’。”“如果你是一名CIO，而你的公司不使用人工智能，那么你的竞争对手使用人工智能的可能性很大，这应该是一个值得关注的问题。”

在调查的CIO中，其雇主在收入和公共部门预算中占15万亿美元，在过去一年中的AI增加了2840亿美元，从2018年的25％上升.GARTNER与“成熟”攀登AI capabilities and the rapidity with which it’s become an “integral part” of digital strategies.

这与德勤在2018年秋季发布的第二份《企业状况》(State of the Enterprise)报告一致。在报告中，42%的高管表示，他们认为人工智能将在两年内变得“至关重要”。同一份报告显示，自然语言处理在增长方面超过了所有其他类别，62%的公司表示已经采用了它(高于一年前的53%)。机器学习以58%的使用率位居第二(同比增长5%)，计算机视觉和深度学习紧随其后，使用率分别为57%和50%(同比增长16%)。

人工智能的第一个实际步骤是在20世纪40年代。今天，人工智能正迎来一个历史性时刻，原因有六个:

大数据:许多设备都允许我们访问大量的数据，包括结构化的(数据库和电子表格)和非结构化的(如文本、音频、视频和图像)。随着数以万亿计的传感器被部署在家电、包装、服装、自动驾驶汽车和其他地方，“大数据”只会变得越来越大。人工智能辅助处理这些信息，使我们可以使用这些数据来发现历史模式，更有效地预测，做出更有效的建议，等等。

处理能力：云计算和图形处理单元等加速发展的技术，使得通过复杂的人工智能增强系统并行处理大量数据变得更便宜、更快。在未来，“深度学习”芯片——当今研究的一个关键焦点——将进一步推动并行计算。

连接的全球：全球制造供应链与社交媒体平台一起地从根本上改变了个人如何互动以及他们可以期望和何时的信息。增加的连接性正在加速信息传播，并鼓励共享知识，假设“集体智能”的出现，包括开发AI工具和共享应用程序的开源社区。

开源软件和数据：开源软件和数据正在加速人工智能的民主化和使用，这可以从开源机器学习标准和平台的流行中看出。开源方法意味着更少的时间花在常规编码、行业标准化和新兴AI工具的更广泛应用上。

改进的算法：研究人员在AI的若干方面取得了进步，特别是在“深度学习”中，涉及神经网络层，以时尚灵感的方式设计了由人类大脑的处理信息的方法。另一个新兴的研究领域是“深度加强”，其中AI代理通过奖励函数优化的试验和错误来学习很少或没有初始输入数据。

人工智能算法的研究进展迅速，尤其是在大数据与统计机器学习算法相结合之后。在许多工业应用中已经很重要的狭窄的、任务驱动的人工智能技术，现在正与大数据一起工作，以实现对非结构化文本和图像的模式识别。随着计算机变得越来越快，大数据越来越普遍，利用神经网络架构进行深度学习的潜力继续增长。

专家预计，监督和无监督的学习技术将越来越多地混合，这种混合技术将为人机协作学习和AI开发更先进，人类的能力的方式开辟道路。

这些因素的融合有助于AI从体外(在研究实验室)体内（在日常生活中）。现在，已建立的公司和初创公司现在可以先驱AI推进和应用。实际上，很多人已经使用了AI融合的系统，无论他们是否意识到，无论是实现还是没有，要导航城市，在线购物，查找娱乐建议，过滤器不需要的电子邮件，或分享工作之旅。

人工智能的定义和关注范围也在扩大，现在包括:

自动化智能需要重复，劳动密集型任务的系统，需要智能，并自动完成它们。电阻焊接是一个示例。电阻焊接用于空气或液压驱动，传感器告诉机器人挤压给给定的压力并射击电流。根据Fanuc North America的说法，该结果均以30％的规模覆盖，均为30％。

FANUC拥有一个发展研发实验室，承担机器人、直线电机、数控控制、传感器和工业应用经验的新兴研究，最新的成果之一是FANUC所称的学习振动控制。

结合相机和软件,“gakushu”(学习/学习)机器人配备了LVC包自动调整好变量夹具或其它条件实时调整运动15%连续运转的改进在点焊过程中,所有与质量检查,导致公差没有手动可及。

辅助情报回顾和揭示历史数据模式的系统，如非结构化的社交媒体帖子，并通过使用收集到的信息帮助人们更快更好地执行任务。例如，深度学习、自然语言处理和异常检测等技术可以发现飓风和其他主要天气事件的领先指标。

增强情报使用AI帮助人们理解和预测未来未来的系统。例如，支持AI的管理模拟器可以帮助检查涉及气候政策和温室气体排放的情景。

自主的情报无需人工干预就能实现决策自动化的系统。例如，可以识别高需求和高成本家庭供暖模式的系统，自动调整使用，为房主节省资金。

“学习/学习”机器人配备了振动控制的机器学习，可以在夹具或其他条件下实时调整精细变量，并在点焊过程中调整其运动，可提高高达15%的周期时间。

算法情报/智能设备
在2018年11月MCMA TechCon主题演讲中，微软人工智能业务发展总经理Rashmi Misra博士将算法智能添加到人工智能定义列表中，这也许是我们在定义和讨论运动控制设备和应用中的人工智能方面最接近的尝试。

米斯拉指出，人工智能发展的亮点包括1950年艾伦·图灵著名的图灵测试，1956年约翰·麦卡锡创造了“人工智能”一词，以及1971-1974年的第一个“人工智能冬季”，当时DARPA削减了所有人工智能资金。最近的人工智能成就包括IBM的“深蓝”(Deep Blue)在1997年击败国际象棋大师加里·卡斯帕罗夫(Gary Kasparov)， IBM的“沃森”(Watson)在2011年击败肯·詹宁斯(Ken Jennings)赢得《危险边缘》(Jeopardy)，谷歌的“深度思维”(Deep Mind)击败了一个9^th丹在2017年去冠军。

微软在人工智能领域的领先地位包括120多万使用该公司在线认知服务的开发人员。“仅去年一年，我们发布的人工智能研究论文就比其他任何组织都多，”该公司发言人表示。Misra博士称，人工智能是正在进行的工业转型的一部分，从实物生产资产和系统到数字智能产品和连接企业。基于人工智能的分析是数字反馈循环的核心，它收集运营数据、产品遥测数据、员工和客户反馈，并提供更高效的运营、更好的产品、更有效的员工和更深层次的客户关系。她表示:“现代制造商正在拥抱以客户为中心的理念，加快创新，变得更加灵活。”

2018年6月，微软宣布收购总部位于加州伯克利的盆栽公司。该公司正在构建一个通用的深度强化学习平台，特别适合利用工业控制系统的企业，如机器人、能源、暖通空调、制造和自动化系统。这包括独特的机器教学创新，自动化模型生成和管理，以及领先模拟的预构建支持。利用盆栽公司的人工智能平台和机器教学，没有人工智能专业知识的西门子学科专家训练了一个人工智能模型，以比传统方法快30倍的速度自动校准计算机数控机床。这是工业人工智能的一个巨大里程碑，从更广泛的领域来看，其影响是惊人的。

更多信息，更好的决策
当谈到智能运动控制设备时，Elmo Motion Control的区域销售工程师唐·博恩(Don Baughan)赞同这种肯定的现实世界方法。“我们都在为那些竭尽全力为之工作的人工作他们的客户。就智能设备而言，重要的不是它是如何工作的，而是让它们明白自己能用它做什么。”

在组件级别，BANGHAN认为AI，因为它能够检测和影响变化的能力，因为为设备提供更多的扭矩，更多的电流，更多的反馈 - 对于客户给定的系统。

控制工程是一个重要因素。在最基本的层面，有当前模式或“愚蠢的蛮力”，因为BANGHAN定义它。这将给定水平的输入电流转换为给定级别的扭矩。在下一级别是速度模式，可以检测到事物在多轴三维空间中的位置，并识别运动运动以确定这些事情与应用程序的位置。

最高控制水平是位置模式。Baughan补充道:“在实现类似人工智能的功能方面，这一技术得到了指数级的提高，电机和驱动器可以对高级控制做出响应，并实时检测和响应变化。”

他接着补充道，在人工智能领域，运动控制是橡胶与道路相遇的地方。“你可以谈论网络、协议和算法，但这些都是0和1。运动控制必须实时进行。在一天结束的时候，有些事情必须在控制之下。”

Tolomatic的市场和产品管理总监Aaron Dietrich在最近的一次采访中提到了人工智能。他说:“Tolomatic继续投资于领先的电动执行器技术，包括集成伺服电机、集成驱动/控制、扩展力能力和工程工具。”“我认为，有一项关键的新兴技术就是业内所谓的“机器学习”或人工智能。机器变得越来越智能，在没有人类干预的情况下做出决策的能力也越来越强。这方面的例子已经出现在市场上，用于各种任务的自动机器人/车辆的爆炸式增长，从家务、无人驾驶汽车到军事应用，不一而足。随着这一趋势的继续，它将推动所有不同类型的组件和自动化技术的自动化增长进一步爆炸式增长。”

然而，迪特里希补充说，设备的“智能”并不一定是驱动或伺服电机的功能。他表示:“我们可以制造驱动器并添加传感器，但这不一定是人工智能。”因此，自动化技术仍然需要包括IP，即允许DSP(数字信号处理器)“说出”I/O(输入/输出)的算法。现在，传感器输入可以为驱动器或电机提供更多的变量，并形成一个更“智能”的系统，因为该设备能够根据情况调整其状态。

生活在现实世界
欧姆龙美洲自动化中心(Omron’s Automation Center Americas)主任迈克•陈(Mike Chen)也认为，人们正在研究一种用于运动控制的人工智能方法，但他指出，这种方法必须在现实世界中实现。“无论是人还是技术做出决策，都必须基于现实世界的实时情况，收集、分析和利用数据，并考虑到其智力、道德和通常与安全相关的影响。”

这种方法使人工智能成为IT(信息技术)和OT(操作技术)之间的有效桥梁，利用人力资产(制造工程师、操作人员、质量和维护人员)的智能与设备智能。他说:“当我们决定如何处理数据和我们可以信任的技术决策时，整个过程就会变得更加稳健。”

例如，像欧姆龙的Sysmac AI控制器这样的设备能够不显式地识别机器的异常行为

在新兴控制器包中举例说明了诸如处理大数据，提供更高的处理能力和增加的网络安全的融合因子。

程序设定这样做。由于在一起观察时，可能会有许多不同的因素和测量值表明问题，因此自动化特征提取过程可以节省大量的时间和资源。在生产过程中利用机器学习结果是确保节约成本的关键。

这将产生优化个别生产过程的效果。陈把这比作两个人拥有来自同一制造商、同一批次的相同汽车。他解释说:“你可以拥有同样的车辆，我保证你不会有同样的保养计划。”“现在，汽车维修是基于对实际使用情况的分析，而不仅仅是时间的持续时间。人工智能制造也在这样做，基于真实使用数据延长机械设备的寿命。”

一些控制器还能够通过使用自己的CPU和功能块来解决网络安全问题，不需要互联网连接或云计算。数据收集和分析在与控制程序相同的硬件内进行，提高了数据处理的速度和准确性。

收集、分析和连接
Chuck Lewin，性能运动装置的首席执行官，概述了运动控制中的AI，如需要三个元素：数据收集，数据分析和连接。

他说，数据收集是行业向基于软件的运动控制器迁移的自然结果。电机控制器，在伺服速度10千赫或更多，连续测量和调整电机驱动器。因此，将有用的数据(如伺服误差、驱动输出、平均能量等)记录(到存储器中)是一件很简单的事情。事实上，在如此高的伺服速率下，挑战不是要收集足够的数据，而是要处理数据，以便将其存储在合理的存储空间中。”

人工智能辅助设备可以自动收集、分析和传输数据，提高了效率，使人力资源更加有效。

接下来是数据分析。这里的分析不应该被认为是绝对的一次性结果，而是机器行为变化的结果。“预测一个旋转轴承在未来可能会失效，需要知道该轴承的基线行为，然后不时地将其与观察到的行为进行比较。有许多数学技术可以应用于分析任务。一个简短的总结包括基于频率的数学，如FFT(快速傅里叶变换)，各种类型的观察者，甚至简单的平均和长期趋势。”

连通性是基于人工智能的运动控制所需要的最后一个元素，以相对较新的工业物联网(IIoT)方案的形式，是真正点燃这一火焰的燃料，Lewin继续说。连通性意味着数据收集和分析的结果可以报告给工厂主管和机器制造商。同样重要的是，连通性意味着可以比较现场操作机器的数量。“我们称之为元数据分析——不仅仅是对一台机器过去行为的分析，而是对多台机器的分析，从而帮助识别组件供应商、生产过程和测试过程的模式。”

内容越丰富，知识越丰富
随着数据收集、数据分析和连通性这三个要素开始出现在单轴电机控制器等基本产品中，一扇门正在打开，最终将运动控制厂商的重点从晶体管转向内容。过去的重点是放大器和算法效率，现在这些功能是假定的，而控制供应商之间的区别因素将是他们基于人工智能的内容的质量——也就是说，软件和专门的人工智能硬件，用来解读电机控制器在控制电机时收集的数据。