工业智联网: 基本概念、关键技术与核心应用

本文经授权转载自人工智能学家(ID:AItists),未经授权禁止二次转载。

来源:王飞跃科学网博客

作者:王飞跃, 张军, 张俊, 王晓

摘要:本文首先阐述了工业网联技术的演化过程,重点讨论了工业智联网产生的技术和时代背景.然后探讨了工业智联网的基本概念、内涵与应用领域。

本文详细介绍了工业智联网的关键技术,包括数字虚拟工业技术、新一代知识工程技术、工业资源异构复杂网络管控技术、区块链智能、社会计算、边缘计算等,及其技术平台架构.最后我们以智能工业新模式和工业系统价值挖掘为示例,举例说明工业智联网的应用模式.

【关键词】工业智联网、知识自动化、虚拟数字工业、复杂系统理论、区块链、社会计算 

引用格式 王飞跃, 张军, 张俊, 王晓. 工业智联网:基本概念、关键技术与核心应用[J]. 自动化学报, 2018, 44(9): 1606-1617. doi: 10.16383/j.aas.2018.y000004

Citation Wang Fei-Yue, Zhang Jun, Zhang Jun, Wang Xiao. Industrial Internet of Minds: Concept, Technology and Application [J]. Acta Automatica Sinica, 2018, 44(9): 1606-1617. doi: 10.16383/j.aas.2018.y000004 

自上世纪中期以来, 工业技术(Industrial technology)和信息技术(Information technology)融合的过程就已经开始, 其进程由于网络技术的发展而加速, 而工业控制系统的演化就是这一融合过程的范例.网络化的工业控制主要经历了以下几个阶段: 20世纪六七十年代的模拟仪表控制系统、八九十年代的集散控制系统、21世纪的现场总线系统.在这些阶段, 技术发展聚焦于在工业现场本地的工业过程信息化与自动化。

2012年, 对应网络信息技术的发展, 国际工业技术巨头GE (General Electric)公司提出了工业互联网的概念并发表工业互联网白皮书[1].在白皮书中, GE将工业互联网的精髓阐述为:智能机器(Intelligent machines)、高级分析(Advanced analytics)、工作人员(People at work)三要素的深度融合.纵观GE的工业互联网, 是以工业系统为中心的基于互联网的工业、信息、网络、人机结合的融合技术.

随着科技的飞速发展, 物联网(Internet of things, IoT)概念和技术也得到了迅速的普及.物联网理念的起源比较公认的说法是由Kevin Aston在1999年在Procter & Gamble (P & G)的一次演讲中提出[2], 其工业应用的价值与意义显而易见.对应于物联网技术, 工业互联网的概念逐步演变成为工业物联网的概念, 但工业物联网(Industrial internet of things, IIoT)的起源却没有公认的结论. 2016和2017年, 王飞跃教授分别在IEEE TAB (Technical activity board meeting)未来方向IoT会议和IEEE射频识别委员会(Council on RFID)上提出设立工业物联网专业工作委员会. 2017年底, IEEE计算机学会将工业物联网列为2018年的十大技术发展趋势之一.

对于从工业互联网到工业物联网的转换过程, GE在其官网上一方面宣称“工业物联网即工业互联网”(“The industrial internet of things (IIoT), also known as the industrial internet”)[3], 而在同一篇文档里, GE也承认工业物联网确是工业互联网在客户端的扩展: “One perspective is to think of the Industrial Internet as connecting machines and devices in industries ⋯⋯ On the other hand, the Internet of Things tend to include consumer-level devices ⋯⋯”

在最近的发展中, 工业物联网的概念正迅速取代工业互联网的概念, 无论是在以GE为代表的美国工业界还是以西门子、ABB为代表的欧洲工业界, 工业物联网已成为工业网联系统的主流技术框架. 2017年8月, GE数字部门CEO, William Ruh在官网发表文章“为什么GE数字部门定位于工业物联网领袖(Why GE digital is positioned to lead the industrial internet of things)”[4], 而在这篇文章里通篇再未见“工业互联网”字样.西门子工业也将其工业平台MindSphere定义为“MindSphere是基于云技术的、开放物联网操作系统(MindSphere is the cloud-based, open IoT operating system)”.

图 1描述了工业网联技术在各个时期的不同发展阶段.我们认为工业互联网是其中的一个重要发展阶段, 就是基于互联网技术发展出的联结业务、商务、供应链等信息的网络系统和技术, 而工业物联网是其向边缘装置的深入发展.当前的工业物联网技术能在系统感知与控制层次上解决复杂工业系统的管控问题, 但是在更高的智能层次上, 在系统资源的使用效率、自适应性、自主性、自组织性和安全性上, 还缺乏有效的、融合系统工程技术的智能科技.由此, 工业智联网应运而生, 其使命就是实现工业过程的知识自动化, 为新一代的工业智能产业提供智能科技.

图 1 工业网联技术的演进过程

工业智联网旨在实现海量工业实体的智能化协同, 改变工业生产形态的未来工业基础设施, 需要运用新一代技术理念, 对不同种类工业实体乃至整个工业网络进行建模和管控, 对工业和社会资源进行高效整合, 从而实现工业实体的智能化发展.

 在工业智联网的架构下, 会催生以下的智联网架构, 包括:

 1) 农业智联网: 农业智联网将农业生产的各个物理、流程和知识环节通过智能技术有机地融合成一体, 使其能够自动、自主、自适应、自优化运行.逐渐实现从以人的体力和智力为中心、农业装备为辅助设施的生产模式, 向以人机协同智能体为中心的, 自动化、智能化、知识化农业生产转变.

 2) 交通智联网: 交通智联网实现交通运输系统中社会、人、交通装备、基础设施、货物、环境等异构交通要素在智能与知识层面上的融合, 从而建立起一种可自适应、自优化、自运行的综合交通运输管控系统.

 3) 能源智联网: 能源的产生、传输、分配、销售是能源工业的核心业务.围绕这些核心业务, 能源工业的其他业务也包括公司运营、投资管理、监管法规等.我们期望能源智联网为以上的能源工业组件提供极大提升其工业效率的技术方法和系统平台.

 4) 企业智联网: 当代企业管理已经从信息管理向知识管理迈进.企业智联网为企业提供知识化和智能化的管理能力, 并为管理者提供崭新的管理工具与手段.

 5) 社会智联网: 旨在基于智联网技术和平台, 实现社会和经济的自主优化和管控, 基于物理空间和虚拟空间的融合而实现对社会、经济问题的描述、预测、引导, 促使向新的智能社会形态的迈进.

 因此, 工业智联网是一门与工业互联网、工业物联网紧密结合, 深度融合的智能技术和知识工程技术, 其目标为建立包含人机物在内的智能实体之间知识层次的联结、实现各智能体间知识的互联互通, 是一种全新的、直接面向全社会智能的复杂协同数信、感控、知识自动化系统.工业智联网的实施则能够以极高的效率整合各种工业和社会资源, 极大地减少工业资源的浪费和消耗, 极大地解放工业生产力, 拓展即将出现的“软件定义工业”、 “类工业领域”、 “广义工业”、 “社会制造”、 “社会工业”等智能产业新形态[5].

 本文旨在阐述工业智联网的基本概念、关键技术和核心应用, 并对其发展和应用进行展望.

 1  工业智联网的基本概念

工业智联网属于复杂系统的范畴, 因此本文对工业智联网做一个多方位的定义:

 1) 工业智联网作为新兴的科学技术门类: 智联网的目标是达成智能体群体的“协同知识自动化”和“协同认知智能”, 即以某种协同的方式进行从原始经验数据的主动采集、获取知识、交换知识、关联知识, 到知识功能, 如推理、策略、决策、规划、管控等全自动化过程, 因此智联网的实质是一种全新的、直接面向智能的复杂、协同知识自动化系统理论和工程技术.

 2) 工业智联网作为未来工业基础设施:  工业智联网是由社会工程系统联合感知与驱动以及多层次一体化通信计算系统支撑的工业系统智能技术系统和知识服务平台.

 3) 工业智联网作为工业资源整合配置工具: 工业智联网深度融合互联网、物联网人机交互大数据、智能技术, 实现研发、生产、供应、销售、服务等工业全链条要素的全面联结、协同与智能化, 使海量工业智能实体完成社会化知识协同, 彻底地改变了工业生产形态, 极大地解放和提升社会生产力.

 4) 工业智联网作为智能产业经济管控手段: 工业智联网的使命是重组各种产业, 对其进行建模、分析、管控, 使其以难以想象的高效率自主地运转和发展; 所有工业实体运行在智能产业网络的虚拟空间中, 使得监视和管控各个工业单元的运行状况成为可能, 使得分析每一个产业的宏观数据和微观数据成为可能, 最终形成真正的数据化、知识化、智能化的智能产业.

 具体而言, 工业智联网的内涵包括:

 1) 知识工程与知识自动化: 知识自动化[6-7], 在广义上暂无精确的定义, 粗略上可以理解为是一种以自动化的方式变革性地改变知识产生、获取、分析、影响、实施的有效途径.狭义上, 知识自动化可认为是广义知识自动化的应用.知识自动化的关键, 在于如何将信息、情报等与任务和决策无缝、准确、及时、在线地整合起来, 从而实现自动完成各种知识功能与知识服务.这种由知识自动化技术构成的系统, 即为知识自动化系统.知识自动化系统不断与真实世界进行行为互动、知识交互, 不间断获取海量的不同领域、异构、高度并发的数据.知识自动化系统是一个动态且时变的系统, 通过经验知识的获取和积累, 不断改变系统内部内容、形态、方法和结构, 它用自身的复杂性、时变性来理解真实世界的复杂性和时变性. 

2) 虚实纠缠的新兴工业形态: 针对传统的工业系统, 在信息化、数字化的基础上, 通过计算与实验的方法构建出虚拟工业系统.通过传统工业系统与虚拟工业系统的交互, 实现建立智能化虚实交互、纠缠的新工业系统, 完成对实际工业系统的管理与控制、分析与优化[8]. 

3) 人在环、社会在环的社会工程系统: 社会系统由三部分系统构成, 即“物理空间”对应的物理工程系统, “赛博空间”对应的人工工程系统以及“社会空间”对应的社会工程系统.根据实际物理工程系统, 构建出相应的人工工程系统.人工工程系统基于大数据技术和AI技术完成对物理系统的实时控制, 两者同时完成对社会系统的引导[9].社会系统同时对物理系统和人工系统完成实时反馈, 最终实现物理空间、赛博空间、社会空间的互联互通, 共同融合.

 4) 工业资源异构网络及其新型管控模式: 实际的工业资源, 存在着时空尺度异构、实体异构、关系异构等, 借助社会传感或物理传感、驱动、通信、计算等技术, 构建形成工业资源异构网络.通过智能技术、复杂系统工程技术、区块链智能技术等相关技术手段进行优化、运营、管控.工业资源异构网络功能通过数据中心/计算架构处理, 转化成知识, 并最终形成知识服务.

 2  工业智联网架构与核心技术

工业智联网的技术架构主要由数据接入层、通信计算层、虚拟操作系统层、知识解析综合层、以及知识服务层组成, 其结构如图 2所示. 图 3中所示是在该体系结构下, 新出现的核心技术.本文将工业智联网新出现的架构与核心技术归纳如下.

图 2 工业智联网的技术平台架构

图 3 工业智联网概念架构与核心技术

2.1  数字虚拟工业技术

数字虚拟工业技术基于实际工业设备运行数据, 通过学习和优化, 建立对应于实际工业系统的虚拟工业系统.借助软硬件接口, 两个系统在运行过程中进行信息的交互, 协同发展, 基于学习过程中累积的知识, 逐步完善的虚拟工业系统结合实际运行数据, 对工业实体状态进行评估, 并设计场景进行演化计算实验对未来态势进行预测, 帮助实现对复杂实际工业系统的管理控制, 而对实际工业系统实施管控措施后的实时信息将反馈给虚拟工业系统做后续的评判推演, 两个系统随时间不断进行类似的交互反馈[10].数字虚拟工业技术的原理及流程如图 4所示.

图 4 数字虚拟工业技术

利用数字虚拟工业技术, 能够建立虚实纠缠的工业系统, 从而可挖掘分析实际运行数据, 构建工业设备数字化寿命模型, 预判运行状态发展趋势, 智能辅助运行人员决策, 实现对工业实体的精确描述、实时预测和智能引导[11].虚实交互系统的具体设计和交互架构如图 5所示.

图 5 虚实交互系统

2.2  新一代知识工程技术

新一代知识工程技术包括单智能体自主获取知识的知识自动化技术和多智能体的知识协同技术.知识自动化, 在广义上可以定义为是一种以自动化的方式变革性地改变知识产生、获取、分析、影响、实施的有效途径, 其关键在于对原始信息、目标任务与最终决策的自然、准确、在线结合[12].知识自动化通过对多尺度时空信息的组织和特征化, 揭示数据的低层次内在特征, 而后进行知识对象及知识对象属性的提取, 获取有知识价值的对象及其属性, 构建知识空间, 最终实现知识的表示和知识功能的实现.知识的协同技术主要包括知识的协同表征与传递, 以及知识的联结与协同运行, 它通过建立智能实体之间知识层次的互联互通, 在联合知识空间中完成知识功能[13].如图 6所示, 人们的社会、经济、技术活动通过“翻译”的方式实现了自然语言与人工语言的智能交互, 最终通过智联网的多种协同结构实现了支撑知识服务、完成知识功能、实现知识消费等多种功能.

图 6 新一代知识工程技术

将新一代知识工程技术运用于工业智联网中, 不仅能够基于单个工业实体的实际运行数据, 完成在生产过程中的知识发现和表示, 进行情景预测和辅助决策, 实现单个工业实体的安全运行和工艺调整; 更重要的是, 能够建立不同工业实体之间的知识联结网络, 达到工业知识的协同运行, 在整个工业体系中完成对全链条工业实体的综合分析和统一决策, 实现工业结构整体优化和生产力全面提高.

 2.3  工业资源异构复杂网络的建模、分析及管控技术

工业资源异构复杂网络的建模、分析及管控(图 7)借助图处理、深度学习等智能技术, 对不同类型的工业资源网络进行数字化建模, 基于不同工业资源网络之间的数据映射关系、逻辑关联性等特征进行融合性分析, 形成异构工业资源网络, 从而对异构工业资源网络产生的各类数据信息进行一体化的挖掘.同时, 利用区块链网络智能合约不可篡改特征和通证属性对建立的工业资源异构复杂网络进行管理和控制.

图 7  工业资源异构复杂网络的建模、分析及管控

利用异构网络建模、分析和管控技术, 可对海量的不同种类工业资源进行深度整合、统一管理和信息挖掘, 实现高效、安全、准确的分析与控制.

 2.4  区块链智能

区块链智能技术是一种广泛应用于社会经济领域的一种新型技术, 它包括应用于底层的区块链技术和运作于区块链之上的通证经济体系.如图 8所示, 区块链具有去中心化、自治化、透明不可篡改、可追溯性等特性[14-15], 其应用使传统上难以流通和商品化的“注意力”与“信用度”成为可以批量化生产的流通商品, 革命性地提升经济活动范围与社会效率, 区块链技术具有成为智能经济的基石的潜质.通证经济是支撑区块链实现权益快速流动与安全交换的一种机制[16], 构建改变生产力和生产关系的智能经济模式离不开通证经济体系.利用区块链的特性和通证经济的行为激励作用, 社会智能经济体系中良性经济行为的参与者会逐步增多, 最终会引领社会经济导向, 使得整个社会参与者的收益增多.同时, 通证经济的激励作用还会优化社会的资源匹配, 通过社会认知学习和沟通交流来提高社会效率.

图 8  区块链智能技术

区块链智能技术是智能世界中大数据人工智能体可靠、可信、安全、高效的联结途径, 它利用多代理技术、智能合约和不可篡改的特性实现对工业资源的安全可信管控, 利用区块链通证属性对资源进行评估、管理、激励和引导, 引导工业生态的健康成长和运行[17].基于区块链智能技术架构的工业资源管控系统可以实现对混合异构工业资源网络的一体化建模、调控、优化和管控, 最终构建一个完整的智能工业生态系统.

 区块链技术可以实现高可信度、无法篡改的分布式数据库需求, 而运作在其系统上的通证经济体系又可以通过激励作用对工业资源进行调控、优化和管控, 因此可以建立起区块链管控系统对工业资源进行安全可信管控.

首先, 在工业资源平台服务器上搭建区块链平台, 设置准入机制, 配置不同的组织关系, 并为各个组织配置相应的通道, 完成底层基础网络的搭建; 

其次, 针对不同工业资源的特性以及个性化的定制需求, 在区块链系统中安装共识机制互异的智能合约, 并设置排序节点中的最大区块数量和最大数据量, 智能合约的自动执行形成了新型的高效智能工业链形式[18-19]; 

最后, 采用一定的选择机制让某一组织节点对交易进行打包形成区块, 并对该节点配给一定的通证奖励, 同时利用大数据分析平台对工业资产进行评估, 对评估良好的工业资源配给一定数量的通证奖励, 在后续的交易中通证可以作为手续费附加在智能合约中被优先打包成区块, 由此对工业生态的健康成长和运行进行一定程度的引导.区块链上的每个组织都会有记账节点来进行分布式记账, 并维护全网的一个公共的账本; 同时, 对于工业资产数据的读写操作均会被记录到区块链中, 以实现全方位的安全可信管控.

 2.5  社会计算

大数据物联网云计算等信息技术的蓬勃发展深刻改变了人与人、人与物、物与物之间的交互方式, 社会计算理论[20-26]作为社会科学和计算科学的交叉融合, 侧重于信息技术在社会活动中的应用以及社会知识在信息技术中的嵌入和使用, 可有效应对社会及工业问题中的各种复杂动态[27].

 图 9所示为社会计算的整体框架, 包含基于开闭源信息能源情报的广泛采集、深度分析、个性化影响、协同产生等多个关键步骤.传统的物理系统通过各类传感器获得系统的物理信号, 工程控制论在物理过程的自动化中发挥了极其重要的作用.社会传感器, 就是力图将物理系统中传感网络获取物理信号的概念和手段推广到网站、博客、论坛等各类网络空间, 用于社会信号的采集, 获取所关注的社会信号并从中提取出感兴趣的信息.任何企业运营、社会事务、生产过程等方面的管理, 都可以将问题的求解过程扩展到由物理信号和社会信号共同构成的高维解空间中.

其中, 融合了物理和社会信号的数据具有海量、形式多样、高度分散等特点, 采用分布式文件系统实现对大规模社会数据的存储和管理, 通过机器学习数据挖掘模式识别、自然语言理解等技术对海量信息进行准确抽取、分析、并以用户可理解的方式展现出来, 最终实现信息自动抓取、数据规整、数据量化、自动分类聚类、主题检测等功能, 从而为各行各业的决策提供坚实有力的量化支持.

图 9  社会计算框架

社会计算系统主要包含四个子系统, 分别是:大数据存储与计算平台、全方位社会传感系统、智能检索系统、深度挖掘与分析决策系统.互联网数据结构的多样性使得数据的处理复杂化, 数据规模的海量性使得计算的巨量化, 数据不确定性和动态性使得信息处理工作繁琐化.

针对社会信号大规模存储与计算的需求, 需要采用计算机集群进行分布式存储, 支持各种结构的数据的存储问题, 采用并行计算机制可提高海量数据的处理效率, 使平台达到功能完善、性能稳定、海量存储能力、高可靠性和高安全性的目标, 从整体上保证社会计算平台的工作效率.通过分布广泛的社会传感器, 对各种社会信号和社会数据进行不间断的采集和监控.在网络空间中, 可采用网络爬虫的手段抓取项目所需的开源信息, 对多种Web资源的信息内容进行有序抽取和整理, 提高数据源的智能选择及情报精确率.

在实际的生产管理系统中, 建立从数据源到数据库间的信息通道, 实现信息的高速无差传输.对于海量数据综合运用查询扩展、知识图谱等技术, 构建跨媒体的工业数据智能检索平台, 提高数据处理的并行度, 实现智能检索.通过机器学习数据挖掘模式识别、自然语言理解等技术对海量的社会信息进行准确抽取、分析、并以用户可理解的方式进行展现, 为工业数据的分析决策提供量化支持.

 2.6  边缘计算

边缘计算作为一种新型计算模式, 是实现工业智联网的支撑技术之一[28].相较于云计算, 其可以实现对工业边缘设备大数据的实时处理, 减少了因数据传输给云计算中心带来的网络带宽问题和实时性需求, 且边缘计算能够考虑到边缘数据的隐私问题及数据上传时边缘设备电能损耗问题[29].边缘计算通过整合工业网络边缘上的计算、存储、网络等形成合一的平台为工业用户提供服务, 使得数据在源头侧就能得到有效及时的处理, 或者将边缘数据部分处理后将数据传到云计算中心处理, 减少点云计算中心的压力[30].

 边缘计算主要是对工业智联网中边缘设备产生的海量数据进行存储和处理, 边缘计算的下行数据代表着云服务, 上行数据表代表着工业智联服务[31].工业网络边缘设备既从云计算服务中心请求内容及服务, 也进行数据存储、处理、缓存及隐私保护等任务.传统的MapReduce及Spark等数据处理方法处理不了工业边缘设备产生的海量边缘异构数据, 构建适合于工业智联网的边缘计算平台至关重要.

根据边缘计算产业联盟(ECC)的边缘计算参考架构1.0, 边缘计算包括四个功能域, 分别是应用域、数据域、网络域及设备域[32]. 应用域支持行业应用本地化入驻, 支撑行业的全生命周期活动、边缘业务的高效运营与可视化管理; 数据域对海量边缘数据进行数据分析与呈现, 数据聚合与互操作, 同时保护数据安全及数据隐私; 网络域提供数据的聚合及系统的互联; 设备域通过车床、发动机等工业设备来实现工业现场设备的实时智能互联及相关的智能应用.

 3  应用模式举例

3.1 工业智联网催生智能工业新模式示例

工业智联网的高速发展催生了种类繁多的智能工业新模式. 图 10展示了社会化大规模商品定制模式的基本流程, 各工业单位通过采用工业智联网的技术, 将串行的工业生产流水线拆分成了单一的生产单元, 结合区块链智能合约技术, 每个生产单元通过智能合约将自己的产品连接进不同的产业链中.

消费者可通过在智能终端输入需求数据, 制定自己需要的专属商品, 需求确立后, 将触发整个生产链的智能合约, 生产链中与商品相关的生产单元将通过智能合约实时定义组成多条生产线, 完成相应的生产指令.生产完成的产品通过智能合约进行运输, 直接送到消费者手中, 从而实现商品的社会化大规模定制.同时, 消费者还可通过工业智联网技术对商品的原材料、零件生产、拼装运输等流程进行回溯, 保证生产过程的透明化, 保证商品的高质量和高可信度.

图 10 社会化大规模定制流程图

工业资源的管控新模式则是通过工业智联网技术, 对传感、控制、信息、计算等不同结构的工业资源网络, 进行一体化建模分析、决策和自主运行, 实现异构网络的互联互通, 并提供准入接口, 提高异构网络成为智能工业生态系统的可能性.同时采用分布式管理、智能合约技术以及不可篡改的方法实现对工业资源的安全可信的管理.

 3.2  工业智联网催生工业系统价值挖掘新模式

在工业智联网环境下, 对工业系统的价值挖掘工作包括对内生价值的挖掘以及对外在资源的挖掘. 图 11阐释了内生价值挖掘过程中采用的相关技术、解决的实际问题以及最终的实现效果.对于工业系统的内生价值挖掘, 具体是通过诸如数字虚拟工业技术、知识工程技术、异构复杂网络建模分析技术以及区块链技术等工业智联网新兴技术, 并建立虚拟的工业系统模型, 模拟分析实体工业运行情况, 保证系统运行稳定; 通过发现生产架构知识, 优化生产结构, 降低产品生产成本; 通过探索资源消耗关系, 合理调整资源配置, 提高资源的有效利用; 通过构建部门参与机制, 建立高效的信号激励制度, 增强企业内部的活力. 

图 12阐释了在外在资源挖掘过程中使用的工业智联网相关技术及可达到的实现效果, 对于外在资源的挖掘, 可结合社会计算、物联网数据采集以及知识工程等技术, 通过描绘用户消费特征, 以用户消费特征为生产导向, 实现商品的针对性生产; 通过建立通证经济体系, 制定相应的消费激励措施, 提高商品交易的活力; 通过分析市场数据的变化趋势, 提前制定市场开发计划, 增加企业经营的利润.

图 11  工业智联网内生价值挖掘

图 12  工业智联网外在资源挖掘

通过智能技术将工业系统的内生价值和外在资源相融合, 在保证工业系统数据资源安全可靠的基础上, 实现内在优化价值支撑外在产品推广, 外在资源导引内在价值发展的良性循环.

4  结论

本文详细地阐述了工业智联网产生的技术和时代背景、定义与内涵、平台架构与关键技术, 以及其应用模式的两个示例.

 对于当前的工业系统与技术而言, 单个和孤立的智能技术已经取得了一定的成绩, 然而, 工业系统中即将涌现海量的具有一定智能的实体, 而这些实体在智能与知识层面上的如何协同和合作却还是一个开放的问题.如果这个目标能够实现, 其对社会生产力的提升和对社会形态的影响, 将是难以想象的.因此, 工业智联网的大规模研究与开发势在必行, 而我们也期望工业智联网将为社会化智能大工业提供一条切实可行而又富有成效的技术路径与顶层设计.

 参考文献

1 P. C. Evans, M. Annunziata. Industrial Internet: Pushing the Boundaries of Minds and Machines[Online], available: https://www.ge.com/docs/chapters/IndustrialInternet.pdf, June 15, 2017.

2 Wikipedia. Kevin Ashton[Online], available: https://en.wikipedia.org/wiki/KevinAshton, September 20, 2017.

3 GE Digital. Everything You Need to Know About the Industrial Internet of Things[Online], available: https://www.ge.com/digital/blog/everything-you-need-knowabout-industrial-internet-things, December 8, 2017.

4 W. Ruh. Why GE Digital Is Positioned To Lead The Industrial Internet Of Things[Online], available: https://www.ge.com/reports/ge-digital-positionedlead-industrial-internet-things-2/, December 19, 2017.

5  Wang Fei-Yue, Zhang Jun. Internet of minds:the concept, issues and platforms. Acta Automatica Sinica, 2017, 43(12): 2061-2070.

( 王飞跃, 张俊. 智联网:概念、问题和平台. 自动化学报, 2017, 43(12): 2061-2070.)

6 Wang Fei-Yue. The destiny: towards knowledge automation-preface of the special issue for the 50th anniversary of Acta Automatica Sinica. Acta Automatica Sinica, 2013, 39(11): 1741-1743.

( 王飞跃. 天命唯新: 迈向知识自动化-《自动化学报》创刊50周年专刊序. 自动化学报, 2013, 39(11): 1741-1743.)

7 Wang Fei-Yue. On future development of robotics: from industrial automation to knowledge automation. Science & Technology Review, 2015, 33(21): 39-44.

( 王飞跃. 机器人的未来发展:从工业自动化到知识自动化. 科技导报, 2015, 33(21): 39-44.)

8 Li L, Lin Y L, Zheng N N, Wang F Y. Parallel learning: a perspective and a framework. IEEE/CAA Journal of Automatica Sinica, 2017, 4(3): 389-395. DOI:10.1109/JAS.2017.7510493

9 Wang F Y, Zhang J J, Wang X. Parallel intelligence: toward lifelong and eternal developmental AI and learning in cyber-physical-social spaces. Frontiers of Computer Science, 2018, 12(3): 401-405. DOI:10.1007/s11704-018-7903-5

10 Giacobini M, Brabazon A, Cagnoni S, Di Caro G A, Drechsler R, Ekart A, et al. Applications of Evolutionary Computing. Berlin Heidelberg: Springer-Verlag, 2001. 1-698.

11 Dong M X, Ranjan R, Zomaya A Y, Lin M. Guest editorial on advances in tools and techniques for enabling cyberphysical-social systems-Part Ⅰ. IEEE Transactions on Computational Social Systems, 2015, 2(3): 38-40. DOI:10.1109/TCSS.2016.2527158

12 Wang Fei-Yue. Software-defined systems and knowledge automation: a parallel paradigm shift from Newton to Merton. Acta Automatica Sinica, 2015, 41(1): 1-8.

(王飞跃. 软件定义的系统与知识自动化:从牛顿到默顿的平行升华. 自动化学报, 2015, 41(1): 1-8. DOI:10.3969/j.issn.1003-8930.2015.01.001)

13 Wang Fei-Yue, Sun Qi, Jiang Guo-Jin, Tan Ke, Zhang Jun, Hou Jia-Chen, et al. Nuclear energy 5.0:new formation and system architecture of nuclear power industry in the new IT era. Acta Automatica Sinica, 2018, 44(5): 922-934.

( 王飞跃, 孙奇, 江国进, 谭珂, 张俊, 侯家琛, 等. 核能5.0:智能时代的核电工业新形态与体系架构. 自动化学报, 2018, 44(5): 922-934.)

14 Zhang Jun, Gao Wen-Zhong, Zhang Ying-Chen, Zheng XinHu, Yang Liu-Qing, Hao Jun, et al. Blockchain based intelligent distributed electrical energy systems: needs, concepts, approaches and vision. Acta Automatica Sinica, 2017, 43(9): 1544-1554.

( 张俊, 高文忠, 张应晨, 郑心湖, 杨柳青, 郝君, 等. 运行于区块链上的智能分布式电力能源系统:需求、概念、方法以及展望. 自动化学报, 2017, 43(9): 1544-1554.)

15 Ping Jian, Chen Si-Jie, Zhang Ning, Yan Zheng, Yao LiangZhong. Decentralized transactive mechanism in distribution network based on smart contract. Proceedings of the CSEE, 2017, 37(13): 3682-3690.

( 平健, 陈思捷, 张宁, 严正, 姚良忠. 基于智能合约的配电网去中心化交易机制. 中国电机工程学报, 2017, 37(13): 3682-3690.)

16 Zhang J, Wang F Y, Chen S Y. Token economics in energy systems: concept, functionality and applications. eprint arXiv: 1808.01261, 2018. http://econpapers.repec.org/RePEc:arx:papers:1808.01261

17 Klitgaard T, Reddy R. Lowering electricity prices through deregulation. Current Issues in Economics and Finance, 2000, 6(14): 1-6.

18 Hu Kai, Bai Xiao-Min, Gao Ling-Chao, Dong Ai-Qiang. Formal verification method of smart contract. Journal of Information Securyity Research, 2016, 2(12): 1080-1089.

( 胡凯, 白晓敏, 高灵超, 董爱强. 智能合约的形式化验证方法. 信息安全研究, 2016, 2(12): 1080-1089.)

19 Yuan Yong, Wang Fei-Yue. Blockchain:the state of the art and future trends. Acta Automatica Sinica, 2016, 42(4): 481-494.

( 袁勇, 王飞跃. 区块链技术发展现状与展望. 自动化学报, 2016, 42(4): 481-494.)

20 Wang F Y. Social computing: concepts, contents, and methods. International Journal of Intelligent Control and Systems, 2004, 9(2): 91-96.

21 Wang Fei-Yue. The significance of social computing and its prospects. Communications of CCF, 2006, 2(2): 8-17.

( 王飞跃. 社会计算的意义及其展望. 中国计算机学会通讯, 2006, 2(2): 8-17.)

22 Wang Fei-Yue. Artificial societies, computational experiments, and systems: a discussion on computational theory of complex social-economic systems. Complex Systems and Complexity Science, 2004, 1(4): 25-35.

( 王飞跃. 人工社会、计算实验、平行系统一关于复杂社会经济系统计算研究的讨论. 复杂系统与复杂性科学, 2004, 1(4): 25-35. DOI:10.3969/j.issn.1672-3813.2004.04.002)

23 Wang F Y. Toward a paradigm shift in social computing: the ACP approach. IEEE Intelligent Systems, 2007, 22(5): 65-67. DOI:10.1109/MIS.2007.4338496

24 Lazer D, Pentland A, Adamic L, Aral S, Barabasi A-L, Brewer D, et al. Social science: computational social science. Science, 2009, 323(5915): 721-723. DOI:10.1126/science.1167742

25 Schuler D. Social computing. Communications of the ACM, 1994, 37(1): 28-29. DOI:10.1145/175222.175223

26 Yang Q, Zhou Z H, Mao W J, Li W, Liu N N. Social learning. IEEE Intelligent Systems, 2010, 25(4): 9-11. DOI:10.1109/MIS.2010.103

27 Leskovec J, Huttenlocher D, Kleinberg J. Predicting positive and negative links in online social networks. In: Proceedings of the 19th International Conferences on World Wide Web. Raleigh, North Carolina: ACM, 2010. 641-650 http://www.mendeley.com/catalog/predicting-positive-negative-links-online-social-networks/

28 Satyanarayanan M. The emergence of edge computing. Computer, 2017, 50(1): 30-39. DOI:10.1109/MC.2017.9

29 Shi W S, Cao J, Zhang Q, Li Y Z, Xu L Y. Edge computing: vision and challenges. IEEE Internet of Things Journal, 2016, 3(5): 637-646. DOI:10.1109/JIOT.2016.2579198

30 Shi W S, Dustdar S. The promise of edge computing. Computer, 2016, 49(5): 78-81. DOI:10.1109/MC.2016.145

31 Shi Wei-Song, Sun Hui, Cao Jie, Zhang Quan, Liu Wei. Edge computing-an emerging computing model for the internet of everything era. Journal of Computer Research and Development, 2017, 54(5): 907-924.

( 施巍松, 孙辉, 曹杰, 张权, 刘伟. 边缘计算: 万物互联时代新型计算模型. 计算机研究与发展, 2017, 54(5): 907-924.)

32 Edge Computing Consortium. White Paper of Edge Computing Consortium [Online], available: http://www.ecconsortium.net/Uploads/file/20161208/1481181867831374.pdf, June 15, 2017.

原文链接:https://mp.weixin.qq.com/s/y0GQzio4NjJ3MHqi89OkSQ

理论自动化智联网
1
相关数据
英特尔机构

英特尔是计算创新领域的全球领先厂商,致力于拓展科技疆界,让最精彩体验成为可能。英特尔创始于1968年,已拥有近半个世纪产品创新和引领市场的经验。英特尔1971年推出了世界上第一个微处理器,后来又促进了计算机和互联网的革命,改变了整个世界的进程。如今,英特尔正转型成为一家数据公司,制定了清晰的数据战略,凭借云和数据中心、物联网、存储、FPGA以及5G构成的增长良性循环,提供独到价值,驱动日益发展的智能互联世界。英特尔专注于技术创新,同时也积极支持中国的自主创新,与产业伙伴携手推动智能互联的发展。基于明确的数据战略和智能互联全栈实力,英特尔瞄准人工智能、无人驾驶、5G、精准医疗、体育等关键领域,与中国深度合作。面向未来,英特尔致力于做中国高价值合作伙伴,在新科技、新经济、新消费三个方面,着力驱动产业协同创新,为实体经济增值,促进消费升级。

https://www.intel.com/content/www/us/en/company-overview/company-overview.html
相关技术
区块链技术

区块链是用分布式数据库识别、传播和记载信息的智能化对等网络, 也称为价值互联网。 中本聪在2008年,于《比特币白皮书》中提出“区块链”概念,并在2009年创立了比特币社会网络,开发出第一个区块,即“创世区块”。

深度学习技术

深度学习(deep learning)是机器学习的分支,是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。 深度学习是机器学习中一种基于对数据进行表征学习的算法,至今已有数种深度学习框架,如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

机器学习技术

机器学习是人工智能的一个分支,是一门多领域交叉学科,涉及概率论、统计学、逼近论、凸分析、计算复杂性理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。因为学习算法中涉及了大量的统计学理论,机器学习与推断统计学联系尤为密切,也被称为统计学习理论。算法设计方面,机器学习理论关注可以实现的,行之有效的学习算法。

感知技术

知觉或感知是外界刺激作用于感官时,脑对外界的整体的看法和理解,为我们对外界的感官信息进行组织和解释。在认知科学中,也可看作一组程序,包括获取信息、理解信息、筛选信息、组织信息。与感觉不同,知觉反映的是由对象的各样属性及关系构成的整体。

人工智能技术

在学术研究领域,人工智能通常指能够感知周围环境并采取行动以实现最优的可能结果的智能体(intelligent agent)

规划技术

人工智能领域的「规划」通常是指智能体执行的任务/动作的自动规划和调度,其目的是进行资源的优化。常见的规划方法包括经典规划(Classical Planning)、分层任务网络(HTN)和 logistics 规划。

边缘计算技术

边缘运算(英语:Edge computing),又译为边缘计算,是一种分散式运算的架构,将应用程序、数据资料与服务的运算,由网络中心节点,移往网络逻辑上的边缘节点来处理。边缘运算将原本完全由中心节点处理大型服务加以分解,切割成更小与更容易管理的部分,分散到边缘节点去处理。边缘节点更接近于用户终端装置,可以加快资料的处理与传送速度,减少延迟。在这种架构下,资料的分析与知识的产生,更接近于数据资料的来源,因此更适合处理大数据。

模式识别技术

模式识别(英语:Pattern recognition),就是通过计算机用数学技术方法来研究模式的自动处理和判读。 我们把环境与客体统称为“模式”。 随着计算机技术的发展,人类有可能研究复杂的信息处理过程。 信息处理过程的一个重要形式是生命体对环境及客体的识别。其概念与数据挖掘、机器学习类似。

知识图谱技术

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点(Point)和边(Edge)组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。 知识图谱这个概念最早由Google提出,主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎,知识图谱可用来更好地查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候,搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月,家庭情况等等。

数据挖掘技术

数据挖掘(英语:data mining)是一个跨学科的计算机科学分支 它是用人工智能、机器学习、统计学和数据库的交叉方法在相對較大型的数据集中发现模式的计算过程。 数据挖掘过程的总体目标是从一个数据集中提取信息,并将其转换成可理解的结构,以进一步使用。

云计算技术

云计算(英语:cloud computing),是一种基于互联网的计算方式,通过这种方式,共享的软硬件资源和信息可以按需求提供给计算机各种终端和其他设备。

映射技术

映射指的是具有某种特殊结构的函数,或泛指类函数思想的范畴论中的态射。 逻辑和图论中也有一些不太常规的用法。其数学定义为:两个非空集合A与B间存在着对应关系f,而且对于A中的每一个元素x,B中总有有唯一的一个元素y与它对应,就这种对应为从A到B的映射,记作f:A→B。其中,y称为元素x在映射f下的象,记作:y=f(x)。x称为y关于映射f的原象*。*集合A中所有元素的象的集合称为映射f的值域,记作f(A)。同样的,在机器学习中,映射就是输入与输出之间的对应关系。

逻辑技术

人工智能领域用逻辑来理解智能推理问题;它可以提供用于分析编程语言的技术,也可用作分析、表征知识或编程的工具。目前人们常用的逻辑分支有命题逻辑(Propositional Logic )以及一阶逻辑(FOL)等谓词逻辑。

大数据技术技术

大数据,又称为巨量资料,指的是传统数据处理应用软件不足以处理它们的大或复杂的数据集的术语。

查询技术

一般来说,查询是询问的一种形式。它在不同的学科里涵义有所不同。在信息检索领域,查询指的是数据库和信息系统对信息检索的精确要求

控制论技术

控制论是一门跨学科研究, 它用于研究控制系统的结构,局限和发展。在21世纪,控制论的定义变得更加宽泛,主要用于指代“对任何使用科学技术的系统的控制”。由于这一定义过于宽泛,许多相关人士不再使用“控制论”一词。 控制论与对系统的研究有关,如自动化系统、物理系统、生物系统、认知系统、以及社会系统等等。

人机交互技术

人机交互,是一门研究系统与用户之间的交互关系的学问。系统可以是各种各样的机器,也可以是计算机化的系统和软件。人机交互界面通常是指用户可见的部分。用户通过人机交互界面与系统交流,并进行操作。小如收音机的播放按键,大至飞机上的仪表板、或是发电厂的控制室。

暂无评论
暂无评论~