白宫关于人工智能（AI）的报告（Lee，2016）强调了人工智能的重要性以及需要在该领域制定明确的路线图和战略投资的必要性。当AI由科幻成为改变世界的前沿技术时，我们迫切需要系统性的去开发和部署AI，以便了解它在工业 4.0 这个下一世代工业系统中的真实价值。在 Lee 等 (2015) 提出的5C架构之下，本文深入的解释了AI技术的现状以及人工智能在工业应用发挥作用时所需的生态系统。
一、工业人工智能简介
人工智能（AI）是一门认知科学，涵盖了图像处理、自然语音处理、机器人、机器学习等领域的丰厚研究。机器学习和人工智能传统上被认为是黑科技，往往缺乏有利的证据可以证明这些技术可以重复并始终如一的发挥作用使企业获得投资回报。机器学习算法的功能仍然高度依赖开发人员的经验和偏好，因此使得AI 在工业应用中的成功受到限制。换个角度来看，工业AI 是一门严谨的系统科学，它专注于开发、验证和部署各种不同的机器学习算法以实现具备可持续性能的工业应用。工业人工智能作为一种系统化的方法和规则为工业应用提供解决方案，工业人工智能并且也是将学术界研究AI 的成果与工业应用连接起来的桥梁。
AI 驱动的自动化尚未能对生产力的增长产生可量化的重大影响。现今行业，除了面临市场需求和竞争的新挑战，它们尚需要一个被称为工业4.0的激进变革，AI与工业物联网（IIoT）、大数据分析、云计算和信息物理系统的集成将使工业以灵活、高效和节能的方式运作。由于工业人工智能还处于起步阶段，必须明确其结构、方法和挑战以作为其在工业实施中的框架。为此，我们设计了工业人工智能的生态系统，它涵盖这一领域的基本要素并且为更好的理解和实施提供了指导方针。另外，我们也描述了可以建立在工业人工智能之上的使能技术，图1是工业人工智能与其他学习系统在一段时间内对所期望的系统性能的比较示意图。
（图1 工业人工智能与其他学习系统比较示意图）
二、工业人工智能的关键要素：ABCDE
工业人工智能可以用ABCDE的特征进行分类，这些关键要素包含分析技术 (Analytics Technology)，大数据技术(Big Data Technology),云或网络技术(Cloud or Cyber Technology),专业领域知识(Domain Knowledge), 证据(Evidence)。
分析（A）是AI的核心，它只有在其他要素都存在时才能产生价值。大数据（B）与云（C）是提供数据来源和工业人工智能平台必不可少的两个要素，然而，专业领域知识（D）和证据（E）也是常常被忽略的两个重要因子。专业领域知识（D）是下列事项的关键要素：
1）了解问题并专注于利用工业人工智能去解决它；
2）理解系统以便于收集正确且高质量的数据；
3）了解参数的物理含义以及它们如何与系统或流程的物理特性相关联；
4）了解这些参数因机器而异。
证据（E）也是验证工业人工智能模型以及它们与累积学习能力相结合的重要要素。收集数据形态模式及与它相关联的证据，我们才能改进AI 模型使之更加准确全面并且与时俱进。图1-b显示AI如何带领我们从可見空间到不可見，从解决问题到避免问题的发生。
三、工业人工智能生态系统
图2显示了建议的工业人工智能生态系统，它定义了发展工业人工智能系统的需求、挑战、技术和方法的有序思维策略。从业者可依照此系统性指南去制定工业人工智能发展与部署的策略。在标的行业中，这个生态系统定义了常见的未满足需求，例如自感知、自比较、自预测、自优化和自适应。这张图表还包括数据技术（DT）、分析技术（AT）、平台技术（PT）和运营技术(OT)等技术。这 4 项技术在信息物理系统（CPS）的背景下可以更容易的被理解。如图 3 所示，这 4 项技术 (DT、AT、PT、OT) 是成功实现连接、转换、网络、认知和配置 (5C) 的使能者。下面本论文将简单描述这4项使能技术。
（图2 工业人工智能生态系统）
（图3 实现CPS制造的使能技术）
3.1 数据技术 (DT)
数据技术 (DT) 是那些能够成功获取在维度上具有显著性能指标的有用数据技术。因此DT通过识别获取有用数据的适当设备和机制成为 5C 体系"智能连接" 步骤的共同促成者。数据技术的另一个方面是数据通信。智能制造领域的通信并不仅仅只是把获取的数据由源头直接传送到分析。它还涉及到 1) 物理空间中制造资源之间的相互作；2) 将计算机和工厂车间的数据传输和存储到云中；3) 从物理空间到网络空间的通信；4) 从网络空间到物理空间的通信。此外DT 还需要考虑数据系统的 3B (Broken, Bad, Background) 问题也就是数据的分裂性、优劣性和背景的数据。
3.2 分析技术 (AT)
分析技术将关键组件透过传感器所采集到的数据转换为有用的信息。数据驱动的建模揭示了来自制造系统的隐藏模式及未知的相互关联性并其他有用信息。此信息可用于资产健康状况预测例如健康值或剩余寿命值, 可用于机器诊断预测和健康管理。分析技术将此信息与其他技术整合可以提高生产力和创新。
3.3 平台技术 (PT)
平台技术包括将制造数据存储、分析和反馈的硬件架构。用于分析数据的兼容平台架构是实现敏捷性、复杂事件处理等智能制造特质的主要决定因素。一般来说有独立式、嵌入式和云等三类的平台配置。所以云计算在信息通信技术的计算、储存和服务能力等方面是一项重大优势。云平台可提供快速的服务部署，高度客制化、知识集成、高效的可视化并具有高度可扩展性。
3.4运营技术 (OT)
运营技术是指根据由数据中提取的信息所做出的一系列决策和行动。向操作人员提供机器和过程健康信息是有一定价值, 但工业 4.0 工厂将超越这一范畴, 使机器能够根据OT 所提供的洞察力进行沟通和决策。这种机器与机器之间的协作可以在同一车间的两台机器之间，也可以在两个相隔很远的厂区的机器之间发生。他们可以互相分享经验如何去调整特定参数以达到最优性能, 并根据其他机器的可用性调整其排程。在工业 4.0 工厂中, 运营技术是通向自感知、自预测、自配置、自比较等 4 项能力的最后一步。
四、案例研究：智能主轴系统
本节介绍工业人工智能的架构在CNC 机床主轴的应用和实施。在制造业，机床主轴的健康状况是绝对重要的，此案例旨在展示 4 种赋能技术驱动的工业人工智能可以为机床主轴提供实时监控与性能预测的完整解决方案。此系统设计可以最大限度的降低维护成本同时优化产品质量。如图 3 所示,考虑应用场景中常见的未满足需求是执行的第一步。
为了解决未满足的需求 (一个自感知和自优化的机器) 必须关注 1）数据质量 2）多区域的复杂度 3）机器之间的不同 4）专家系统的纳入 5）多数据源的复杂度等五项挑战。图4 概述了如何运用DT、AT、PT 和OT 应对这些挑战去开发一个智能主轴系统。
（图4智能机床主轴平台技术）
五、工业人工智能的挑战
工业人工智能的期望是巨大且多方面的，即或要满足企业界的部分期望也将会是人工智能在应用时要面对的独特且真实的挑战。在现存的复杂挑战中，下列问题具有更高的重要性及优先性：
5.1 机器与机器之相互影响
当AI演算法能够准确的将一组输入数据集映射到一组输出数据集时，它们也容易被因机器与机器间之不同而有的细微变量所影响。AI 算法需要确保单个 AI 解决方案不会对其他下游系统的工作造成干扰或冲突。
5.2 数据品质
AI演算法需要大量且具有最小偏差的干净数据集，用不准确或不充分的数据集去学习会产生有缺陷的结果。
5.3 网络安全
越来越多地使用连接技术使得智能制造系统容易受到网络攻击。目前此类危险程度并没有受到足够的重视，而且企业界对存在的网络威胁也没有完善的对策。
六、结论
当AI由科幻成为改变世界的前沿技术时，我们迫切需要系统性的去开发和实施AI，以便了解它在工业 4.0 这个下一世代工业系统中的真实价值。本研究旨在定义工业人工智能这一术语并将其纳入工业 4.0 的范式中。本文也通过对工业人工智能生态系统在当今制造业中的概述为工业人工智能系统的实现提供策略与指导原则。
