工业智能前沿报告2020

zl-haoren

工业智能前沿报告首先分析了工业智能在全球范围的发展态势，分析工业智能在各个领域的智能技术发展现状与趋势；其次对我国工业智能发展现状进行解读，以从政策、产业角度分别展示我国工业智能发展状况；然后给出了国际和国内在工业智能发展中相应的可预见技术以及现存在的工程难题，通过研究现有问题，指出工业智能的发展瓶颈和突破方向。最后，本报告给出了工业智能发展的相关政策建议，展望工业智能在发展过程中的重要方向。

一、 研究概述

随着人工智能技术体系的不断发展完善以及物联网、云计算、数字孪生等新一代信息技术的不断成熟，智能制造和工业互联网正成为学术界与产业界的重点研究课题。工业智能正是智能制造和工业互联网发展的核心。

工业智能以工业产业链为主，服务于工业产业链上下游，以工业数据为基础，人工智能算法为核心，其他先进信息技术为辅助，通过对工业产业链中的各个环节、对象进行深度渗透与改造，从而达到重塑工业形态、提升工业能效的目的；同时工业智能亦形成了向工业产业链外相关产业辐射的趋势，通过在工业场景下的工业智能成功案例推广，推动综合智能技术在其它领域的应用，从而达到促进生活、生产模式整体升级的目的，也即以增量带动存量，以创新引领革新。

在工业智能的发展和应用过程中，多技术的升级与融合是促成这一演进的重要推动力。以深度学习、迁移学习为代表的新兴人工智能技术打破了传统以知识驱动为核心的专家系统，同时大数据、边缘计算、区块链、数字孪生、知识图谱等先进技术的发展为重塑产业生态提供了可靠支撑。工业智能在复杂的工业场景中，必须要依靠通信技术、信息技术、数据技术以及人工智能技术的深度融合，才能实现针对不同场景的适应度好的应用落地，因此，工业智能不是简单的工业 人工智能，而是一种多技术融合应用到多场景的综合智能技术。

前三次工业革命分别把工业推向了机械化、电气化、自动化，但人们日益增长的生活需求促使着工业向更高等级跃迁，而随着传统工业模式的逐渐成熟，节能减排的措施不断落实，旧的工业模式已经无法涌动出更大的产能。因此，如何挖掘现有工业规模的潜力，释放出最大化的能效，是工业领域践行可持续发展和绿色发展方针所需要解决的重要问题。工业智能正是解决这一问题的关键手段，通过智能化、数字化手段改造传统人工作业模式，形成设计、生产、管理自主决策，优化工业各环节的资源配置，综合智能技术打破传统工业应用中的实施壁垒，由此激发整个工业生态的高效稳定产出。

尽管如此，工业智能的发展仍然存在着阻碍与挑战，传统算法伸缩性较弱、适应性较差，不利于同步新技术与适应新场景；工业数据安全性较低、保护机制不够成熟，不利于智能生态闭环建设；工业智能模型复杂，部署成本高，消耗能量大，不利于项目落地。在此背景下，国务院、教育部、工信部、科技部等部门发布多项政策，从基础教育、产业布局、资金投入、政策倾斜等多个角度，为工业智能的发展构建了良好的环境。因此，撰写组以工业智能为核心，围绕工业智能与新兴技术、工业产业的结合点，总结了国内外工业智能发展现状，提出了应用过程中出现的工程难题及挑战，编写了此份前沿报告。主要内容包括：工业智能的全球发展态势和我国发展现状、国内外的技术预见及工程难题，最后给出了我们在技术和产业政策方面的建议。

二、 全球发展态势

工业智能概念是随着人工智能技术不断发展以及其与工业应用不断融合下出现的，以人工智能技术为代表的第四次工业革命正在发生，其所促进的工业升级从传统的机械化、电气化、自动化向网络化、数字化、智能化转变，而工业智能正是新型工业形态的核心要素。各国早早地认识到工业智能为工业发展带来的好处，已经在各个工业生产领域投入大量的研发资源，将大量先进技术投入到工业生产中，探索出一批成熟应用并将其快速推广，以源头推动工业产业链的升级。新的计算基础设施、算法以及工业流程和不断增长的数据注定了工业智能必将从传统的依赖专家知识的算法和计算机系统向借助人工智能技术进行智能化、数字化的实时监测和控制转变[1]。当前，工业领域中运用最多的是如卷积神经网络、循环神经网络等深度学习方法，它们主要被应用于图像分类、目标识别和视频跟踪等计算机视觉应用与语音分析中。除此之外，其它人工智能技术如强化学习、迁移学习、联邦学习等，也在各个工业领域、环节中发挥了巨大的作用。在电力能源领域的研究中，人工智能技术主要通过处理系统或能源基础装置上的传感器数据来实现检测、预测、管理和实时控制。如基于物联网的深度学习方法[2]，从数据中自动提取特征，用于负载预测；采用隐马尔可夫模型与 Q-Learning 结合[3]，用于分层智能电网架构下需求预测的实时决策；基于层次时间序列特征提取的三阶段多视图叠加集成机器学习模型[4]，用于检测盗电和异常停电；加拿大温莎大学采用特征提取、选择和去噪检测风电场涡轮机轴承故障[5]，并采用自适应贝叶斯算法预测风电场设备剩余使用寿命，以提升风电设备维护效率；印度钢铁研发中心采用专家系统[6]，用于给出熔炉参数调整操作的专家建议以提升熔炉效率。

在工业制造领域的研究中，异常检测、过程管理、过程优化以及预测性维护是当前研究的热点。如采用增量式时空学习算法[7]，用于视频监控的同时实时检测和定位异常；采用向量符号架构[8],用于分布式故障隔离；采用设备数据驱动的深度信念网络结合蚁群算法[9]，用于硬件的状态评估和预测性维护；采用稀疏自编码器和深度信念网络处理多传感器特征[10]，用于轴承故障检测；美国 Corus 公司采用专家系统诊断结晶器液面自动控制系统故障状态；智利天主教大学采用基于动态增量主成分分析方法与卷积神经网络结合对工业电机故障进行检测与识别[11]，在中试工业电机上的测试表明，方法故障检测率超过 99%，虚警率低于 5%，识别准确率超过 90%；荷兰 Scyfer 公司使用深度学习与半监督学习结合的方法对钢表面进行检测[12]，用于检测钢产品的罕见未知缺陷。

在工业数据处理的研究中，研究主要集中于人工智能技术方法与云计算、边缘计算以及智能传感器的应用融合中。如以用户为中心的云边协同数据处理框架[13]，用于为物联网和信息物理系统提供隐私保护的同时实现数据的高效分析；采用自进化式的人工智能方法[14]，实现在物联网、信息物理系统以及视频监控中数据的互操作；提出分层分布式的雾计算体系结构[15]，采用序列学习算法结合传感器数据，用于基础设施和服务集成；开罗美国大学提出了一种基于自动编码器检测虚假数据注入攻击的方法[16]，一方面可清除虚假数据，另一方面也可恢复正常数据，提升了工业物联网平台安全性能；伊朗伊斯兰阿扎德大学利用支持向量机和神经网络对工业制药系统中净水装置的传感器数据进行处理[17]，用以检测制药水源水质异常，保障所生产药品的安全性和质量。

在工业过程和实时监控的研究中，基于数据驱动的人工智能方法是当前实现复杂工业过程的监测、控制和管理的研究热点。如基于流数据样本接收的递归缓慢特征分析算法[18]，用于粗加热炉系统自适应过程监控；基于神经自适应分裂和合并径向基函数神经网络[19]，用于控制湿法炼锌厂的动态除铁过程;基于强化学习的混合储能系统[20],用于光伏发电和柴油发电组成的混合交/直流微电网在线最优控制；基于无监督定宽聚类的状态识别[21]，用于监控和数据采集过程中的入侵检测；基于多智能体控制实现生产单元间的协同[22]，用于物流处理；俄罗斯科学院机械工程研究所针对自动化生产线上的产品质量与生产设备的状态进行监控[23]，基于神经网络对过程状态进行识别，提高产品质量及生产效率；澳大利亚 BHP 公司采用热平衡模型和专家知识，用于高炉工长指导系统实现炉热平衡控制。

综上所述，工业智能在不同领域上都开展了一些研究工作，已经形成了一些成熟的应用模式，同时伴随着人工智能及其相关技术的发展和突破，工业智能在扩大应用场景的同时也在不断更新技术，以求将先进技术快速转化为生产力。当前工业智能的实践已经证明，工业智能的发展，促使工业产业链上下游、工业产业链内外侧、工业产业链各环节的对象、服务、产品相互联系，以人工智能为核心的智慧信息技术体系，正推动着新一轮产业变革与应用创新，其将在协调各对象的过程中不断提高生产效率和工业生态的稳定。

三、 我国发展现状

中国高度重视智能产业发展，加快数字产业化、产业数字化，推动数字经济和实体经济深度融合。2020 年 5 月，国务院政府工作报告指出，要推动制造业升级和新兴产业发展，提高科技创新支撑能力。支持制造业高质量发展，发展工业互联网，推进智能制造，培育新兴产业集群。要继续出台支持政策，打造数字经济新优势。2020 年 9 月科学家座谈会议强调经济社会发展和民生改善比以往任何时候都更加需要科学技术解决方案，要坚持面向世界科技前沿、面向经济主战场、面向国家重大需求，不断向科学技术广度与深度进军。

工业智能是实现工业高效运转模式的重要方法，它以工业大数据为基础，强调人工智能方法驱动与信息技术的融合，用于对工业场景中的全对象、全流程、全周期进行感知、监测、控制、决策、优化、维护，推动工业模式变革，实现产业生态升级。

2015 年以来，党中央和各部委先后在多个领域布局，推进工业智能在不同场景下的快速应用。2015 年 3 月工信部即开展了智能制造试点示范项目；2016 年 4 月工信部召开光伏产业智能制造研讨会，提出要引导光伏制造业加快智能化、网络化、信息化发展，促进高端产能和落后产能的市场分化；2017 年 11 月印发的《国务院关于深化“互联网 先进制造业”发展工业互联网的指导意见》指出要发展先进制造业，支持传统产业升级，形成智能化发展的新兴业态和应用模式；同年 11 月工信部发布的《高端智能再制造行动计划（2018-2020）》指出，要推进高端智能再制造关键工艺技术装备研发应用与产业化推广，探索高端智能再制造产业发展新模式；2018 年 12 月工信部印发了《车联网（智能网联汽车）产业发展行动计划》，同月协同交通运输部、国防科工局印发了《智能船舶发展行动计划（2019-2021 年）》，分别指导陆地交通与水上交通工业的智能化发展；2019 年 10 月工信部复函山东省人民政府、深圳市人民政府，支持济南-青岛、深圳打造人工智能产业集聚区，促进人工智能技术的核心创新与深度融合应用；2020年 9 月工信部印发的《建材工业智能制造数字化转型行动计划（2021-2023 年）》提出要建立建材智能制造标准体系，创建建材智能制造创新平台，形成智能化、数字化、集成化系统解决方案，促进行业变革。以上政策和行动说明，我国多点布局，正逐步构建以智能制造为核心的工业智能新体系。

我国工业发展持续增长。据国家统计局数据，2019 年我国全年国内生产总值 990865 亿元，全工业增加值 317109 亿元，比上年增长5.7%，其中高技术制造业增加值比上年增长 8.8%，占规模以上工业增加值的比重 14.4%。高技术制造业是工业智能的实施前沿，由其增长数据可知，工业智能为我国经济发展提供了强大的动能，而由其占比也可以发现，除高技术制造业以外的传统工业占比数倍于高技术制造业，实施工业智能转型的空间也十分巨大。埃森哲也指出，预计到2035 年，我国制造业因人工智能的应用其增加值增速可以提高 2.0%左右。

工业智能推动了技术、产品和应用的发展。从 2020 线上中国国际智能产业博览会来看，其展示了以石墨烯柔性透明键盘、自动调色调、调光透的智能玻璃为代表的工业智能材料产品；清华大学电子工程系教授研发的量子光谱仪，其可采用量子点纳米材料识别物质光谱，其将助推工业智能感知的快速发展；中冶赛迪集团展示的数字基础设施—赛迪云以及钢铁行业工业互联网平台和以此拓展的 Q-TOUCH云端城市管理平台，显示了工业智能的基础应用与其延伸；中国联通展示的“5th Generation Mobile Networks(5G) Augmented Reality(AR)”技术，模拟汽车远程运维服务场景，相关设备已经由华夏航空部署到机场应用；腾讯公司以大数据、人工智能、5G 网络、云服务等技术为核心，在智博会上搭建的智慧名城展馆，展示了有关政务、教育、医疗、交通等智慧城市要素项目；国网重庆电力公司的“e 重庆”App展示了其通过整合车辆、充电桩等多维度信息实现状态检测、联合分析、安全预警等应用的能力。由此可见，以工业智能为主导的产业变革与科技创新，正不断激发市场活力、孕育产业动能以及重塑生活方式。

我国工业智能的主要应用场景集中在以钢铁冶炼为代表的流程工业与汽车航空制造为代表的离散工业。一方面需要为各类制造行业解决通用性的问题，如质量检测、供应链管理、现场监控等，另一方面需要针对制造业的特性提供方案，如流程工业的安全、能耗、污染问题，离散工业的工艺、调度、个性化等问题。针对流程工业，上海宝钢通过数据分析与参数优化，实现能耗控制，通过基于ArtificialIntelligence(AI)的智能钢包，节约成本近70亿元，同时其基于自动识别智能、控制等技术实现智能化仓储；而攀钢通过应用人工智能可优化转炉炼钢复吹、造渣过程及冷轧工艺控制，年效益数千万元；陕钢龙钢公司则成功对450平米烧结机专家系统进行了智能改造，日可增加余热发电量1.5万千瓦时，减少二氧化碳排放1.5吨[12]。针对离散工业，福田汽车利用计算机视觉、机器学习等技术通过将视觉检测系统引入至喷涂机器人，捕捉车身喷涂外观，在喷涂现场边缘节点指导汽车喷涂作业；北京大兴国际机场通过深度学习等实现资源优化调配，通过分析飞机、气象、人流量数据，支撑复杂决策。由上述工业智能发展现状来看，工业智能的切入点主要为面向生产环节以及面向生产配套、增值服务，以此扩展实现面向全流程全要素的服务化智能生产。

当前，尽管我国工业智能的发展已经取得了一些成果，但仍然面临着一些挑战，如人工智能模型场景适应性差，反复建模工作量大；工业数据规模大、复杂度高，数据价值利用率低；信息技术发展快，工业智能与新技术衔接存在滞后。针对上述问题，分别从以下角度提出解决方案：通过研究伸缩性强、可迁移复用的人工智能算法，包括模型迁移、模型进化等技术，可以有效提升人工智能的场景适应性问题；通过对数据进行全生命周期管理，挖掘数据潜在价值，可以加速工业数字化与智能化；通过人工智能与5G、多模态计算等新技术的快速融合适应，可以推动工业智能在人工智能技术日新月异的条件下动态进化与部署。

四、 技术预见

（一）国际技术预见

1. 模型迁移推动工业智能多场景复用

目前工业领域正在向智能化、数字化方向发展，以文本、图片、视频、音频为代表的海量工业数据成为推动工业应用落地的重要因素。

传统机器学习方法能够有效处理工业数据，并已经在许多工业场景中得到良好应用，但仍然面临着数据质量低、训练时间长、模型性能差、需求个性化等问题的严峻考验。迁移学习作为机器学习领域中的新兴技术，能够分别从数据、任务和模型三个角度出发，实现源、目域之间的有效映射和可靠转换，为上述问题提供可行的解决方案，推动工业智能多场景复用。

在机械故障诊断研究中，以监督学习为主的传统机器学习方法往往需要大量的标记样本数据，该过程不仅需要耗费大量的人力、物力，同时难以保证训练出可靠、精确的泛化模型。然而，迁移学习在对Convolutional Neural Networks(CNN)、Recurrent Neural Network(RNN)等深度学习方法进行适应性改造后，能够以小样本学习方式训练模型，实现高效、可靠的工业设备故障诊断任务。在剩余寿命预测研究中，现已开发出基于稀疏编码器的深度迁移学习网络，通过将神经网络权重转移至新对象中，从而降低模型重复训练引起的开销，完成对切削工具的剩余寿命预测[24]。

迁移学习加强了模型的普适性应用，使不同工业智能应用场景的复用成为可能，这在很大程度上减少了资源的浪费；同时，迁移学习的出现为中小企业的数据欠缺和算力不足问题提供了可行解决方案，并有效提升生产效率。值得一提的是，数字孪生作为连接物理实体与虚拟实体的全生命周期管理技术手段，其在工业场景的映射过程中，同样强调迁移学习应用的重要性，通过人工智能模型的精准开发和复用，以提升产品设计、生产、管理各环节效率[25]。

2. 数据挖掘驱动工业智能认知与决策

由于传统统计分析方法无法适应当前工业应用中的复杂需求，新一代人工智能技术开始成为推动工业智能化发展的新动力[26]。知识图谱与深度学习作为新一代人工智能技术的典型代表，通过对复杂工业模型与海量工业数据的精准建模与实时分析，可以实现工业应用的智能认知与决策，促进知识驱动与数据驱动的双向融合。

在智能制造领域，知识图谱以结构化和扁平化的方式对来自多层级的知识进行表达和存储，加强了产品物理模型、生产流程数据以及企业层级信息的全方面联接，在产品仿真、生产设计、计划调度等具体应用中起到持续、可靠的决策作用。深度学习具有挖掘数据内信息与数据间关系的能力[27]，在诸如生产设备故障诊断、远程运维管理、制造工艺参数优化等复杂场景的应用中发挥重要作用，不仅有效规避了复杂工业模型的建立过程，还大大提高了分析效率与认知能力。

在现有研究中，已经有学者提出了采用长短期忆网络、卷积神经网络等方法对涡扇发动机、轴承等工业设备进行预测性维护和剩余寿命预测。除此之外，一些工业产品也应运而生，如 IBM 开发了 WatsonDiscovery 知识图谱框架，思爱普开发了预测性维护软件 PredictiveMaintenance and Service（PMS）。知识驱动与数据驱动融合下的工业应用是当前工业智能化发展的核心路线，以知识图谱和深度学习为代表的新一代人工智能技术正是实施这一路线的重要手段。

3. 多协同计算促进工业智能泛在支持

云计算已经在诸多领域得到广泛应用，但是随着工业物联网设备的大规模增加以及工业应用对低时延性、高可靠性的强调和需求，现面临着网络资源、存储资源和计算资源带来的巨大压力[28]。边缘计算在网络边缘侧实现通信、计算和存储功能一体化，可与云计算充分融合交互以实现海量工业数据的高效感知与处理。云计算与边缘计算的协同应用是促进工业智能泛在支持的重要手段。

从资源的角度看，边缘计算将计算能力与存储能力下沉至边缘节点，以至于工业现场设备能够实现资源的自我配置、自我监测、自我优化等功能；云中心作为云计算的使能节点，集中收集边缘设备信息，统筹资源调度管理[29]。从数据的角度看，工业边缘设备实时采集生产、运营等过程中的海量工业数据，能够按照相关需求对其进行初步的信息分析与挖掘；云中心为接收到的海量工业数据提供更可靠、更高效的存储与处理服务。从模型的角度看，云计算基于业务需求以一定周期训练可靠、精确的模型，并通过裁剪、迁移等方式将其下发给边缘节点，大大保证了工业应用中的服务质量与用户体验。

在具体的产业应用中，以微软、亚马逊、谷歌、阿里、华为为代表的企业正着力开发云边相关平台，并促进其在工业领域的应用，例如，微软开发了 Azure IoT Edge 平台，阿里云推出了 Link Edge 边缘计算框架。多协同计算模式促使云、边、端一体化成为可能，也为工业智能服务提供了泛在支持。

（二）国内技术预见

1. 能耗控制拓宽工业智能布局

由于工业物联网设备的大规模连接和工业应用场景的快速部署，高能耗问题在设备级和系统级皆引起了极大关注，如何实现低功耗、高效率的工业智能化发展成为研究热点。从多角度看，轻量化学习算法能够有效降低训练过程的时间延迟；定制化工业芯片能够满足高算力需求，降低由于计算设备自身能力不足造成的能源消耗；无线电能传输借助电磁场将太阳能、风能等自然能源传输给工业物联网设备[30]，这为无源工业设备提供能源支持。

对 CNN、You Only Look Once(YOLO)改进的轻量化算法在产品目标检测中已经得到良好应用，该类方法通过裁剪模型，满足弱存储与弱计算环境下的计算任务，这在很大程度上降低了计算开销。传统CPU 在商业应用中收获了良好效益，但是其有限的计算能力难以满足工业应用的巨大计算需求，在运行大规模人工智能算法过程中会造成大量的时间延迟与能源消耗。Field Programmable Gata Array(FPGA)作为一种专用集成电路中的半定制集成电路，能够面向特定工业应用场景，融合实际、可靠的人工智能算法，为开发个性化、定制化的计算芯片提供可能，这在降低计算开发成本与提升任务执行效率两方面提供了一种有效的解决方案。无线电能传输为工业现场的联网设备提供一种无源能量收集方法，工业物联网设备能够在无源方式下，通过自身配置的能源收集装置完成对自然能源的采集。

能耗控制成功地降低了工业应用过程中的时间延迟和能源消耗，在一定程度上延长了工业物联网设备的使用寿命，是工业智能化发展的重要趋势。

2. 数据安全保障工业智能应用

安全是工业智能发展的基础与前提，保障工业智能应用中的数据安全是构建工业安全体系的重要一环。工业数据安全跨越设备、网络、应用等多层级，涵盖设计、生产、采购、管理等多环节。区块链技术与联邦学习算法的兴起，为打破工业数据孤岛，保障工业数据安全提供了可靠支撑[31]。

联邦学习有客户端-服务器和对等网络两种常用框架。在客户端-服务器框架下，联邦学习保证异构工业设备在不公开隐私数据的前提下完成局部计算任务，并通过服务器的中心聚合能力实现高效、安全的加密计算。区块链本质上是一个开放式、分布式的数字账本，通过共识算法、数字签名等技术在物流溯源、供应链管理和工业数据安全存储方面提供可靠帮助；区块链通过与边缘计算和人工智能技术的结合，能够有效增强网络鲁棒性，数据传输可靠性，并有效提升边缘智能的信息共享能力。

工业数据安全贯穿数据全生命周期，包括工业数据采集、传输、存储、迁移等环节。工业数据的单向流动向双向流动的转变，给工业安全带来了巨大挑战，这也促使区块链技术与联邦学习等成为保障工业安全应用的重要技术。

3. 高速通信助力工业智能创新

新一代通信技术（5G）具有多天线、同频全双工、高频传输、密集网络和多载波的特点，为工业现场设备提供低时延、高可靠、大带宽的泛在连接。5G 通信技术与工业应用场景紧密结合，促进了工业智能创新发展。

与工业物联网技术的融合应用中，5G 通信技术加速工业物联网设备采集数据的上传过程，为万物互联提供了可能；与云边协同技术的融合应用中，5G 通信技术缓解了云中心带宽不足、传输延迟低下、安全可靠性差的问题；与实际工业服务的融合应用中，例如设备故障监测、预测性维护等，5G 通信技术保障了服务响应的实时性，在一定程度上提升了服务质量与用户体验。

在实际应用中，宁波舟山港采用 5G 技术实现多吊车并行作业；中国联通发布首个工业互联网端到端网关。5G 通信技术是当前通信领域的重大突破，也是工业智能发展的趋势。

五、 工程难题

（一）国际工程难题

1. 可适应、可进化的智能算法

工业场景和基础设施对解决方案的要求很高，因此，现有的一些深度学习方法并不能直接套用到工业生产应用中。

首先，由于深度学习算法本身的非解释性可能会加剧工业应用中的不可靠现象发生，Radial Basis Function(RBF)、Long Short TermMemory(LSTM)与 CNN 等主流神经网络的输出层函数均为基于概率分布的函数，其对新数据泛化性较差，在分类或识别中的准确性往往不可能达到 100%。这在一般的应用生活应用场景中往往是可接受的，但考虑到工业领域和核心环节的高精确的需求，如设备运行参数、原料的配比等，若直接使用，将对生产、制造等环节，甚至生命财产安全产生巨大影响。这导致了目前深度学习算法仅应用于如产品缺陷质量检测、设备故障检测或预测性维护等低危、辅助的工业场景中。

其次，深度学习技术往往用于解决“大数据”问题，需要大量样本数据进行训练，但随着物联网技术的发展和工业场景的实时性需求升级，越来越多的人工智能与工业场景的融合将面临“小数据”问题。如面临设备故障时，解决最直接的运行问题只需要部分物联网传输的实时数据。利用小数据进行实时建模、快速训练与及时部署将是机器学习算法在工业场景应用的新课题。

最后，在硬件方面，开发者和芯片厂商需要确保具体工业场景和和芯片之间良好的适配性，同时对芯片的性能提出更高要求。在一些实时性要求较高的工业场景中，对一些数据的处理、扫描速度的要求在 1/10 秒，甚至微秒级别，许多芯片的计算速度无法满足实际需求，造成空有方案却无法实施的尴尬局面。

2. 多特征、广覆盖的数据处理

知识图谱、数字孪生等都是对繁杂工业数据的一种处理技术，是提高工业企业数字化的途径，其首要难点就是对原始数据的采集、清洗和加工。

与互联网数据不同，开发者在采集工业数据时将会面临许多不同的工业协议，如 ModBus、ControlNet、DeviceNet、Object Linking andEmbedding for Process Control(OPC)、Controller Area Network(CAN)、Process Field Bus(Profibus)等，甚至还有部分工业设备生产商会自行研发各种私有的工业协议，给数据的互联互通和整合带来麻烦。同时，以目前的传感器、物联网技术，仍无法达到对机器的精确全域覆盖，采集到的数据仍然不够详尽，导致数字孪生体的建模会有所缺失，导致预测与判断产生误差。

针对不同的工业场景，数据的清洗加工程度很难确定。如果清洗加工程度太高，会无法提取到足够的特征，当清洗加工程度太低时，不仅提高了学习和仿真环境搭建的复杂度，也加大了数据传输与存储的难度。此外，由于传感器准确度不高以及工业特殊情况下网络连接不可靠，收集到的数据可能会与实际数据产生偏差。

在数字孪生技术的应用中，模型的建立是关键，但工业环境的复杂性增加了建模的难度。当开发者对一个客体的功能、关系和状态进行建模时，不仅依靠本体的历史设计模型，还需要考虑到客体与周边环境相关的行为和安全保障。建模的难度将随着客体的复杂程度呈指数性增长。以发动机为例，仅一个发动机，其内部的各个单一元件可能超过 1000 个，若是扩展到一个发动机厂商的全生命周期制造产业链，则可能指数级扩张到数十万个，甚至数千万。目前数字孪生技术的领头企业，美国通用公司，也仅达到了对其每个发动机、涡轮等产品的数字孪生体创造，其数量就已经超过 100 万个，若涉及全生命周期的产品生产过程，其建模的工程量将变得更加惊人。

3. 快响应、高稳定的云边交互

尽管边缘计算通过将计算下沉边缘的模式可以很好节省带宽，可以有效提升工业智能的处理效率和降低工业生产成本。但这并不意味可以完全依赖边缘节点而忽视中心云的作用。从工业业务的角度，随着物联网技术的进步，海量物联网传感器终端将给边缘节点带来更大的流量压力。从工业互联网部署环境的角度，边缘资源的异构性和传感器在地理上的分散性会导致网络边缘存储、计算、带宽资源十分紧缺。当边缘节点资源不足时，需要中心云端资源可以进行及时补充。当边缘节点与中心云的网络连接发生拥塞时，云端需要立即将流量引入空闲链路。因此，提高边缘端和云端的协同性是边缘计算在智能工业制造中落地所面临的最大难题。不仅需要考虑边缘节点间的资源分配和任务调度，同时需要优化边缘节点与中心云间的分配与调度问题。不合适的资源分配和任务部署会极大的增加缩容频次[32]，影响任务的执行效率并对本不充足的计算资源加重负担。

此外，在边缘计算的数据寻址、确权和交换时，由于当下通信技术的蓬勃发展，在工业生产中将蓝牙、Near-Field Communication(NFC)等技术支持设备接入工业互联网后，使得网络拓扑结构出现动态变化，大量边缘设备节点的接入带来了移动性和扩展性上的问题，即边缘网络的动态命名机制问题。当前传统的命名机制如 Domain NameSystem(DNS)、Uniform Resource Identifier(URI)等并不能很好的解决边缘计算中的数据传输问题。尽管已经有人提出一些动态命名问题的解决方案，但距离应用到工业场景中仍需进一步实验以解决一些适应性问题。

最后，与云计算相比，边缘计算场景更贴近数据生产者，这会对边缘节点的软硬件升级带来一定困难。边缘节点往往远离计算服务的提供者，不仅数量众多且在地理上具有一定的离散性，涉及硬件的维护与升级更是需要亲临现场。若仅依赖服务提供商进行升级维护，将带来大量的成本开销。而工业生产者作为使用方，对边缘节点设备的不熟悉也会加快其维护的频率，降低计算服务质量的稳定性。

（二）国内工程难题

1. 绿色制造有待优化

目前我国的绿色智能制造一般从 2 个方面着手：精益制造和能耗管理。精益制造，即消除浪费、增加效率。通过推行工业智能化的改革，利用智慧管理平台相比过去已经有了重大的改观，但在能耗管理上，仍存在许多难题。

工业场景下的能耗管理模型，具有多种能源系统和复杂的运行环境，需要考虑的影响因素很多。由于我国的数字化改革仍未完成，各个工业生产部门间的数据共享机制仍未完成，对于整体工业场景的总体能耗标准、用能现状仍不清楚，无法准确合理地制定统一的节能方向。并且工业生产过程中设备种类众多，涉及的工业场景比较复杂，一方面对建立模型有难度，另一方面，存在运行状态多变，收集数据误差等多个不确定因素，这种不确定因素将随着工业场景的复杂化而增多，给够影响能耗决策的判断。

从网络数据传输的角度，工业智能会让原本复杂的混合工业网络架构更加多样化，复杂多变的物联网环境，如边缘设备间频繁的通信和移动会导致网络连接发生中断，设备重连过程将需要寻找其他路径或延续之前的路径，这会导致大量的能源浪费。若将所有服务放在云端，又会导致云端收到的请求过多，引起云中心的负载过重和网络拥塞，同样会加重网络的能耗。

2. 安全技术仍待开发

联邦学习和区块链作为解决安全问题的重要技术手段，是当前的热点研究方向，但仍然需要解决工业场景中应用的兼容性问题。联邦学习中用户只分享局部参数，而不泄露私人数据，相比与传统的集中式学习显然更加安全。但联邦学习技术仍存在包括隐私在内的许多技术问题。首先，联邦学习的参数接收方，中心的集中管理者仍然容易受到攻击，导致整个学习过程失败。其次，联邦学习过程中参数共享需要频繁地进行数据交互，也会增加用户被攻击的可能性。为了对共享参数进行加密一般采取为用户分配密钥的方式，但目前传统的加密方法，如 Self Modifying Code(SMC)、 Differential Privacy(DP)、Homomorphic Encryption(HE)等并不能很好满足联邦学习的需求[33]。最后，联邦学习的学习速度也是阻碍其大规模应用工业场景的原因之一。相比于传统学习方式的本地训练，联邦学习这种分布式学习的方式会面临大规模的通信和节点的计算开销，对训练过程的优化和加速一直是开发者们研究的课题。

目前区块链技术同样要面对安全和性能问题。安全问题上，主要面对 51%攻击问题，即当攻击者掌握全网 51%以上的算力时，就可以拥有篡改和伪造区块链的能力。但由于算力、共识和社群的分裂和稀释，有时 51%已经不是区块链被攻击的底线。此外还有诸如双花攻击、女巫攻击等安全威胁。从性能方面看，目前问题主要在于目前区块链技术自身的共识速度、存储容量等性能指标与智能工业环境下海量终端的低延时应用需求存在差距。当提升数据大量写入、低时延、高并发场景续航能力时，可能就不能完全保证安全防护问题，这需要根据具体项目的特点做出个性化的取舍。

3. 5G 技术尚需融合

工业的各个细化应用场景需求差异较大，5G 作为新兴的通信技术服务和联通解决方案，目前还并不能完全理解工业场景下的网络需求。当前的大部分 5G 芯片/终端方案在与工业场景需求和工业技术特性对接上存在不足，还不能满足各种工业场景对可靠性、工作温度、终端形态等方面的技术要求。

就 5G 自身来看，一方面，高精度网络的建设和维护要求高、难度大，需要新的支撑手段。尤其在工业场景下，大带宽传输一旦出现故障，不仅将会造成经济损失，甚至引发重大安全事故。另一方面，在抗干扰能力上，由于 5G 网络中相邻节点的传输损耗差别不大，导致多个干扰源强度相近，这是现有的方法难以解决的。

聚焦国内场景，国内工业企业数字化水平也对 5G 赋能造成了极大制约。根据两化融合服务联盟的统计数据，截止到 2020 年前，参评的 15 万家工业企业在生产设备数字化率、关键工序数控化率均不到 50%，而工业企业智能制造就绪率仅为 7.6%。许多工业行业仍没有应用计算机辅助设计（Computer Aided Design , CAD）、制造执行系统（Manufacturing Execution System , MES）、产品生命周期管理系统（Product Lifecycle Management , PLM）等配套工业数字化软件[34]。因此，配套服务的提升也是 5G 快速部署的关键。

949598782

安全和性能技术仍待开发

jimdyh

好文啊，很有学习价值，赞一个

ryt1011

人工智能的发展