随着“工业4.0”和“中国制造2025”等国家战略的推进，智能制造逐渐从概念宣传发展到实施执行阶段，而工业物联网（IIoT）、人工智能、大数据、机器人、云计算和增强现实等先进技术也不断出现，数字和物理领域的融合进一步促进了智能制造的兴起和发展。
“智能制造的主线是智能生产，而智能生产的主要载体是智能工厂。”中国工程院院长周济先生简洁明了地阐述了智能生产、智能制造和智能工厂三者之间的关系。智能工厂是一个完全连接的灵活的制造系统，能根据动态市场需求整合供应链和生产线，并在需要时生产出个性化的定制产品。
根据权威市场机构的预测，到2025年全球智能制造市场规模将达到3952亿美元。Altizon的2017年智能制造报告指出，在工业制造业中，智能制造有可能将直接人工成本和间接成本降低5~10％。由此可见，智能制造的价值和未来市场发展都很有潜力。那么，实现智能工厂需要哪些技术呢？
建设智能工厂的最终目标是实现智能制造，而智能制造的关键技术也就是搭建智能工厂这个载体的核心技术。来自Vero Solutions的信息图示出了驱动和实现智能制造的六项创新技术。
图1：驱动和实现智能制造的六种顶级创新技术（来源：Vero Solutions）
1. 3D打印
过去需要数月的时间设计及组装产品，并与供应商进行沟通，有了3D打印技术，制造过程变得更加快捷，所需时间大大减少。
除了传统的3D打印材料，如塑料、玻璃和陶瓷外，还有电子元件及环保材料。3D打印的灵活性及优点可降低使用新材料引起的总费用，并且由于是现场按需生产产品，因而不必担心库存空间不够。
2. 增强现实及可穿戴设备
管理人员通过监控疲劳程度，可以提高员工的安全性，减少受伤的风险，并提高生产力。为进一步提高安全性，还可利用可穿戴技术来操作机器，使员工在工作时远离危险区域。
可穿戴技术可以跟踪员工的工作速度，检测系统效率。
3. 云计算平台
利用工业物联网(IIoT)等云计算平台，制造商实现了互连及内部交换信息，供应商与分销商之间也能够增强了解。如果将智能工厂比喻为人体的话，IIoT相当于神经系统。
基于云计算的系统实现了整个开发过程的协合，使员工能够将更重要的任务排到更高的优先级，从而加快新系统的开发进程。
质量管理面板将全球的制造场地连接到一起，并将销售结果直接报告给现场管理员。
4. 伪造检测技术
就不同行业的伪造严重程度而言，制造业排第三位。制造商的平均损失是19.4万美元，除此之外，伪造还会影响公司的总生产率，导致员工信任度下降并失去客户的信任。
深度神经网络（DNN）可用于识别交易中的伪造，从在线交易中收集数据并进行建模，使制造商能够标记并预测未来交易中可能出现的伪造风险。
5. 位置检测技术
跟踪与追溯资产位置及状态已成为制造中的关键一环。自工业4.0和智能工厂一开始，制造业就采用了先进的定位技术。
商品及货物将通过各种系统，如供应链管理、ERP、MES及其它信息技术系统进行连续跟踪，以提高整体效率。
射频识别(RFID)、卫星导航系统及条码技术可监控商品的移动。基于位置的服务如GPS或移动ID可为室外应用提供地理定位方案。
6. 智能传感器
仍以人体为例，智能传感器相当于人体的各种感觉器官，用于采集工业环境下各种温度、湿度、压力、空间移动和位置等信息。早在2013年业界就预测供应链中会使用超过2000万个传感器。据Gartner预测，到2025年将使用高达250亿个传感器。
智能传感器产生极复杂的数据，这些数据成为自动及智能控制的基础。有了智能传感器，便不再需要远程处理，提高了智能机器的生产率及效率。
智能传感器对于仓库管理特别有用，能够监控温度，检查货物是否出现问题，并记录一些出现问题的参数。
工业物联网的发展给制造自动化及智能化提供了新的机遇。
智能工厂追求人、机、料、法、环的智能化的高度协调及高效利用。除了智能设备和智能生产及执行系统，还需要考虑环境、厂务设施等因素，大量的传感器用来控制或监控水、电、气、尘埃颗粒、温度、湿度等。但各种传感器分散、异构、数据格式不统一，甚至是移动的，利用工业物联网的架构进行智能化协调是一个很好的途径。
工业物联网平台是将具有感知、监控能力的各类采集或控制传感器或控制器，以及泛在技术、机器对机器（M2M）通信、机器学习和基于云的分析等技术不断融入到工业生产的各个环节，通过收集、分析来自新增和原有设备的数据，提高效率并获得竞争优势。通过强大的管理运算功能，能够：
例如，AI工程和自动化系统方案提供商BISTel公司的Cloud IoT平台便结合了软件和硬件，可以提供存储、计算、安全、开发工具及其它许多常见功能，提高了质量和工程生产力，实现了运营效率的提升。
现代工业系统的关键部件是传感器，它将数据发送给控制器、监视器以及让工厂运作起来的其它设备。传感器在现代工厂中扮演多种角色，除了为过程控制提供数据，还帮助进行质量评估、资产跟踪、甚至保证工人的安全。为了满足不同的目的，传感器的种类很多，最常见的有照明、温度、运动、位置、存在、视觉、力、流动和化学成分等传感器类型。实际上，每一种不同的过程或环境条件都有适合其测量的类型。
用于数据采集和处理的微机电系统（MEMS）是一个从3D陀螺仪、加速度计、磁力计和振荡器，到用于热、压力、湿度以及其它传感元件的庞大传感器品类。MEMS温度、湿度传感器可用于环境条件的检测，MEMS加速度计可用来监测工业设备的振动和旋转速度。
例如，ADI的MEMS加速度计在数字MEMS振动传感器等器件中集成了嵌入式RF收发器，是集信号处理和通信功能于一体的解决方案。这类可编程器件的功能包括：
高精度的MEMS加速度计和陀螺仪可以为工业机器人的导航和转动提供精确的位置信息。这些MEMS传感器将数据馈送到一个神经网络，用于视觉和其它感知处理，帮助工厂机器人“理解”其所处的环境，以及周遭世界中是否发生了某些变化。
图2：工业中使用的各种传感器需要连接到物联网。（图片来源：Postscapes）
图3：将传感器系统引入IIoT需要复杂的硬件和软件生态系统。（图片来源：Disruptive Technologies）
工业机器人是智能制造的重要组成部分。
在智能工厂中，勿需大型生产设施，也不必拥有庞大的供应线和大量的劳动力，只是利用更紧凑、更高效的工业机器人，便可降低运输成本和交付周期。
工业机器人通过更加集成的制造流程，利用内置传感器、数据记录以及基于云的实时启发和计算，可以进行稳定的改进和调整，从而改善生产。利用增强型机器学习和人工智能（AI）系统，智能制造技术可以学习如何更快地生产产品，减少了浪费，避免了复杂的设置。
图4：新的人机协作和交互方式使员工能够专注创造性工作和价值增值任务。（图片来源：英飞凌）
工业机器人在智能工厂中的集成，不仅仅指设备和系统本身的集成，还包括机器和人的协调融合。通过革新的HMI（人机界面）和远程辅助实现，推动交互方式的变革，也是智能工厂的目标之一。
在现代工业越来越多的应用场景中，传统工业机器人正在被协作机器人取代，或由协作机器人提供支持。协作机器人在生产过程中与人类一起工作，不再像传统的工业机器人那样与配备防护装置的人类同事分开。较之传统的工业机器人，协作机器人更小、使用更灵活，并且更易于编程甚至自学习编程。
波士顿咨询公司的专家认为，未来使用机器人将使员工的工作效率提高30％。协作机器人不会取代人类工作，而是作为补充，让工作人员能够在新的活动领域执行新任务，如为机器编程及在自动化生产过程结束时进行质量控制等。
目前机器人的生产厂家很多，集成有一定的异构型，但相关的行业规范使集成复杂度降低了很多。很多设备厂商都遵循行业标准，比如SECS/GEM协议。例如，英飞凌的工厂在采购设备时就把SECS/GEM交互协议要求、消息流内容要求作为采购的标准之一，同时在内部建立基于快速以太网的实时消息分发和订阅机制YODA。将新设备编入设备号、联通网络，就可以直接集成到系统，通过实时消息系统与系统及其它机器互通，实现状态报告、参数报告、结果数据报告、报警信息报告、指令接受、参数修改等。
在未来的智能工厂中，AI将无处不在、无所不在和无形而在。AI将用于管理整个输入和输出，运行机器人，并通过利用率管理和预测性维护使装配线满载运行。
在智能工厂中，数字化是关键，但其目的不是产生海量数据，而是利用海量数据，英飞凌半导体（无锡）有限公司信息技术总监曹翃认为，数字化就是通过数据的产生和分析来获取知识，从而作出预测和自动化决策，达到制造的人、机、料、法的高效利用，降低运营成本，最大化价值链效益。
有了大数据的支撑，通过AI分析方法和算法，例如机器学习、预测分析或多变量统计，一切会变得更为精准。例如，设备的报警内容通常是NON-SQL数据，AI集合生产执行系统，处理结构化、非结构化及海量分布的实时信息，实现智能的预测性维护，并通过自动的X光图像识别来提高产品质量，释放劳动力。
图5：利用AI分析数据，生成需要的知识并触发行动，优化整个工厂的流程和效率。（图片来源：英飞凌）
机器学习是人工智能的一个分支，它在现实应用中无处不在，特别是在智能工厂中。重复性的人工任务最终将由智能机器来处理，而不再要求员工之间建立深厚的情感联系。
BISTel公司CEO W.K. Choi在接受《电子技术设计》记者采访时介绍，BISTel AI支持的智能制造应用分为三个核心区域：检测、分析和预测。检测包括健康监测和预测性维护、故障检测等。在分析领域，BISTel的eDatalyer套件有四个核心应用程序，客户可使用AI快速分析晶圆和面板，以确定影响晶圆产量或工程生产率的根本原因。
图6：BISTel公司的智能制造愿景。（图片来源：BISTel）
除此之外，瑞萨电子的e-AI解决方案也能嵌入在已有的制造装置中，它不需将庞大的传感器数据上传至网络，而是在终端通过e-AI判断设备是否产生异常，瑞萨电子中国产业解决方案中心经理戴其宏介绍，该解决方案仅将判断结果告知生产管理系统，因此，可以在不过多占用网络带宽的状况下，实现实时自主控制。
AI技术正在将更多的智能和数据分析推向边缘。目前AI对声音及人类语言的处理更加类似人类的功能，而在基于云和网络的软件领域也将出现更多的AI应用。
一些新的AI应用正在物联网中开拓和创造一个新的利基，但并非所有终端节点都需要高级功能。Silicon Lab公司亚太区高级市场经理陈雄基在采访中介绍，Silicon Labs在混合信号处理、低功耗技术和无线连接方面的专长可能带来更多益处。
许多应用将继续利用网关和云资源来处理类似AI的任务。系统架构师需要在特性、成本、性能、延迟、安全性以及客户对这些功能的整体价值取向等各个方面进行全面的评估。
工业4.0中会产生大量数据，一些数据需要在距离互联系统较近的位置（即“边缘”）进行分析，另外一些具有相关性的数据则需要馈送到数据中心或云进行处理，这就带来了节点安全、通讯网络安全、传输数据安全及身份认证等问题。
从云的角度来看，其安全性与传统企业内网相似，曹翃强调，云服务需要保证数据中心的物理安全以及网络防火墙的安全，并具备抗外部攻击的能力，确保账号、框架和平台的安全。随着云的发展，海量异构设备的接入对业务实时性、应用智能化、以及安全与隐私提出了严格的要求，随之引入了边缘计算。
图7：边缘和云端的数据安全性是智能工厂面对的最大挑战。（来源：英飞凌）
为保护边缘端的数据安全，智能工厂需要将系统保持为最新状态，并安装安全软件更新。软件与硬件相结合的安全解决方案可确保互联机器与通信节点受到保护。例如，英飞凌的OPTIGA TPM芯片，可内置于路由器、工业PC或复杂的控制单元中，并由通信合作伙伴用来对网络中的设备进行验证，进而在网络中完成自我认证并保护数据传输。OPTIGA Trust X可用于认证和通讯加密。只有云和边缘都安全，最终才是安全的。
对于大多数系统，有几种廉价且简单的方法可以显著提高安全性等级。
在设备层面，控制设备上运行的软件尤为重要。这可以通过控制如何将新软件编程到设备中的机制来实现，特别是需要关闭JTAG接口并实施安全的引导加载程序。
在通信层面，启用通信协议中的安全性功能至关重要。诸如Zigbee、蓝牙、Thread等所有新的无线协议，以及传输层安全（TLS）功能都提供了相当好的安全性，在开发过程中可以直接使用。
在系统层面，支持软件分发机制非常重要，因为时间会影响大多数嵌入式设计的安全性。随着时间的推移，黑客变得越来越强大。今天以1000美元左右的投入可发动的攻击，比十年前用同样规模的资金发动攻击产生的威力更大。因此，将系统的使用寿命周期纳入考虑范畴至关重要。能够与未来黑客对手抗衡的唯一方法是设计具有可升级的安全系统，并在产品整个生命周期中通过远程升级方式对系统进行升级。
由于安全基础设施中的任何漏洞都可能被不法分子利用，因此不仅在应用程序级别，还要从基础芯片的硬件和软件栈中加入重要的安全性设计。Imagination Technologies设计了一系列挂钩，使开发人员能够利用设计方法学来实现安全防护能力。例如，神经网络可能需要保护权值和激活不受篡改，以避免在被黑客入侵或权值和知识产权被盗时出现不可预测的突发行为。实际上，任何公司的算法都可能是至关重要的，其数据也是如此。从访问控制到工厂车间，再到用于训练和验证的数据，都有潜在的风险，当然还包括个人数据、公司数据和工厂中MEMS传感器输出的传感数据。
智能制造不是单纯地使用智能装备，也不是简单地用自动化及数字化技术改造传统的制造业就可以成功。智能工厂是各种新技术协同作用创新的结果。业界在传感器、无线连接、机器对机器（M2M）通信、机器学习和基于云的分析和安全性等几个领域已取得显著进展。在通信和连接领域，新的标准和通信协议不断涌现，5G也开始进入工厂车间。梦想中的智能工厂正一步步走入现实。
最前沿的电子设计资讯
