CA168首页 > 自动化信息 > 产业动态 > 信息详情

边缘智能赋能工业互联网技术进阶发展

发布日期:2021-08-13 来源:人民邮电报 作者:网络
   目前,我国工业互联网技术在政府、企业、研究机构等多方共同努力下,已经在标识解析、网络平台、数据应用等方面取得了积极进展,面向特定行业领域的工业互联网基本搭建完成。从这个意义上讲,工业互联网技术1.0初步形成,实现了工业设备的互联与工业数据的全生命周期服务。但是,整体智能化水平偏低,特别是边缘工业设备和信息系统不具备分布式的智能处理能力,也没有充分利用新兴人工智能技术提升工业数据的使用效率。从这个维度上讲,工业互联网技术2.0进阶发展面临关键技术挑战。

  工业互联网技术面临哪些挑战?

  以深度学习为代表的人工智能技术对提升工业互联网技术智能化水平至关重要。当前的深度学习是由大数据驱动的,大多分为训练和推理两个阶段。传统基于云计算平台的中心化训练与推理技术在工业互联网1.0版本中已经部分应用,但面临着以下三个关键技术挑战:

  一是带宽占用高、能源消耗大,网络平台层难以实现高效“训练”。在工业互联网技术体系1.0中,数据平台通常部署于离工业现场距离较远的云平台,导致TB级甚至PB级工业数据需要通过网络传送至云端数据中心,造成了极大的网络带宽开销以及电力能源消耗,使得大数据驱动下的人工智能模型训练难以高效完成。边缘智能技术的运用,能够将计算资源部署在工业园区内部或者附近,通过分布式处理降低训练数据、模型参数传输到云平台的网络带宽占用及能耗。

  二是处理延迟高、决策速度慢,数据应用层难以完成实时“推理”。由于网络传输资源有限,将数据发送至云平台进行处理,并将结果传回工厂园区这一过程,产生了高延迟,使工业机器人控制等延迟敏感型应用无法实时决策,基于智能推理的数据应用难以真正落地实践。边缘智能技术的运用,使得模型能够直接或经过处理后运行在网络边缘,接收工业联网设备持续产生的海量异构数据,进行实时处理、推断、决策,消除了广域网中不可控的延迟开销,能够以不高于毫秒级延迟的响应速度服务于工业应用中的关键任务。

  三是隐私保护难、数据易泄露,难以保障“训练/推理”数据安全。工业数据通常包含着大量终端设备的精细数据、监控数据、商业数据等,具有高度敏感性,涉及潜在商业利益。使用云平台方案时,不论是网络通信、数据计算还是信息共享、智能模型构建,都难以在数据拥有者的完全控制下进行,这使得企业的管理者难以信任当下技术方案的安全性。边缘智能技术的运用,一方面,针对特定工业园区的边缘智能平台能够由工厂管理者直接控制,工业数据可以在边缘平台覆盖区域内部形成完整、封闭的数据流;另一方面,边缘智能中的隐私保护技术能够在无须暴露原始数据隐私的前提下实现信息的共享与模型的构建,极大地增强了涉及商业利益的敏感数据的安全性。

  什么是边缘智能技术?

  边缘智能技术是将人工智能技术放在边缘设备上运行,是边缘计算与人工智能的结合,可以划分为边缘训练和边缘推理两个方向:

  首先是边缘训练技术。利用边缘终端设备收集的工业环境中各维度的数据,如音频、图片、视频、传感器数值等内容,在边缘终端、边缘服务器、云服务器相结合的边缘平台中对智能模型进行训练。

  面对网络平台层中带宽占用高、能源消耗大的问题,边缘智能中的聚合控制优化技术能够减少通信频率;梯度压缩技术能够通过量化和稀疏化等方法减少参与通信的数据量;迁移学习技术可使用预训练过的基础模型减轻训练压力。

  其次是边缘推理技术。将智能模型部署到边缘端,将预处理后的工业数据输入模型进行计算,为工业流程中关键任务提供智能推理,生成决策方案,应用范围小到机器人控制、异常预警,大到流水线优化、生产模式调整等。

  面对数据应用层中处理延迟高、决策速度慢的问题,边缘智能中的模型优化技术有输入过滤、模型压缩、模型分割、提前退出等;系统优化技术有边缘缓存、多模型并行、多模型流水线等;此外还有模型选择等技术为不同的边缘设备和推理任务个性化地选择最优模型。

  面对影响范围广泛的隐私保护难、数据易泄露的问题,边缘智能中的深度网络分割技术能够仅传输经过深度网络浅层或者其他轻量级DNN模型处理过的脱敏数据;联邦学习技术直接在边缘端进行完整的深度网络模型训练,仅对梯度更新进行传输;Gossip训练技术采用异步和完全分散的方式训练深度网络模型。

  边缘智能驱动下工业互联网有哪些典型应用?

  边缘智能技术将智能从远距离的数据中心带到了工业生产制造源头的附近,使得工业互联网中具备隐私保护特性、低成本、高效、低时延的智能化场景得以实现。

  智能视频监控。为了实现针对机械设备、生产人员、产品运输过程等方面的智能监控,例如物体检测、物体追踪、人脸识别,从工业现场采集到的体积庞大的高清视频流能够通过5G网络近距离地传输至靠近工业园区的边缘智能平台进行处理,使得视觉DNN模型的训练过程能够节省大量由视频、图像数据传输导致的网络开销。

  工业机器人控制。由于控制机器人行为的延迟敏感性,距离较远的传统云平台无法实现这一复杂的实时决策过程。通过模型压缩等技术将深度网络的体积减小后,部署至边缘智能平台,能够大大提升机器人状态传输、上下文感知、行为控制决策这一过程的处理速度,保障工业机器人运行的稳定与安全。

  产品销量模型构建。不论是能源开采中的原料产量,还是制造业中的产品销量,这些数据通常包含不同程度的商业利益,难以直接用于分析及预测模型的构建和推理。因此,一方面,边缘平台使得原料及产品数据无须在无法完全控制的条件下传输至远距离的数据中心进行处理;另一方面,边缘智能中的深度网络分割、联邦学习等技术使得企业能够在无须暴露原始数据的情况下安全、隐私地实现信息共享、智能模型构建。

  面向未来,边缘智能将赋能工业互联网进阶发展,使其应用规模不断扩大,智能化程度不断提高,产业价值不断增长,迎来更加广泛、更高水平的工业创新、转型与升级。
 
[信息搜索] [] [告诉好友] [打印本文] [关闭窗口] [返回顶部]
0条 [查看全部]  网友评论

视觉焦点