利用人工智能和机器学习来保障工厂安全

即将开播:6月19日,互联网银行架构师魏生谈互联网开放银行实施路径的探索与思考

未来的自动化安全将涉及机器学习。人工智能和机器学习的进步,可以促使机器人和其它工业设备从大量与安全相关的数据中学习。

利用人工智能和机器学习来保障工厂安全

工业安全措施的主要重点之一是尽可能地将机器与运行人员隔离。自动化设备的技术进步使得机器——尤其是协作机器人,可以近距离与操作人员协同工作。由于采用了圆形边缘和力反馈传感器等功能,这些先进技术有助于减少操作人员与机器接触时受伤的可能性。

此外,自动化系统正在从固定式向自主移动式过渡。一个可行的生产制造解决方案是将协作机械臂连接到可以自主导航的移动基座。为了使控制设计工程师能够采用降低风险的措施,进行诸如此类的创新,需要了解该技术的要求、其潜在的风险以及操作人员使用该技术的方式。

随着系统变得越来越复杂,制造企业分析适用于降低风险计划的所有数据变得越来越具有挑战性。信息量可能不堪重负,并且用于控制决策过程的机制也受到限制。通过人工智能(AI)技术提供的更多选择,可以帮助自动化设计人员克服这些限制。这种质量加上其强大的数字处理能力使AI 成为自动化系统的重要组成部分。

未来的工厂将使用人工智能和移动机械手来提高质量、灵活性、效率和可追溯性。

明确安全要求

涉及安全相关的电气、电子和可编程电子控制系统的IEC 62061 标准,将功能安全定义为:机器和机器控制系统整体安全的一部分,取决于安全相关电气控制系统(SRECS)、其他技术安全相关系统和外部风险降低措施功能的正确执行。

重新定义目标时此定义更有意义,即在发生故障时,设计的系统能够以可预测的方式发生故障。制造业已经精通硬件解决方案。安全标准为制造商、集成商和最终用户提供了优秀实践方法,以达到这些解决方案可承受的风险水平。我们还可以利用这些标准来帮助确定开发技术的安全要求。

当前, 尚无专门针对与移动平台集成的工业机器人的安全标准。我们可以从现有安全标准中收集相关信息, 例如用于风险评估的ANSI B11.0 或ISO 12100, 用于工业机器人系统的ANSI RIA R15.06 或ISO 10218-2,用于协作机器人的ANSI/RIAR15.606 或ISO 15066 ,适用于工业卡车的ANSI/IT SDF B56.5 或EN 1525(将被ISO3691-4 取代),以及用于故障预测和验证的ISO 13849-1。供应商手册中应提供危险源和推荐的降低风险措施。

在确定适用的标准之后,工程师需要对影响空间的事物进行评估和设计,例如工作流、障碍、可及性、误用和培训等。技术也起着重要作用,因为反馈误差会引起测量噪声,从而影响位置跟踪,并且关节的顺应性可能会具有固有地不确定性。工程师还应考虑系统吸收能量的方式、限制力的方法以及安全功能的应用。

自主移动机器人可以使用机载地图软件,对设施进行自主导航。

集成人工智能

就近期来讲,确保技术安全的主要挑战不是缺乏适用的信息,而是信息过多。当变量太多时,开发二进制规则以代表过去经验的主要局限,就变得更加明显。由于技术进步的发展速度要快于标准的制定,设计师常常被迫预测未来的趋势。这导致他们可能高估或低估了必要的安全功能。

如果制造商扩展其工具集以支持数据处理和决策过程,则可以更有效地处理此信息。特别是,他们可以通过AI 和机器学习算法找到一个受欢迎的解决方案。人工智能系统可以根据可用的案例研究和数据分析推荐新的系统特定准则。

机器学习通过分析大量数据来发现隐藏的相关性,从而发现使用传统的统计工具无法轻易看到的潜在模式和趋势。人们可以从这些相关关系中找到抽象模型,并进行实验以确定模型的运行情况。设计人员和工程师可以依靠智能系统来指导设计,以确保使用优秀方法和满足客户所需的解决方案。

AI 对于消除可能妨碍决策的偏见至关重要。由于记忆是大脑做出决定的重要组成部分,因此专家对过去经验的理解会产生偏见,从而影响他们应对新情况的判断。专家也可能无法意识到关键信息的缺失,或者在决策过程的开始就犯了从终端解决方案入手的错误。机器学习算法减少了偏差,因为它们使用有监督的训练集或无监督的起点,在当前和实际数据中找到有助于解决过程中特定问题的模式。

数据驱动的挑战

将AI 引入工业设备背后的驱动力,是当今制造工厂中大量与安全相关的信息过剩。那里有太多数据,即使是经验丰富的工人,也难以学习和记忆所有数据,更不用说刚踏入制造行业的初级员工。通过让机器自己学习,制造企业可以利用功能强大的降低风险工具。这些工具可以在不断变化的环境中,提供和安全要求相关的短期和长期数据。

相关推荐