用自学工业机器，机器人提高自动化安全性

未来的自动化安全将涉及学习的机器。人工智能（AI）和机器学习（ML）的进步可以促使机器人和其他工业机械从大量与安全相关的数据中学习，从而使今天的制造应用比以往任何时候都更安全。

蒂娜赫尔 2019年10月10日

未来的工厂利用人工智能结合移动机械手来提高质量、灵活性、效率和可追溯性。提供:欧姆龙自动化美洲

工业安全措施主要焦点涉及尽可能地将机器与人员隔离。如今，自动化设备的技术进步使得机器可以实现 - 特别是合作机器人 - 与人类运营商在近距离接触。这些技术具有圆形边缘和力反馈传感器，以减少与操作员接触时伤害的可能性。

除了这些发展之外，自动化系统还在从固定到自主移动性转换的过程中。一个制造解决方案准备转换制造涉及将协作机器人臂连接到自行式移动基础。对于控制设计工程师来说，采用风险降低的创新措施，他们需要了解技术的要求，其潜在危险，以及运营商将与之合作的方式。

随着系统变得越来越复杂，对制造商来说，分析所有适用于风险降低计划的数据变得越来越有挑战性。信息的数量可能是压倒性的，而可用来管理决策过程的机制是有限的。人工智能(AI)可以通过提供自动化设计师可能没有考虑到的多种选择来帮助克服这些限制，这种质量加上其纯粹的数字处理能力，使其成为当今自动化系统的重要组成部分。

确定近期技术的安全要求

涉及安全相关电气、电子和可编程电子控制系统的标准IEC 62061将功能安全定义为：

“机器和机器控制系统安全的一部分，取决于SRECS（安全相关电气控制系统）、其他技术安全相关系统和外部风险降低故障的正确运行。”

当重新构建为目标时，此定义更有意义，这是设计一个在发生故障时的系统，它将以可预测的方式失败。制造业已经完善了硬件解决方案。安全标准为制造商，集成商和最终用户提供了最佳实践方法，以实现这些解决方案的可容忍风险级别。我们还可以借鉴这些标准，以帮助确定开发技术的安全要求。

自主移动机器人可以在使用车载映射软件整个设施中自动导航。提供:欧姆龙自动化美洲

目前，还没有专门针对集成移动平台的工业机器人的安全标准。尽管如此,我们可以从现有的安全标准,收集相关信息如ANSI B11.0或ISO 12100对风险评估,ANSI RIA R15.06或ISO 10218 - 2为工业机器人系统、ANSI / RIA R15.606或ISO 15066协作机器人,ANSI / SDF B56.5或EN 1525 (ISO 3691 - 4)取代了工业卡车,ISO 13849-1用于故障预测和验证。危险源和建议的风险降低措施应在供应商手册中提供。

确定适用标准后，工程师需要评估和设计影响空间的东西，如工作流程、障碍、可访问性、误用和培训。技术也起到了一定的作用，因为反馈误差会引起影响位置跟踪的测量噪声，而且关节的柔顺性可能具有固有的不确定性行为。工程师们还应该考虑系统吸收能量的方式，限制力量的方法，以及安全功能的使用。

人工智能进入游戏

确保近期技术安全的主要挑战不是缺乏适用的信息，而是信息过剩。当存在太多变量时，开发二元规则来代表过去的经验的主要局限性就会变得更加明显。随着技术的进步而标准的发展滞后，设计师们常常不得不做出未来的预测。这导致他们高估或低估必要的安全功能。

如果制造商扩展其支持数据处理和决策过程的工具集，他们可以更有效地处理这些信息。特别是，他们可以通过人工智能和机器学习（ML）算法找到受欢迎的解决方案。人工智能系统可以根据案例研究和研究数据推荐新的系统特定指南。

ML通过分析大量数据来发现使用传统统计工具不易发现的潜在模式和趋势，从而揭示隐藏的相关性。人类可以从这些相关性中找到抽象模型，并进行实验以确定模型的工作情况。设计师和工程师可以依靠智能系统引导他们完成设计，确保采用最佳方法并尽可能接近所需的解决方案。

AI对于消除可能妨碍决策的偏差非常重要。由于内存是大脑如何做出决策的大部分，专家对过去经验的看法可以创造影响他们如何处理新情况的偏见。专家还可以不认识到缺少至关重要的信息或错误地在决策过程开始时从端点解决方案开始。ML算法减少偏见，因为它们发现当前和实际数据中的模式，有助于解决特定问题作为过程的一部分，使用监督培训集或无监督的起点。

从硬件驱动的安全系统到使用AI的基于软件的解决方案

由于今天的大多数安全系统与系统的其余部分分开，因此它们对危险事件具有反应反应。当系统更改或磨损时，风险变化的水平和类型，或者它包括自导航机器人等移动技术。例如，漂移可能会在机器人上发生，因为它加热并且轴承磨损;改变末端效应器可以改变机器人的危害潜力。来自进入材料特性的变化或环境条件如温度和振动的影响，可能发生其他变化。

随着从硬件到固态和软件驱动的系统的自动化转换，数据科学家和程序员正在使用AI模型来确定可能的可能性，而主题专家确定可用的内容。实际的AI应用程序的一个例子是跟踪和分析制造过程中的一切，以在它们出现之前找到可能的问题。它还可以监控环境条件，以分析它们对机器功能的影响，然后使用发现的相关性来对未来进行预测，并优化调度维修的过程。

未来的工厂利用人工智能结合移动机械手来提高质量、灵活性、效率和可追溯性。提供:欧姆龙自动化美洲

AI监测的预测维护对于降低危险事件的可能性并改善这种事件发生的决策过程至关重要。意外的设备停机可以创造压力的情况，因为人们基于肠道反应而不是合理的决策技能来创造快速，错误的易懂的决策。通过不断监视系统来检测可能指示问题的变化，ML算法使人类运营商成为错误的抬头，并且预先通知将使运营商更容易进行受控决策。

鉴于当前从静态企业转换到一个很大程度上移动的，这很重要。机器人曾经旨在在十年内进行相同的任务。随着当今对灵活和适应性的生产线的需求，机器人保持同样的任务两年或更短。有些人将附加到移动基地，围绕工厂的宽度围绕其自身达成协议。这意味着需要更频繁地更新安全系统，并且考虑的变量数量是指数级的。只有ML可以成功处理所有这些变量。

人工智能还可以帮助机器人和其他设备更符合人体工程学——这本身就是一个安全问题。机器人被设计成无论身高都能与人一起工作，而人类通常是负责任何必要适应的实体。理想情况下，内置的ML算法可以让机器人自己学习如何最好地与操作员一起工作，以提供最大的舒适度。根据操作员提供的线索，机器人可以发现自己的搭档是右撇子还是左撇子，或者操作员是否有某种身体残疾。

数据驱动的挑战

将人工智能引入工业设备背后的驱动力是当今制造设施中大量的安全相关信息。数据太多了，即使是有经验的工人也很难学习和保留这些数据——更不用说刚刚进入第一份制造业工作的初级员工了。通过让机器自己学习，公司可以利用一个强大的风险降低工具，该工具将在不断变化的环境中提供有关安全要求的短期和长期数据。

今天，安全解决方案中应用的一切都是基于工程师、操作员和制造商从过去学到的东西。从这个意义上说，人工智能并没有那么不同。无论是人类还是算法，一开始都不知道任何关于工业安全的知识——我们都必须利用过去经验中的点点滴滴建立联系，我们可以将其应用于新的情况。我们了解什么有效，什么无效，并利用这些知识做出未来的决策。人工智能也是如此。