11. 未来信息综合技术

发表于 分类于

未来信息综合技术是通过新技术发展而提出的一系列新概念、新知识、新产品。本章主要介绍信息物理系统(CPS)、人工智能(AI)、机器人、边缘计算、数字孪生、云计算和大数据等技术。

1 信息物理系统技术概述

信息物理系统 (Cyber-Physical Systems,CPS)是一种综合计算、通信、控制等信息技术和自动控制的系统，强调物理空间与信息空间的深度融合，实现资源优化配置和运行的按需配置、快速迭代、动态优化。

1.1 信息物理系统的概念

信息物理系统（CPS）最早由美国国家航空航天局提出，到 2006 年，美国国家科学基金会科学家将其详细描述。CPS 通过感知、计算、通信、控制等信息技术和自动控制技术，构建物理空间与信息空间的融合系统，实现高效协同的复杂系统。

1.2 CPS 的实现

1.2.1 CPS 的体系架构

  1. 单元级：由 CPS 最小单元组成，具有不可分割性。
  2. 系统级：由多个单元级 CPS 组成，实现更大规模的控制和优化。
  3. SoS 级：多个系统级 C P S 的有机组合构成 SoS 级 CPS。

1.2.2 CPS 的技术体系

CPS 技术体系包括：

  1. CPS 总体技术：主要包括系统架构、异构系统集成、安全技术、试验验证技术等，是 CPS 的顶层设计技术
  2. CPS 支撑技术：主要包括智能感知、嵌入式软件、数据库、人机交互、中间件、 SDN(软件定义网络)、物联网、大数据等，是基于 CPS 应用的支撑
  3. CPS 核心技术：主要包括虚实融合控制、智能装备、MBD、 数字孪生技术、现场总线、工业以太网、 CAXMES \ ERP \ PLM \ CRMSCM 等，是 CPS 的基础技术。

技术体系中的核心技术

  1. “一硬”(感知和自动控制)：通过传感器和检测装置获取物理空间的状态信息。是 CPS 实现的硬件支撑。
  2. “一软”(工业软件)：为工业领域提供数字化、网络化、智能化的解决方案。固化了 CPS 计算和数据流程的规则，是 CPS 的核心。
  3. “一网”(工业网络)：基于分布式的网络范式，实现设备互联。是互联互通和数据传输的网络载体。
  4. “一平台”(工业云和智能服务平台)：通过边缘计算、雾计算、大数据分析等技术进行数据处理。是 CPS 数据汇聚和支撑上层解决方案的基础，对外提供资源管控和能力服务。

1.3 信息物理系统的建设和应用

1.3.1 CPS 应用场景概述

CPS 已在多个行业得到应用，本文选择从智能设计、智能生产、智能服务、智能应用四个方面进行阐述。

1.3.2 CPS 典型应用场景

  • 智能设计
    • 产品设计与仿真：通过虚拟空间进行仿真，减少或避免实际生产中的问题。
    • 生产线/工厂设计：优化生产流程，实现“制造”到“智造”的升级。
  • 智能生产
    • 设备管理应用场景：构建智能网络，实现设备互联互通。
    • 生产线管理应用场景：通过 CPS 对生产过程进行实时监控和优化。
  • 智能服务
    • 通过 CPS 实现设备运行状态的实时监控和优化，支持企业用户经济性、安全性和高效性经营目标。
      1. 健康管理：通过 CPS 实现健康评估和优化。
      2. 智能维护：通过 CPS 进行设备性能分析和预测性维护。
      3. 远程征兆性诊断：通过 CPS 实现故障诊断和解决。
      4. 协同优化：通过 CPS 实现协同优化。
      5. 共享服务：通过 CPS 实现资源共享。
  • 智能应用

1.3.3 CPS 建设路径

其建设路径可以分为如下几个阶段：

  1. CPS 体系设计
  2. 单元级 CPS 建设
  3. 系统级 CPS 建设
  4. SoS 级 CPS 建设阶段

2 人工智能

2.1 人工智能的概念

人工智能（AI）是利用数字计算机或数字计算机控制的机器模拟、延伸和扩展人的智能，获取知识并使用知识来达到目的的能力。

  1. 弱人工智能是指不能真正实现推理和解决问题的智能机器，这些机器表面看起来像是智能的，但并不真正拥有智能。
  2. 强人工智能是指真正能思考和推理的智能机器，具有自我意识的、具有人类水平的智能。

2.2 人工智能的发展历程

人工智能的发展经历了几个阶段：

  • 1950年，图灵提出著名的图灵测试。
  • 1956年，达特茅斯会议提出“人工智能”概念。
  • 20世纪70年代，由于计算机能力不足，AI 发展进入第一次低谷。
  • 20世纪80年代中期，专家系统推动 AI 发展。
  • 从2010年开始，人工智能进入爆炸式发展阶段

2.3 人工智能关键技术

  1. 自然语言处理 (Natural Language Processing,NLP)
  • 自然语言处理是AI中的重要方向，研究实现人与计算机之间用自然语言进行有效通信的各种理论和方法。
  1. 计算机视觉 (Computer Vision)
  • 计算机视觉是使用计算机模拟人类视觉系统的能力。
  1. 知识图谱 (Knowledge Graph)
  • 知识图谱本质上是结构化的语义网络，用于从数据中提取并处理信息。
  1. 人机交互 (Human-Computer Interaction,HCl)
  • 人机交互是AI领域的重要研究内容，包括人到计算机和计算机到人的两部分信息交换。
  1. 虚拟现实或增强现实 (Virtual Reality /Augmented Reality,VR/AR)
  • 虚拟现实或增强现实是 AI 中的核心研究领域之一，结合相关科学技术，在一定范围内生成与真实环境在视觉、听觉等方面高度近似的数字化环境。
  1. 机器学习 (Machine Learning,ML)
  • 机器学习是人工智能的核心研究领域之一，研究如何使计算机系统具有从数据中学习的能力。

机器学习可以分为监督学习、半监督学习和无监督学习等。

机器学习的未来：机器学习虽然取得了长足的进步，但仍然存在挑战，需要进一步研究和应用。

3 机器人技术概述

3.1 机器人的概念

机器人的英文名字是 Robot，最早出现在 1920 年捷克作家卡雷尔·卡佩克（Karel Capek）所写剧本中。机器人技术已经准备进入 4.0 时代，即机器人智能化。

3.2 机器人的定义和发展历史

1967 年日本召开的第一届机器人学术会议上，提出了两个具有代表性的定义。机器人的发展过程可以分为 3 个阶段：

  1. 第一代机器人：示教再现型机器人。
  2. 第二代机器人：感觉型机器人。
  3. 第三代机器人：智能型机器人。

11.5 机器人技术的发展

这些技术将使机器人能够更好地适应环境变化，提高自主性和智能化水平。

机器人学包括有基础研究和应用研究两个方面，主要的研究内容包括：

  • 机械手设计
  • 传感器
  • 机器视觉
  • 装置与系统结构
  • 机器人智能等

3.3 机器人 4.0 的核心技术

机器人 4.0 主要有以下几个核心技术：包括云-边-端的无缝协同计算、持续学习与协同学习、知识图谱、场景自适应和数据安全。

3.4 机器人的分类

如果按照要求的控制方式分类，机器人可分为操作机器人、程序机器人、示教再现机器人、智能机器人和综合机器人。

如果按照应用行业来分，机器人可分为工业机器人、服务机器人和特殊领域机器人。

4 边缘计算概述

4.1 边缘计算概念

边缘计算是在网络边缘进行数据的处理和应用程序的运行，以减少数据传输到中心服务器的需求，提高数据处理速度和效率。

4.2 边缘计算的定义

边缘计算产业联盟 (ECC) 对于边缘计算的定义：边缘计算的业务本质是云计算在数据中心之外汇聚节点的延伸和演进，主要包括云边缘、边缘云和云化网关三种落地形态。

4.3 边缘计算的特点

边缘计算具有以下特点：

  1. 联接性：需提供丰富的联接功能。
  2. 数据第一入口：作为物理世界到数字世界的桥梁。
  3. 约束性：能适应工业现场相对恶劣的工作环境。
  4. 分布性：支持分布式计算与存储。

4.4 边云协同

边缘计算与云计算之间不是替代关系，而是互补协同关系。边云协同包括资源协同、数据协同、智能协同、应用管理协同、业务管理协同和服务协同。

4.5 边缘计算的安全

边缘安全的价值体现在下述几方面：

  • 提供可信的基础设施
  • 边缘应用的安全服务
  • 保障安全的设备接入和协议转换
  • 提供安全可信的网络及覆盖

4.6 边缘计算应用场景

边缘计算在多个场景中有广泛应用：

  1. 智慧园区
    • 海量网络连接与管理
    • 实时数据采集与处理
    • 本地业务自治
  2. 安卓云与云游戏
    • 安卓云游戏：匹配游戏运行环境
    • 云游戏场景：云端良好推广性
  3. 视频监控
    • 边缘节点图像识别与视频分析
    • 边缘节点智能存储
    • 边云协同
  4. 工业物联网
    • 基于 OPCU/over TSN 构建的统一工业现场网络
    • 基于边缘计算虚拟化平台构建的 vPLC(可编程逻辑控制器)
    • 图像识别与视频分析
    • 适配制造场景的边缘计算安全机制
  5. Cloud VR
    • 云 VR 配置的终端设备“瘦”身
    • 无线网络从 4G 向 5G 推进
    • Cloud VR 业务在移动网络的体验变革

5 数字孪生体技术概述

5.1 数字孪生体技术发展历程

数字孪生体技术是跨层级、跨尺度的现实世界和虚拟世界建立沟通的综合技术体系，是第四次工业革命的通用目的技术和核心技术体系之一。

  1. 1960—21 世纪初
  • 数字孪生体的技术基础，主要是指 CAD/CAE 建模仿真、传统系统工程等预先技术。
  1. 2002—2010 年
  • 数字孪生体的概念产生期，指数字孪生体模型的出现和该术语名称的确定。
  1. 2010—2020 年
  • 数字孪生体的领先应用期，主要指 NASA、美军方和 GE 等航空航天、国防军工机构和企业的应用。
  1. 2020—2030 年
  • 数字孪生体的深度开发和大规模扩展应用期，PLM 领域、或者说以航空航天为代表的离散制造业，是数字孪生体概念和应用的发源地。

5.2 数字孪生体的定义

数字孪生体是现有或将有的物理实体对象的数字模型，通过实测、仿真和数据分析来实时感知、诊断、预物理实体对象的状态，通过优化和指令来调控物理实体对象的行为，通过相关数字模型间的相互学习来进化自身，同时改进利益相关方在物理实体对象生命周期内的决策。

5.3 数字孪生体的关键技术

建模、仿真和基于数据融合的数字线程是数字孪生体的三项核心技术。能够做到统领建模、仿真和数字线程的系统工程和 MBSE, 则成为数字孪生体的顶层框架技术，物联网是数字孪生体的底层伴生技术，而云计算、机器学习、大数据、区块链则成为数字孪生体的外围使能技术。

  1. 建模
  • 建模是数字孪生体的三项核心技术之一。建模的目的是将我们对物理世界的理解进行简化和模型化。
  1. 仿真
  • 仿真是数字孪生体与对应物理实体实现有效映射的核心技术。仿真是将包含了确定性规律和完整机理的模型转化成软件的方式来模拟物理世界的一种技术。
  1. 其他技术
  • 目前 VR 、 AR 以及 MR 等增强现实技术、数字线程、系统工程和 MBSE、 物联网、云计算、雾计算、边缘计算、大数据技术、机器学习和区块链技术，仍为数字孪生体构建过程中的内外围核心技术。

5.4 数字孪生体的应用

数字孪生体主要应用于制造、产业、城市和战场。

5.4.1 制造

在制造领域，数字孪生体用于提高设计准确性、验证产品在真实环境中的性能、主要功能包括数字模型设计、模拟和仿真。数字孪生体在研发设计和生产制造环节起到重要作用，成为智能制造的基石。

5.4.2 产业

数字孪生体与云计算、大数据、物联网、人工智能和区块链等 IT 和 DT 使能技术结合，构建全产业链的数字孪生体。通过多种类组合集成形式，按照数字化、网络化、智能化趋势和产业升级需求相结合，构建实体的数字镜像。

5.4.3 城市

数字孪生体在城市中应用的核心价值在于，能够将现实世界和数字世界之间全面建立实时联系，进而对城市物理实体全生命周期的变化进行数字化、模型化和可视化。数字孪生体在城市中具有传感监控即时性、城市信息集成性、信息传递交互性、发展决策科学性、控制管理智能性、城市服务便捷性等特征。

5.4.4 战场

可以用于装备的研发、维护和保养等。军事战争从上可以分为战略(决策)、战役、战术三个层次，数字孪生体技术应当满足所有战争层面的应用。

6 云计算概述

6.1 云计算相关概念

云计算是一种通过互联网进行访问的可扩展应用程序。它描述了一类可以基于大规模数据中心及高性能服务器运行网络应用程序与 web 服务。

6.2 云计算的服务方式

云计算的服务方式主要有三种：

  • 软件即服务 (SaaS)
  • 平台即服务 (PaaS)
  • 基础设施即服务 (IaaS)

6.3 云计算部署模式

云计算的部署模式包括：

  • 公有云：基础设施是公开的，可以自由地分配给公众。
  • 社区云：在一定范围内，由云服务提供商统一整合。
  • 私有云：基础设施由单个组织拥有、管理及操作。
  • 混合云：结合公有云、私有云和社区云。

6.4 云计算的发展历程

云计算的发展大致经历了三个阶段：

  1. 虚拟化技术的历史
  2. 分布式计算技术的发展
  3. 软件应用模式的发展

7 大数据技术概述

1. 大数据的定义

大数据是指其大小或复杂性无法通过现有常用的软件工具，在合理成本和可接受的时间内对其进行捕获、管理和处理的数据集。

2. 大数据的研究内容

大数据的研究工作面临的 5 方面的挑战：

  • 数据获取问题。
  • 数据结构问题。
  • 数据集成问题。
  • 数据分析、组织、抽取和建模是大数据本质的功能性挑战。
  • 如何呈现数据分析的结果，并与非技术的领域专家进行交互。

了应对上述挑战，白皮书建议采用现有成熟技术解决大数据带来的挑战，并给出了大数据分析的分析步骤，大致分为数据获取/记录、信息抽取/清洗/注记、数据集成/聚集/表现、数据分析/建模和数据解释5个主要阶段。在每个阶段都面临着各自的研究问题。

7.3 大数据的应用领域

大数据的价值可以整体概括为：“海量+多样化+快速处理+价值”。

大数据为制造业、服务业、交通行业和医疗行业等提供了新的路径和方式，推动了各行业的信息化和智能化发展。

  1. 制造业的应用
  2. 服务业的应用
  3. 交通行业的应用
  4. 医疗行业的应用