自动化、机器学习和区块链如何推动电子制造业的未来发展

作者：Jeff Shepard

工业 4.0 依赖于电子产品制造的智能自动化。自动化功能不仅越来越强大，而且无处不在，从边缘到云，已经运用到传感器、机器人和协作机器人、可编程逻辑控制器（PLC）和各种各样的其他设备中。半导体晶圆、集成电路、无源元件、包装和电子系统都依赖于智能自动化生产，涵盖了消费、绿色能源、汽车、医疗、工业、军事/航空航天等许多应用领域。统一的制造执行系统（MES） 对从原材料到成品的整个制造链进行实时监测、控制、跟踪和记录。

工业 4.0 中的网络物理自动化系统超越了传统的制造活动，依靠从云端深度强化学习到边缘微型机器学习 （tinyML） 的各种形式的机器学习（ML），以实现灵活生产、持续改进和稳定的高品质。连接层数越来越多以及边缘计算、工业物联网 （IIoT）和云计算的结合，日益加剧与网络安全有关的挑战。区块链最近已进入人们的视野，能够实现全面、安全的供应链管理。

本文探讨电子制造业领域中的关键自动化趋势，包括不断增加的连接层、网络安全方面日益增长的需求、专门实施正在部署的 ML，以及可追溯性和 MES如何支持实时生产指标和分析。然后，介绍全面实现工业 4.0 对高质量、低成本化大规模定制的承诺而所需的一些技术，包括 DigKey如何以广泛的解决方案来满足自动化系统设计者的需求。最后，介绍区块链是如何用来部署高度安全的企业级供应链管理系统的。

连接层越来越多

工业 4.0 中的工业物联网 （IIoT） 包括了更多用于传感器网络、自主移动机器人 （AMR） 和其他系统的有线和无线网络层。例如，开发 IO-Link的目的是为了向大量传感器、执行器、指示器以及其他以前未连接的传统边缘设备提供简化的有线网络连接，使其与诸如以太网 IP、Modbus TCP/IP 和
PROFINET 等更高级别的网络连接。借助 IO-Link，这些设备的输入和输出 （IO） 被捕获后转换为 IO-Link 协议，用于通过 IEC60974-5-2 标准规定的单一 4 线或 5 线非屏蔽电缆实现 IEC 61131-9 标准规定的串行连接（图1）。除了提供新网络层以获取有关工厂流程的更细化信息外，IO-Link 还支持快速部署和远程配置、监测和诊断所连接的设备，以支持工业 4.0工厂实现大规模定制所需的生产线和流程变化。

从传感器到机器人的各种无线 IIoT 设备也有助于实现不断增加的网络层。包括 Wi-Fi、5G、LTE 等各种无线协议都已应用于现代工厂。例如，AMR使用板载传感器和 Wi-Fi 连接的组合来了解其周围环境，识别可能的障碍物并安全有效地从一个地方移动至另一个地方。协作机器人 （cobots）用于与人合作，以提高工作效率。这种机器人通常需要采用无线连接。某些情况下，AMR 会根据需要使协作机器人在不同的任务间切换（图 2）。

越来越多的网络危险

工业网络的层数越来越多，而且所连接设备的数量在爆炸性增长，从而导致了安全威胁载体越来越多，网络危险越来越大。目前，已经制定的一些工业和物联网安全标准及方法包括国际电工委员会（IEC） 62443、物联网平台安全评估标准 （SESIP）。

IEC 62443 是由国际自动化学会 （ISA） 99 委员会制定并由 IEC 批准的一系列标准。IEC 62443 标准是一个有 800多页的工业自动化和控制系统 （IACS） 系列标准，包括 4 个大部分 14 个子部分（图 3）。界定产品开发和组件安全要求的关键部分是：

IEC
62443-4-1：产品安全开发生命周期要求——定义安全产品开发生命周期，包括初始需求定义、安全设计和实施、验证和批准、缺陷和修补管理以及寿命终结。

IEC 62443-4-2：工业自动化和控制系统的安全：IACS 组件的技术安全要求——规定安全能力，使组件能够减轻特定安全级别的威胁。

SESIP 标准由 GlobalPlatform发布，定义评估互联产品安全的通用结构，并解决了物联网特有的合规性、安全性、隐私性和可扩展性方面的挑战。SESIP 以安全功能要求 （SFR）的形式对组件和平台的安全功能给出了明确的定义。该标准还规定了强度指标，以 SESIP“等级”的形式衡量在受到攻击时的稳健性，具体分为 1 级到 5 级，其中 1级是自我认证，5 级对应于广泛的测试和第三方认证。

从云到边缘的机器学习

ML 是智能自动化的关键推动因素，支持持续流程改进和高品质产品。神经网络的使用是工业 4.0领域中一项成熟的机器学习技术。这是通过云端的深度强化学习进行补充的开始。深度强化学习为神经网络核心增加了一种目标导向型算法框架。强化学习最初局限于如玩游戏等可重复环境，今天，算法已能够在现实世界中的更模糊环境下运行。在未来，实施高级强化学习可能会实现通用人工智能。

ML 不仅仅是在云端，而且正深入到工厂车间和边缘。工厂车间的工业 PC 和可编程控制器的扩展槽越来越多地插入 ML 和 AI加速卡，以实现智能化过程控制。

微型机器学习 （tinyML）针对在低功耗应用中部署进行了优化。微型机器学习在传感器应用中的使用量在飞速增长。例如，在通过电池或能量收集供电的边缘设备中，IIoT传感器分析就是一种微型机器学习应用。Arduino 提供了采用 Arduino Nano 33 BLE Sense 板的微型机器学习套件，该板上具有 MCU和各种传感器，可以监测运动、加速度、旋转、声音、手势、接近、颜色、光强度和移动（图 4）。此外，还包括一个 OV7675 相机模块和一块 Arduino盾板。板载 MCU 可以实现基于 TensorFlow Lite 开源深度学习框架的深度神经网络，用于设备端推理。

实时指标和分析

实时指标和分析是智能自动化的重要方面。可追溯性 4.0结合了前几代可追溯性中的产品可视性、供应链可视性和生产线可视性，并提供了一个涵盖产品所有方面的完整历史。此外，还包括所有机器和流程参数，支持优化制造过程的整体设备效率（OEE） 指标（图 5）。

可追溯性在许多行业都至关重要，涵盖从医疗设备制造到汽车、航空航天等众多行业。就医疗设备而言，根据监管要求，需要进行广泛的跟踪和追溯。汽车和航空航天系统可能有数以万计的部件需要追踪。不仅仅是零件历史，可追溯性还包括跟踪单个零件的几何尺寸和公差（GD&T）。GD&T 使精密制造成为可能，并根据零件的精确 GD&T 值进行安装，以支持航空航天、汽车制造等行业的高精度装配。

可追溯性可以提高产品召回准确性和召回效率。可追溯性使制造商能够确定受到影响的产品和供应商，以及任何缺陷部件的供应商。

通过可追溯性，可以加速实施纠正性和预防性行动。与产品召回一样，了解完整的产品原产地信息使制造商能够有效地、有针对性地安排产品的现场服务、维护。

可追溯性和 MES

融合了可追溯性的统一实施 MES可以产生一个可搜索的数据库，其中包括与单个产品相关的所有信息，涵盖了计划中的设计和竣工结果。例如，开始生产之前，可追溯性用来在单个部件或材料到达时实施跟踪，包括进货质量测试数据、供应工厂的位置等等。MES根据规划好的设计来验证这些信息，并将其输入配套作业和在制品数据库。

通过 IIoT 与 MES 结合提供的可追溯性数据可支持工业 4.0 环境下的大规模产品定制。MES能使正确的材料、流程和其他资源处于正确的位置，从而确保实现最低的生产成本、最高的产品质量。同时，MES可以和可追溯性相结合并证明符合政府法规，使审核或其他人员可以根据需要随时查阅数据。

区块链

区块链是一个去中心化或分布式数字账本系统，用于以可验证的、不可篡改的方式记录多方之间的交易。任何信任是重要因素的交易，如供应链管理，都是区块链的潜在用武之地。在有许多参与者的供应链中，区块链可以提高交易效率，并使交易可验证、防篡改。区块链在供应链活动中的使用优势如下所列：

替换人工流程。依靠签名或其他形式的物理验证的纸质手工流程，有可能利用区块链进行改进。其局限性在于，账本中的参与者的范围必须有限且容易识别。快递公司拥有不断变化的陌生客户数据库，就可能不是区块链的好选择。一个拥有有限的、缓慢变化的以及可信赖的供应商群体的制造业务，则是一个很好的区块链选择。

加强可追溯性。区块链可以为提高供应链透明度，满足日益增长的监管和消费者信息要求提供一种良好的工具。例如，区块链可以支持《药品供应链和安全法》以及美国食品和药物管理局的唯一设备标识符授权。在汽车和其他行业中，整个供应链上的供应商都可以参与召回，区块链可以为实施汽车行业行动小组发布的可追溯性指南提供一种良好的工具。

结束语

作为工业 4.0基础的智能自动化依赖于实施众多的技术，包括越来越多的有线连接和无线网络层，这招致了越来越复杂的网络安全威胁。此外，机器学习正在从边缘扩展到云端，以支持实时指标和分析，包括可追溯性和统一的MES。最后，正在为支持防篡改的、可验证的数据库引入区块链技术。