跳转至

未来信息综合

信息物理系统技术概述

  • CPS 技术分为四大核心技术要素：
    • “一硬”（感知和自动控制，是 CPS 实现的硬件支撑）
    • “一软”（工业软件，CPS 核心）
    • “一网”（工业网络，是网络载体）
    • “一平台”（工业云和智能服务平台，是支撑上层解决方案的基础）。

人工智能技术概述

  1. 人工智能的概念

    人工智能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，感知环境、获取知识并使用知识获得最佳结果 的理论、方法、技术及应用系统。人工智能根据是否能真正实现推理、思考和解决问题，分为 弱人工智能 和 强人工智能。

  2. 人工只能的发展历程

  3. 人工智能关键技术

    • 自然语言处理
    • 计算机视觉
    • 知识图谱
    • 人机交互
    • 虚拟现实或增强现实

    • 机器学习

      1. 按学习模式不同分为 监督学习 （需要提供标注样本集）、无监督学习 （不需提供标注的样本集）、半监督学习 （需提供少量标注的样本集）、 强化学习 （需反馈机制）。
      2. 按学习方法不同分为 传统机器学习 （需手动完成）、深度学习 （需大量训练数据集和强大 GPU 服务器提供算力）。
      3. 机器学习常见算法：迁移学习、主动学习、演化学习。

机器人技术概述

  • 定义：具体脑、手、脚等三要素个体；具有非接触传感器和接触传感器；具有平衡觉和固定觉的传感器。

  • 发展历程：第一代机器人（示教再现型机器人）→ 第二代机器人（感觉型机器人）→ 第三代机器人（智能型机器人）。

  • 机器人 4.0 核心技术：包括 云—边—段 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。

  • 机器人分类

  • 按控制方式分：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。
  • 按应用行业分：工业机器人、服务机器人、特殊领域机器人。

边缘计算

边缘计算就是将数据的处理、应用程序的运行以及一些功能服务的实现，由网络中心下放到网络边缘节点上。关于边缘计算的具体定义目前有以下几种观点：

  1. 边缘计算产业联盟对边缘计算的定义：云计算在数据中心之外汇聚节点的延伸和演进，包括云边缘、边缘云和云化网关三类落地形态；以“边云协同”和“边缘智能”为核心和发展方向。
  2. OpenStack 社区的定义概念：为应用开发者和服务提供商在网络边缘侧提供云服务和 IT 环境服务，目标是在靠近数据输入或用户的地方提供计算、存储和网络带宽。
  3. ISO/IEC JTC1/SC38 对边缘计算给出的定义：在靠近物或数据源头的网络边缘侧，融合网络、计算、存储、应用核心能力的开放平台，就近提供边缘智能服务。
  4. 国际标准组织定义：提供移动网络边缘 IT 服务和计算能力，靠近移动用户。

边缘计算的特点

边缘计算的特点包括联接性、数据第一入口、约束性、分布性。具体内容如下：

  1. 联接性：所联接物理对象的多样性及应用场景的多样性，需要边缘计算具备丰富的联接功能，如各种网络接口、网络协议等。
  2. 数据第一入口：边缘计算拥有大量、实时、完整的数据，可基于数据全生命周期进行管理与价值创造，将更好地支撑预测性维护、资产效率与管理等创新应用。
  3. 约束性：边缘计算产品需适配工业现场相对恶劣的工作条件与运行环境。在工业互联场景下，对边缘计算设备的功耗、成本、空间也有较高的要求。边缘计算产品需要考虑通过软硬件集成与优化，以适配各种条件约束，支撑行业数字化多样性场景。
  4. 分布性：边缘计算实际部署天然具备分布式特征。这要求边缘计算支持分布式计算与存储、实现分布式资源的动态调度与统一管理、支撑分布式智能、具备分布式安全等能力。

边云协同

  1. 资源协同：边缘节点提供计算、存储、网络、虚拟化等基础设施资源，具有本地资源调度管理能力，同时可与云端协同，接受并执行云端资源调度管理策略，包括边缘节点的设备管理、资源管理以及网络连接管理。
  2. 数据协同：边缘节点主要负责现场/终端数据的采集，按照规则或数据模型对数据进行初步处理与分析，并将处理结果以及相关数据上传给云端；云端提供海量数据的存储、分析与价值挖掘。边缘与云的数据协同，支持数据在边缘与云之间可控有序流动，形成完整的数据流转路径，高效低成本对数据进行生命周期管理与价值挖掘。
  3. 智能协同：边缘节点执行推理，实现分布式智能；云端开展模型训练，并将模型下发边缘节点。
  4. 应用管理协同：边缘节点提供应用部署与运行环境，并对本节点多个应用的生命周期进行管理调度；云端主要提供应用开发、测试环境，以及应用的生命周期管理能力。
  5. 业务管理协同：边缘节点提供模块化、微服务化的应用/数字孪生/网络等应用实例；云端主要提供按照客户需求实现应用/数字孪生/网络等的业务编排能力。
  6. 服务协同：边缘节点按照云端策略实现部分 ECSaaS 服务，通过 ECSaaS 与云端 SaaS 的协同实现面向客户的按需 SaaS 服务；云端主要提供 SaaS 服务在云端和边缘节点的服务分布策略，以及云端承担的 Saas 服务能力。

边缘计算的安全

边缘安全的价值体现在：提供可信的基础设施、为边缘应用提供可信赖的安全服务、提供安全可信的网络和覆盖。

边缘计算应用场合

边缘计算应用场合包括智慧园区、安卓云与云游戏、视频监控、工业物联网、Cloud VR。

数字孪生体技术概述

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、预测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。

数字孪生体的核心技术：建模、仿真和基于数据融合的数字线程。

数字孪生体主要应用于：制造、产业、城市、战场。

数字孪生生态系统由基础支撑层、数据互动层、模型构件与仿真分析层、共性应用层和行业应用层组成。其中基础支撑层由具体的设备组成，包括工业设备、城市建筑设备、交通工具、医疗设备组成。数据互动层包括数据采集、数据传输和数据处理等内容。模型构件与仿真分析层包括数据建模、数据仿真和控制。共性应用层包括描述、诊断、预测、决策四个方面。行业应用层则包括智能制造、智慧城市在内的多方面应用。

云计算和大数据技术概述

  1. 云计算的服务方式

  2. 软件即服务（SaaS）：服务提供商将应用软件统一部署在云计算服务器上。

  3. 平台即服务（PaaS）：服务提供商将分布式开发环境与平台作为一种服务来提供。

  4. 基础设施即服务（IaaS）：服务提供商将多台服务器组成“云端”基础设施作为计量服务提供给客户。

  5. 云计算的部署模式：公有云、社区云、私有云、混合云。

  6. 大数据的分析步骤

    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 → 数据解释。

  7. 大数据应用领域：制造业、服务业、交通行业、医疗行业。