未來的自動化安全將涉及機器學習。人工智能和機器學習的進步，可以促使機器人和其它工業設備從大量與安全相關的數據中學習。

工業安全措施的主要重點之一是盡可能地將機器與運行人員隔離。自動化設備的技術進步使得機器尤其是協作機器人，可以近距離與操作人員協同工作。由于采用了圓形邊緣和力反饋傳感器等功能，這些先進技術有助于減少操作人員與機器接觸時受傷的可能性。

此外，自動化系統正在從固定式向自主移動式過渡。一個可行的生產制造解決方案是將協作機械臂連接到可以自主導航的移動基座。為了使控制設計工程師能夠采用降低風險的措施，進行諸如此類的創新，需要了解該技術的要求、其潛在的風險以及操作人員使用該技術的方式。

隨著系統變得越來越復雜，制造企業分析適用于降低風險計劃的所有數據變得越來越具有挑戰性。信息量可能不堪重負，并且用于控制決策過程的機制也受到限制。通過人工智能（AI）技術提供的更多選擇，可以幫助自動化設計人員克服這些限制。這種質量加上其強大的數字處理能力使AI成為自動化系統的重要組成部分。

未來的工廠將使用人工智能和移動機械手來提高質量、靈活性、效率和可追溯性。

明確安全要求

涉及安全相關的電氣、電子和可編程電子控制系統的IEC62061標準，將功能安全定義為：機器和機器控制系統整體安全的一部分，取決于安全相關電氣控制系統（SRECS）、其他技術安全相關系統和外部風險降低措施功能的正確執行。

重新定義目標時此定義更有意義，即在發生故障時，設計的系統能夠以可預測的方式發生故障。制造業已經精通硬件解決方案。安全標準為制造商、集成商和最終用戶提供了最佳實踐方法，以達到這些解決方案可承受的風險水平。我們還可以利用這些標準來幫助確定開發技術的安全要求。

當前，尚無專門針對與移動平臺集成的工業機器人的安全標準。我們可以從現有安全標準中收集相關信息，例如用于風險評估的ANSIB11.0或ISO12100，用于工業機器人系統的ANSIRIAR15.06或ISO10218-2，用于協作機器人的ANSI/RIAR15.606或ISO15066，適用于工業卡車的ANSI/ITSDFB56.5或EN1525（將被ISO3691-4取代），以及用于故障預測和驗證的ISO13849-1。供應商手冊中應提供危險源和推薦的降低風險措施。

在確定適用的標準之后，工程師需要對影響空間的事物進行評估和設計，例如工作流、障礙、可及性、誤用和培訓等。技術也起著重要作用，因為反饋誤差會引起測量噪聲，從而影響位置跟蹤，并且關節的順應性可能會具有固有地不確定性。工程師還應考慮系統吸收能量的方式、限制力的方法以及安全功能的應用。

自主移動機器人可以使用機載地圖軟件，對設施進行自主導航。

集成人工智能

就近期來講，確保技術安全的主要挑戰不是缺乏適用的信息，而是信息過多。當變量太多時，開發二進制規則以代表過去經驗的主要局限，就變得更加明顯。由于技術進步的發展速度要快于標準的制定，設計師常常被迫預測未來的趨勢。這導致他們可能高估或低估了必要的安全功能。

如果制造商擴展其工具集以支持數據處理和決策過程，則可以更有效地處理此信息。特別是，他們可以通過AI和機器學習算法找到一個受歡迎的解決方案。人工智能系統可以根據可用的案例研究和數據分析推薦新的系統特定準則。

機器學習通過分析大量數據來發現隱藏的相關性，從而發現使用傳統的統計工具無法輕易看到的潛在模式和趨勢。人們可以從這些相關關系中找到抽象模型，并進行實驗以確定模型的運行情況。設計人員和工程師可以依靠智能系統來指導設計，以確保使用最佳方法和滿足客戶所需的解決方案。

AI對于消除可能妨礙決策的偏見至關重要。由于記憶是大腦做出決定的重要組成部分，因此專家對過去經驗的理解會產生偏見，從而影響他們應對新情況的判斷。專家也可能無法意識到關鍵信息的缺失，或者在決策過程的開始就犯了從終端解決方案入手的錯誤。機器學習算法減少了偏差，因為它們使用有監督的訓練集或無監督的起點，在當前和實際數據中找到有助于解決過程中特定問題的模式。

數據驅動的挑戰

將AI引入工業設備背后的驅動力，是當今制造工廠中大量與安全相關的信息過剩。那里有太多數據，即使是經驗豐富的工人，也難以學習和記憶所有數據，更不用說剛踏入制造行業的初級員工。通過讓機器自己學習，制造企業可以利用功能強大的降低風險工具。這些工具可以在不斷變化的環境中，提供和安全要求相關的短期和長期數據。

如今，安全解決方案中應用的所有內容，都是基于工程師、操作人員和制造商過往的經驗。從這個意義上講，人工智能并沒有什么不同。無論是人還是算法，一開始都不了解具體應用情境下的工業安全知識，我們所有人都必須使用過去經驗中的點點滴滴來建立聯系，并將其應用于新的情況。我們需要了解哪些有效、哪些無效，然后利用這些知識做出未來的決策。AI的工作方式與此相同。
責任編輯：YYX