Académique Documents
Professionnel Documents
Culture Documents
Répartition de l'intelligence entre le cloud, le brouillard et la périphérie dans l'industrie
Systèmes cyberphysiques
2 2 1
, Joseph
´ ´
Jonas Queiroz1 , Paulo Leitao Barbosa et Eugenio Oliveira
1Université de Porto, Faculté d'Ingénierie LIACC, Porto, Portugal
´
2Centre de recherche en numérisation et robotique intelligente (CeDRI), Instituto Politecnico de Braganc¸a, Braganc¸a, Portugal
Mots clés: Systèmes cyberphysiques, Edge Computing, Intelligence artificielle, Analyse de données, Systèmes multiagents.
Abstrait: L'avènement de la 4ème révolution industrielle favorise la réorganisation des systèmes d'automatisation hiérarchiques
traditionnels vers des systèmes cyberphysiques décentralisés (CPS). Dans ce contexte, l'intelligence artificielle (IA) peut
répondre aux nouvelles exigences grâce à l'utilisation d'approches de résolution de problèmes basées sur les données et
distribuées, telles que celles basées sur l'apprentissage automatique et les systèmes multiagents. Malgré leurs perspectives
prometteuses pour permettre et gérer des environnements intelligents de l'Internet des objets, les approches traditionnelles
d'IA basées sur le cloud ne sont pas adaptées pour gérer de nombreux scénarios industriels, contraints par la réactivité et la
sensibilité des données. La solution consiste à tirer parti de l'Edge and Fog computing pour créer une infrastructure
informatique décentralisée d'analyse de données à plusieurs niveaux qui prend en charge le développement de CPS
industriels. Cependant, ce n'est pas une tâche simple, posant plusieurs défis et exigeant de nouvelles approches et
technologies. Dans ce contexte, ce travail traite de la distribution de l'intelligence le long des couches informatiques Cloud,
Fog et Edge dans les CPS industriels, en tirant parti de certains défis de recherche et des orientations futures.
1. INTRODUCTION sont capables d'apprendre et d'extraire des modèles à partir de
données, en concevant des modèles de prédiction et de décisions
L'ère de la 4e révolution industrielle (4RI), communément appelée basées sur les données. L'augmentation de la puissance de
I4.0, favorise la numérisation des usines traditionnelles vers des traitement informatique ainsi que la disponibilité d'énormes
usines intelligentes plus flexibles, robustes, efficaces, adaptatives quantités de données, principalement alimentées par l'IoT, ont
et compétitives (Lu, 2017). Cette révolution repose sur plusieurs contribué à leur adoption croissante dans diverses applications.
technologies TIC disruptives, à savoir l'Internet des Objets (IoT), Cependant, l'IA va audelà des algorithmes ML, fournissant
le Cloud Computing, le Big Data et le MachineLearning (ML), également des approches distribuées, telles que celles basées
qui sont collées par des CyberPhysical Systems (CPS) (Bauer sur le système multiagents (MAS) (Wooldridge, 2002), qui
et al., 2015) . Les CPS comprennent un ensemble d'entités fonctionnent comme des vaisseaux pour les algorithmes d'IA. Le
coopérantes et autonomes en réseau, combinant des contreparties MAS s'adapte complètement au CPS en raison de ses
cybernétiques et physiques. Ils sont capables de résoudre des caractéristiques inhérentes de modularité, d'autonomie et de
problèmes dans des systèmes complexes et à grande échelle coopération (Leitao˜ et al., 2016). Dans une telle approche, le
que l'on retrouve dans la fabrication intelligente, les villes comportement du système émerge de l'interaction entre les
intelligentes, les réseaux électriques intelligents et la santé agents autonomes, où les décisions sont prises de manière
intelligente (Leitao et al., 2016 ; Khaitan et McCalley, 2015). décentralisée, par opposition aux structures centralisées qui ne
˜
sont pas en mesure de répondre aux exigences liées à la
Dans ce contexte, l'intelligence artificielle (IA) est un flexibilité, à la robustesse et à la disponibilité. reconfigurabilité à la volée.
catalyseur clé pour la réalisation des CPS envisagés et de leurs Cela soulève des questions pertinentes concernant
fonctionnalités, telles que l'autonomie, la conscience de soi et la lesquelles, comment et où ces technologies génériques clés
reconfigurabilité dynamique. Dans les environnements industriels, devraient être déployées. Traditionnellement, les infrastructures
l'utilisation de l'IA peut contribuer à développer des systèmes Cloud fournissent des capacités de stockage et de traitement à
intelligents d'aide à la décision et de contrôle, des machines et la demande. Cependant, CPS va audelà des applications IoT
des produits intelligents, et par conséquent des systèmes de traditionnelles, en envisageant des appareils dotés de capacités
production et des usines intelligents (Wuest et al., 2016 ; Lee et de traitement intégrées, capables de prendre des décisions et
al., 2018). Par exemple, l'IA fournit des algorithmes de ML qui d'interagir avec d'autres entités. Dans ce contexte, le de
447
Queiroz J, Leitão P, Barbosa J et Oliveira E.
Distribution de l'intelligence entre le cloud, le brouillard et la périphérie dans les systèmes cyberphysiques industriels.
DOI : 10.5220/0007979404470454 Dans
Actes de la 16e Conférence internationale sur l'informatique dans le contrôle, l'automatisation et la robotique (ICINCO 2019), pages 447454 ISBN : 9789897583803
Copyright c 2019 par SCITEPRESS – Publications scientifiques et technologiques, Lda. Tous les droits sont réservés
Machine Translated by Google
ICINCO 2019 16e Conférence internationale sur l'informatique dans le contrôle, l'automatisation et la robotique
développement de Fog et Edge Computing (CISCO, 2015) ont permis principalement dans des scénarios à forte intensité de données où le
de déployer des capacités de traitement de données à proximité des transfert de grandes quantités de données peut être coûteux et entraîner
sources de données, répondant ainsi à des exigences industrielles des problèmes de latence et des goulots d'étranglement du réseau
importantes, telles que la sensibilité aux données, la réactivité et la (Bonomi et al., 2014 ; Xu et al., 2014 ; Breivold et Sandstrom, 2015). ̈
bande passante réseau contrainte (Breivold et Sandstrom, 2015 ). Alors Bien que la technologie Cloud ait été largement utilisée par les
¨
que les systèmes physiques sont déployés à la périphérie, les entreprises basées sur le Web, son adoption dans d'autres domaines,
cybersystèmes sont répartis le long des couches Fog et Cloud. tels que les soins de santé, les transports, l'énergie et la fabrication, a
considérablement augmenté. Dans ce contexte, le Cloud fournit un
Cet article vise à fournir une discussion et à soulever des concepts, cadre de travail très approprié pour gérer les quantités massives de
des technologies, des défis et des avantages concernant la manière données, répondant à leur demande croissante de services de gestion
dont l'intelligence, en particulier liée à l'analyse de données, peut être de l'information et d'analyse de données. Dans le 4IR, il a été considéré
distribuée et équilibrée le long des couches Cloud, Fog et Edge pour le comme un nouveau paradigme de fabrication (Ren et al., 2017 ; Bauer
développement de CPS industriels. Alors que certains avantages directs et al., 2015 ; Lu, 2017).
englobent la conception et le développement de systèmes plus
autonomes et adaptatifs, les défis surgissent avec la complexité
croissante de la gestion de cette distribution. 2.2 Brouillard Nuage plus proche de la source de données
Le reste de ce document est organisé comme suit. La section 2
Bien que le Cloud offre des solutions efficaces pour gérer l'énorme
passe en revue les concepts de Cloud, Fog et Edge Computing, et la
volume de données, il existe une demande croissante d'applications
section 3 traite de la répartition de l'intelligence par ces couches. La
réseau en temps réel, sensibles aux données et contraintes (par
section 4 aborde les défis connexes dans les CPS industriels et indique
exemple, dans le domaine industriel) (Xu et al., 2014 ; Breivold et
quelques directions de recherche. Enfin, la section 5 résume le ¨
Sandstrom , 2015). Dans ce contexte, le Fog Computing (Bonomi et al.,
document avec les conclusions.
2014) a été mis à profit comme un paradigme complémentaire pour
couvrir les limites des approches Cloud centralisées, en relevant les
défis pour effectuer l'analyse des données localement, à proximité des
sources de données (Chiang et Zhang, 2016 ).
2 CLOUDFOGEDGE POUR CPS
Il comprend une couche entre les applications Cloud et les appareils
Dans le contexte du CPS, ces paradigmes informatiques définissent IoT, fournissant un lien plus direct, fiable, sécurisé et rapide entre eux,
quoi, où et comment les ressources informatiques sont déployées. Bien réduisant également la quantité de données et transmettant des
que les termes Fog et Edge Computing aient été utilisés de manière informations plus significatives au Cloud. À ce niveau, le traitement des
interchangeable (Chiang et Zhang, 2016), ce document suit la définition données peut être effectué par des équipements réseau, des ordinateurs,
où Fog comprend la couche intermédiaire entre les appareils Cloud et des appareils mobiles, ainsi que des serveurs locaux (Bonomi et al.,
IoT, tandis que Edge considère les appareils finaux basés sur l'IoT avec 2014).
des capacités de traitement intégrées. Fog hérite de la plupart des technologies Cloud, mais compte tenu
du matériel contraint. De plus, il permet la décentralisation de l'analyse
des données, de la prise de décision et du contrôle, augmentant
2.1 Cloud Tout en tant que service l'autonomie des composants locaux, contribuant ainsi au passage de la
pyramide d'automatisation centralisée traditionnelle à une approche
décentralisée, flexible et autoorganisée. Outre les avantages
Le cloud envisage le calcul et le stockage de données à hautes
susmentionnés, il fait face à certains défis, par exemple, l'utilisation
performances, favorisant le passage des ressources informatiques
d'appareils à usage non général, le manque de cadres pour le
locales des entreprises aux centres de données distants à grande
développement d'algorithmes optimisés pour les appareils contraints, et
échelle, qui sont fournis en tant que services sur Internet (Duan et al.,
pour la gestion des nœuds Fog et de leurs services (Shi et al ., 2016).
2015). Le cloud offre un large pool de ressources virtualisées, gérées
de manière dynamique et transparente, et suivant un modèle multi
locataires et de paiement à l'utilisation (Mell et al., 2011).
Malgré ses avantages, le Cloud présente quelques inconvénients 2.3 Edge La périphérie de l'IoT
qui entravent son adoption à grande échelle comme modèle d'affaires
pour de nombreuses entreprises. Par exemple, la sécurité et la La périphérie extrême du réseau est représentée par des appareils
confidentialité des informations sont des préoccupations importantes basés sur l'IoT qui ont généralement des ressources de calcul limitées,
(Xiao et Xiao, 2013), car les entreprises craignent que des tiers limitées à la collecte et à l'envoi de données ou à l'exécution de
contrôlent leurs données sensibles. La connexion au réseau et la bande commandes. Cependant, il existe un nombre croissant d'appareils et de
passante sont d'autres préoccupations, platesformes IoT avec considération
448
Machine Translated by Google
Répartition de l'intelligence entre le cloud, le brouillard et la périphérie dans les systèmes cyberphysiques industriels
ressources informatiques embarquées performantes (AlFuqaha
et al., 2015). Comme dans Fog Computing, l'accent est
principalement mis sur la prise en charge de l'analyse des données
locales, mais elle est désormais directement intégrée à l'appareil
luimême. Dans ce domaine, il existe un nombre croissant
d'applications d'IA (par exemple, le traitement en ligne de la parole,
des images et des vidéos), qui poussent au développement de
puces d'IA dédiées pour ces dispositifs et équipements connexes (Ota et al., 2017).
L'Edge fait également face à plusieurs limites (Al Fuqaha et
al., 2015), principalement concernant l'hétérogénéité des appareils
et des platesformes, ce qui augmente la complexité du
développement d'applications, conduisant à des solutions
propriétaires et non standardisées. Une autre question concerne
la manière d'activer Edge Computing dans le grand nombre
d'équipements hérités qui ne peuvent pas être simplement
Figure 1 : Répartition de l'intelligence entre CloudFogEdge.
remplacés par des équipements modernes. En ce qui concerne la
sécurité, bien que le traitement local puisse aider à l'anonymisation
analyse en périphérie » telle que soutenue par J. Truchard de
des données, connecter de tels appareils au réseau demande des
National Instruments à l'IFAC IMS'16, et « l'analyse des données
procédures de sécurité supplémentaires.
à proximité de l'appareil qui a collecté les données peut faire la
Les appareils Edge sont représentés par des appareils IoT
différence entre éviter une catastrophe et une défaillance système
avancés, tels que ceux basés sur des systèmes sur puce et des
en cascade » (CISCO, 2015 ).
ordinateurs à carte unique (par exemple, FPGA, Raspberry Pi et
smartphones). Ils comprennent également des passerelles En ce qui concerne la distribution de l'intelligence, la figure 1
d'appareils, c'estàdire des appareils qui connectent un ensemble (côté droit) illustre comment différents types de tâches liées à
d'appareils fortement contraints au réseau. Dans l'industrie, ces l'industrie pouvant être prises en charge par des approches d'IA
dispositifs incluent les contrôleurs logiques/d'automatisation peuvent être distribuées du Cloud à la périphérie. Cette distribution
programmables (PLC/PAC), qui présentent déjà des capacités de n'est pas unique, une même tâche pouvant coexister dans
traitement avancées et une connexion réseau basée sur des différentes couches, gérant différentes fonctionnalités du système.
protocoles standardisés comme OPCUA. Plus de détails concernant l'application de l'IA/ML dans les
environnements industriels peuvent être trouvés dans les
enquêtes (Fei et al., 2019 ; Wang et al., 2018).
Le tableau 1 résume plusieurs aspects de l'IA axée sur les
3 DISTRIBUTION IA DANS CPS données de Cloud, Fog et Edge dans les CPS industriels. En
général, à Edge ou Fog, l'intelligence est régie par des tâches
3.1 Intelligence au Cloud, Fog et Edge d'analyse de données simples et basées sur des règles. Puisqu'ils
comprennent des environnements d'exécution plutôt que de
Actuellement, il existe un engouement pour l'utilisation du cloud développement, c'estàdire qu'ils ne sont pas conçus pour créer
pour stocker l'énorme volume de données en temps réel collectées ou entraîner des modèles de données ML, qui doivent être exécutés dans le Cloud.
par un grand nombre d'appareils IoT et pour exécuter de puissants Par exemple, des modèles de données de classification et de
algorithmes d'analyse de données afin d'extraire des connaissances prédiction peuvent être facilement déployés sur ces appareils, car
précieuses liées à la prédiction et à l'optimisation. En effet, après la création du modèle, leur exécution comprend la simple
plusieurs rapports, notamment McKinsey (Bauer et al., 2015) et vérification d'un ensemble de règles ou d'équations (par exemple,
PwC (Geissbauer et al., 2016), désignent le Cloud Computing arbre de décision ou même algorithmes de réseau de neurones).
comme une technologie disruptive pour la mise en œuvre de Par exemple, en ce qui concerne le Deep Learning, il existe
l'Industrie 4.0. Cependant, le Cloud n'est pas la solution à tout, plusieurs travaux qui proposent la distribution des couches de
certaines données nécessitant d'être traitées au plus près de leur réseau de neurones le long du Cloud to Edge, ce qui en plus de
source et en temps réel. De plus, l'envoi, le stockage et le décharger le calcul dans les serveurs centraux peut également
traitement de toutes les données dans le Cloud pourraient être fournir une réponse locale rapide et partielle (Li et al., 2018).
coûteux, limités par la latence et la connectivité du réseau. De plus, si l'on considère les appareils Edge avec leurs
ressources limitées et leur vue très locale et incomplète du
En ce sens, l'enjeu réside dans la distribution de l'intelligence système, les résultats de l'analyse des données seront très simples
par les couches Cloud, Fog et Edge, comme illustré sur la Figure et très incertains. D'autre part, au Fog, il est possible de réduire
1. En fait, cette distribution est fortement conseillée, où il ne faut « les niveaux d'incertitude, car les équipements associés ont plus
pas envoyer toutes les données collectées à traiter dans le Cloud, de puissance de calcul et une large vision de l'en
mais au lieu de faire
449
Machine Translated by Google
ICINCO 2019 16e Conférence internationale sur l'informatique dans le contrôle, l'automatisation et la robotique
Tableau 1 : Aspects IA basés sur les données de Cloud, Fog et Edge dans les CPS industriels.
virement. La diversité des composants Fog permet d'héberger des niveaux de complexité plus élevés, principalement en ce
presque tous les types d'applications basées sur l'IA. En ce qui concerne son rôle de passerelle, car il doit prendre en
sens, les nœuds Fog sont responsables d'une variété charge l'intégration d'un grand nombre d'appareils, de
d'applications gourmandes en données, y compris l'intégration protocoles et de technologies hétérogènes. En ce sens, il est
et le traitement de plusieurs flux en temps réel. clair qu'il devrait exister un équilibre des ressources de calcul
Compte tenu de tous ces aspects, aux niveaux Edge et entre chacune de ces couches, et tout aussi important qu'une
Fog, quelques exemples d'applications qui utilisent l'IA dans interconnexion appropriée entre elles.
l'automatisation industrielle incluent la surveillance en temps
réel du système, la détection précoce des anomalies et les 3.2 Connexion des couches de calcul
diagnostics locaux (Aazam et al., 2018).
Outre ses ressources de calcul pratiquement illimitées, le Il ne fait aucun doute que la décentralisation de l'analyse des
Cloud offre la centralisation des données combinée à de données des couches Cloud vers Fog et Edge est essentielle
puissantes capacités de traitement, ce qui peut alléger la pour répondre aux exigences 4IR. Cependant, cela ne dépend
complexité de l'analyse des données. Cela rend le Cloud pas seulement de la décentralisation des tâches, mais de la
adapté au développement de solutions d'analyse de Big Data manière dont les composants sont interconnectés verticalement
tant au niveau opérationnel qu'au niveau métier, et en particulier et horizontalement, et de la manière dont ils peuvent se soutenir
compte tenu de leur intégration. Contrairement à Edge et Fog, les uns les autres. Dans ce contexte, l'IA va audelà des
qui conviennent parfaitement aux niveaux opérationnels, le approches axées sur les données ML, où MAS peut prendre
Cloud répond mieux aux besoins des entreprises et des en charge la conception et la gestion de tels composants,
entreprises, car il peut faire face à des problèmes de latence, permettant de développer des systèmes distribués intelligents
de bande passante et de sécurité. En ce sens, la plupart des et autoorganisés. Les SMA sont basés sur le concept d'agents
tâches opérationnelles nécessiteront une infrastructure privée autonomes et coopératifs, qui fonctionnent comme un réservoir
d'entreprise basée sur le Cloud ou le Fog. pour différents types d'algorithmes d'IA de traitement et de
En résumé, le cloud offre une optimisation et une contrôle. En ce sens, les agents peuvent être répartis le long
amélioration continue, mais manque de réactivité, tandis que des couches Cloud, Fog et Edge, encapsulant les fonctionnalités
les appareils Edge sont limités en ressources et peuvent du système et collaborant les uns avec les autres (Pico
facilement saturer avec le traitement, mais offrent une Valencia et HolgadoTerriza, 2018 ; Wang et al., 2016 ; Leitao
˜
surveillance en temps réel et une réponse rapide. Le brouillard et al., 2016).
peut aider à réduire la surcharge du Cloud et de la périphérie, Bien que MAS puisse fournir des interfaces de
et en même temps gérer d'autres problèmes. D'autre part, communication standardisées capables de faire face à la
comparé à Edge et Cloud, Fog peut présenter complexité posée par l'hétérogénéité des appareils, ils le font généralement
450
Machine Translated by Google
Répartition de l'intelligence entre le cloud, le brouillard et la périphérie dans les systèmes cyberphysiques industriels
ne pas respecter les contraintes dures en temps réel ou cal) l'analyse des données, exige des préoccupations particulières
fonctionner dans des dispositifs contraints, tels que ceux trouvés concernant le type de capacités de traitement des données à
au niveau de la couche Edge (Calvaresi et al., 2017). Dans de tels effectuer dans chaque couche de calcul, ainsi que les mécanismes
scénarios, les agents peuvent être déployés au niveau des de gestion de l'interaction des composants (horizontal et vertical)
couches Fog et Cloud, tandis que les composants Edge doivent et d'autres problèmes de communication et d'interopérabilité.
interagir à l'aide de solutions de communication IoT légères ou
orientées services standardisées, par exemple MQTT, CoAP ou OPCUA. De plus, des mécanismes et des politiques doivent être
Dans ce contexte, alors que l'Edge couvre les systèmes conçus pour faire face à la complexité du système et au
physiques, le Fog et le Cloud englobent une couche intermédiaire comportement émergent, obligeant les composants à respecter un
et une couche de haut niveau de systèmes cyber. Fog prend ensemble de règles et de contraintes, garantissant ainsi également
directement en charge Edge, principalement en ce qui concerne la qualité de service et la confiance, concernant la fiabilité et la
les tâches limitées dans le temps, tout en déchargeant les sécurité des informations et des ressources partagées. .
systèmes Cloud. D'autre part, les applications Cloud ont une vue
globale du système, ce qui leur permet de prendre en charge les 4.2 Machines et produits intelligents
composants de la couche inférieure. Par conséquent, les
applications Cloud tirent parti des données opérationnelles Le développement de machines et de produits intelligents est un
combinées aux informations commerciales pour fournir des autre aspect clé du CPS industriel. Le défi ne se limite pas à
informations exploitables au personnel et aux ingénieurs au niveau l'utilisation de la prochaine génération d'équipements intelligents
de l'entreprise. En plus de soutenir la prise de décision stratégique qui prennent en charge nativement les fonctionnalités d'IA, mais
ou les ingénieurs opérationnels (par exemple, améliorer leurs principalement à adapter les approches traditionnelles et à les
compétences lors de la planification et de l'exécution des intégrer dans les platesformes d'appareils contraintes existantes.
interventions), il peut générer des connaissances à utiliser dans Cela nécessite la nécessité d'envisager des approches de
les différentes couches (par exemple, des règles mises à jour pour les systèmes de esn
migration urveillance
douceur. à la périphérie) .
L'intelligence de ces composants sera obtenue grâce au
développement d'algorithmes et de politiques collaboratifs
décentralisés autoreconfigurables et de coordination. Ces
4 DÉFIS
mécanismes peuvent augmenter l'autonomie, la flexibilité et le
temps de réponse, mais aussi la complexité du système et de ses
Comme indiqué précédemment, l'IA est un catalyseur pour le
composants, constituant ainsi un compromis majeur par rapport
développement de CPS industriels, jouant deux rôles principaux :
aux approches centralisées. La nervosité de l'adaptation du
fournir des approches axées sur les données pour doter les
système est un autre problème dans de tels environnements auto
composants physiques et cybernétiques de capacités d'analyse
reconfigurables et distribués qu'il convient de gérer.
de données, et fournir des approches de système distribué et de
gestion des connaissances pour doter ces composants d'autonomie,
capacités de raisonnement et de collaboration. Dans ce contexte,
D'autre part, permettre à ces composants de prendre des
plusieurs préoccupations croisées peuvent être mises à profit tout
décisions et de contrôler de manière autonome soulève plusieurs
au long du développement des CPS industriels, telles que celles
problèmes de sécurité, par exemple, lors de l'examen de leur
illustrées à la figure 2. Sur cette base, certains défis scientifiques
interaction avec les personnes. Dans ce contexte, le manque
et technologiques peuvent être identifiés, tels que ceux répertoriés
d'explication explicite des résultats des approches ML est l'une
dans le tableau 2. Leur développement attendu diffi Les priorités
des principales raisons qui empêchent les systèmes de contrôle
de la culture et de l'entreprise sont également présentées, sur la
entièrement autonomes basés sur l'IA. Ainsi, des recherches
base des visions, des exigences et des technologies 4IR.
supplémentaires sont nécessaires pour assurer le comportement
déterministe des approches d'IA et dans quel type d'applications
4.1 Décentralisation industrielles elles pourraient être appliquées en toute sécurité.
Toujours dans ce contexte, la certification des logiciels d'IA est
La répartition des capacités de traitement des données contribue
une question importante qui devrait être abordée pour assurer la
à la décentralisation de la prise de décision et du contrôle, ce qui
sécurité et le bon fonctionnement de ces systèmes.
est crucial pour la pleine réalisation des CPS industriels,
Une autre exigence essentielle dans le domaine industriel
principalement en ce qui concerne l'adaptabilité et l'autonomie du
est liée au développement de l'analyse prédictive. Cependant,
système. Cependant, ce n'est pas une tâche simple, présentant
compte tenu de l'impact de la prédiction dans la prise de décision
plusieurs problèmes, par exemple la performance des approches
industrielle, elle n'est utile que lorsqu'elle présente une grande
d'IA centralisées conventionnelles basées sur les données peut
précision et un temps de réponse approprié.
être considérablement affectée lorsque l'on considère un petit
ensemble d'attributs ou un nombre d'échantillons. Ainsi, ce multi
niveaux (glocal global et lo
451
Machine Translated by Google
ICINCO 2019 16e Conférence internationale sur l'informatique dans le contrôle, l'automatisation et la robotique
Communication
Bord En réseau basée sur l'IoT
est soutenu par Dispositifs Comm. M2M, négociation,
est basé sur
sont collaboration, partage d'informations &
confiance (mécanismes & protocoles)
ressources contraintes Autoorganisation
ont (traitement, mémoire, stockage) Approches distribuées (MAS)
Source de courant les soutiens
Techniques capteurs,
tâches, environnement Informatique
Contrôle : stochastique Interface
Analyse des
Contrôle Homme
déterministe / discret
données de périphérie Systèmes
continu machine Brouillard
permet physiques
Nœuds
intelligents Plateformes, fournisseurs
Intégrer l'IA/ML
& infrastructures cloud (public/privé)
Réactivité Env.
Portabilité, ergonomie, utilisabilité, dynamique. & vue/contexte limités
Conformité au business
Incertitude de l'analyse des
interactivité
model
Plateformes, interfaces utilisateurs données Analyse des flux
complément Services de gestion de
Interaction et collaboration
données (Stockage/Analyse)
avec les machines interagir avec >
les soutiens Virtualisation / XaaS
< recevoir de l'aide
Cyber systèmes & Digital Twin
produit >
Informations exploitables Précision de Solutions basées
< consomme
sortie, resp. temps, interprétabilité et qualité sur le cloud
Données
de service
ML/Données Les services
Exploitation minière
d'analyse
Disponibilité/fréquence (stream/ hébergent des applications pour
les soutiens
batch)
Volume, variété/type (discret/ Entreprise : ressource d'entreprise
Informations de données Gestion
légende produit >
< consomme Réalité virtuelle/augmentée
Figure 2 : Préoccupations croisées de la décentralisation de l'IA vers les CPS industriels.
4.3 Mégadonnées industrielles ues. De plus, certaines applications peuvent nécessiter le transfert de
données brutes, par exemple Digital Twin. Cela renforce la nécessité
d'harmoniser le traitement des données à la périphérie.
Le Big Data industriel comprend principalement des données brutes
Dans le domaine industriel, principalement en ce qui concerne
de séries chronologiques de centaines à des milliers d'appareils
le niveau opérationnel, en plus de surmonter l'incertitude, la fiabilité
hétérogènes, complétées par des données commerciales (par
exemple, la logistique, les ventes et les clients). Dans ce contexte, et l'incomplétude des données, les algorithmes ML devraient être
capables de gérer des ensembles de données déséquilibrés ou non étiquetés.
outre la suppression des barrières entre les couches métier et
Les deux sont des aspects très courants dans de tels environnements,
opérationnelle, le défi est de développer des approches capables
étant donné que les anomalies ne sont pas si courantes et ne sont
d'utiliser de manière proactive les informations métier pour redéfinir le
généralement pas correctement étiquetées. Cela limite l'utilisation
cours des opérations et, de la même manière, adapter les stratégies
d'algorithmes d'apprentissage supervisé, ce qui soulève la nécessité
métier basées sur les données opérationnelles.
d'adopter des techniques pour appliquer les commentaires des
Comme mentionné cidessus, les données ont été considérées
utilisateurs dans l'annotation des échantillons de données. Cependant,
comme un atout clé dans toute industrie, mais la collecte et le stockage
l'interaction de l'utilisateur au niveau des couches Edge et Fog peut ne
de tout ne font qu'augmenter les coûts et la complexité pour en extraire
pas être réalisable, tirant ainsi parti de l'importance des approches
de la valeur. Malgré les avantages de prétraiter les données à proximité
d'apprentissage non supervisé aux niveaux opérationnels.
des sources de données, cela doit être manipulé avec précaution, car
certains algorithmes peuvent supprimer ou couvrir par erreur des
valeurs importantes.
452
Machine Translated by Google
Répartition de l'intelligence entre le cloud, le brouillard et la périphérie dans les systèmes cyberphysiques industriels
Tableau 2 : Défis pour la mise en œuvre de l'intelligence dans les CPS industriels.
Analyses prédictives et proactives
4.4 Infrastructures et outils 5. CONCLUSIONS
Il existe plusieurs défis, non seulement liés aux cadres, outils Dans le 4IR, les approches basées sur l'IA ne sont plus
et normes pour le développement et les tests, mais aussi en considérées comme de simples solutions prometteuses, mais
termes de professionnels dotés de compétences plutôt comme un must pour tout système industriel. D'autre
multidisciplinaires capables de développer et d'utiliser de tels part, malgré les grandes potentialités offertes par les
systèmes. Malgré l'existence de plusieurs frameworks pour approches d'IA basées sur le Cloud, il est clair qu'elles ne
assister et automatiser plusieurs tâches d'analyse de sont pas adaptées pour répondre à certaines exigences
données, étant généralement capable de trouver des modèles importantes des CPS industriels, à savoir la réponse rapide,
ML qui surpassent ceux développés à la main, la plupart des la bande passante limitée et la sensibilité des données. De
problèmes nécessitent encore une connaissance du domaine plus, envoyer toutes les données brutes vers le Cloud est
qui empêche l'automatisation complète du processus. Cela coûteux et n'a aucun sens, car la plupart d'entre elles n'ont
illustre que même compte tenu du niveau d'automatisation aucun sens et n'ont aucune valeur significative. Cependant,
plus élevé, la présence humaine sera toujours nécessaire les capacités de traitement aux niveaux physiques ou proches
pour développer, entretenir et également exploiter de tels systèmes sont très limitées, non seulement en raison des ressources
complexes.
Dans le même sens, les approches d'interaction homme de calcul limitées, mais aussi du manque de sensibilité au
agent visent à fournir des interfaces dynamiques, interactives contexte. Dans ce contexte, cet article souligne la nécessité
et intelligentes pour les logiciels et les systèmes physiques et l'importance de parvenir à une répartition équilibrée de
en interaction avec le personnel. Ces approches tirent parti l'intelligence et des capacités de calcul entre les couches
de la vision par ordinateur, de la reconnaissance vocale et informatiques Cloud, Fog et Edge, dans le but d'atteindre les
de la réalité augmentée/virtuelle pour créer un partenariat niveaux souhaités de personnalisation et d'adaptabilité dynamique envisagés par le
entre l'homme et le système qui peut améliorer leur La solution envisagée envisage de tirer parti des
productivité et leur efficacité, ainsi que la qualité des résultats. technologies fournies par chacune de ces couches pour créer
Un autre aspect important est la nécessité de tester et une infrastructure d'analyse de données décentralisée à
d'évaluer les solutions CPS avant le déploiement dans des plusieurs niveaux et collaborative pour la conception et le
environnements réels, permettant de démontrer leur faisabilité développement de machines, de produits et de systèmes
aux acteurs industriels. Dans ce contexte, un défi majeur intelligents. Dans ce contexte, il est soulevé et discuté des
réside dans le développement de frameworks et de bancs exigences émergentes, des compromis, des problèmes et de
d'essai CPS dédiés, prenant en compte des benchmarks et certains défis majeurs qui doivent être correctement relevés.
des études de cas réels, capables non seulement de soutenir Il est également indiqué certaines directions de recherche
l'intégration des technologies associées, mais également de liées aux concepts, approches et technologies clés pour
tester, surveiller et évaluer les applications distribuées et l'exploitation réussie de tels CPS industriels.
émergentes. comportements.
453
Machine Translated by Google
ICINCO 2019 16e Conférence internationale sur l'informatique dans le contrôle, l'automatisation et la robotique
Li, L., Ota, K. et Dong, M. (2018). Apprentissage en profondeur pour
LES RÉFÉRENCES
l'industrie intelligente : système d'inspection de fabrication
efficace avec calcul du brouillard. Transactions IEEE sur
Aazam, M., Zeadally, S. et Harras, KA (2018). Déploiement du fog
l'informatique industrielle, 14(10):4665–4673.
computing dans l'internet industriel des objets et l'industrie 4.0.
Lu, Y. (2017). Industrie 4.0 : Une enquête sur les technologies, les
Transactions IEEE sur l'informatique industrielle, 14(10):4674–
applications et les questions de recherche ouverte. Journal of
4682.
Industrial Information Integration, 6:1–10.
AlFuqaha, A., Guizani, M., Mohammadi, M., Aledhari, M. et Ayyash,
Mell, P., Grance, T. et et al. (2011). La définition NIST du cloud
M. (2015). Internet des objets : une enquête sur les technologies
computing.
habilitantes, les protocoles et les applications. IEEE
Communications Surveys Tutorials, 17(4):2347–2376. Ota , K. , Dao , M. , Mezaris , V. et Natale , FGBD
(2017). Apprentissage profond pour le multimédia mobile : une
enquête. ACM Trans. Informatique multimédia. Commun.
Bauer, H., Baur, C., Camplone, G. et et. Al. (2015). Industrie 4.0 :
Appl., 13(3s):34:1–34:22.
comment naviguer dans la numérisation du secteur
manufacturier. Rapport technique, McKinsey Digital. PicoValencia, P. et HolgadoTerriza, JA (2018). Agen tification de
l'internet des objets : une revue systématique de la littérature.
Bonomi, F., Milito, R., Natarajan, P. et Zhu, J. (2014).
Journal international des réseaux de capteurs distribués, 14(10).
Fog Computing: Une plateforme pour l'Internet des objets et
l'analyse, pages 169–186. Springer.
¨ Ren, L., Zhang, L., Wang, L., Tao, F. et Chai, X. (2017).
Breivold, H. et Sandström, K. (2015). Internet des objets pour
Cloud manufacturing : principales caractéristiques et
l'automatisation industrielle défis et solutions techniques. En
applications. Journal international de fabrication intégrée par
2015 IEEE Int'l Conf. sur la science des données et les
ordinateur, 30(6):501–515.
systèmes intensifs de données, pages 532–539.
Shi, W., Cao, J., Zhang, Q., Li, Y. et Xu, L. (2016). Edge computing :
Calvaresi, D., Marinoni, M., Sturm, A., Schumacher, M. et Buttazzo,
vision et défis. IEEE Internet of Things Journal, 3(5):637–646.
G. (2017). Le défi des systèmes multiagents en temps réel
pour activer l'IoT et le CPS. Dans Proc. de la Conf. sur Web
Intelligence, pages 356 à 364. ACM. Wang, J., Ma, Y., Zhang, L., Gao, RX et Wu, D. (2018).
Apprentissage en profondeur pour la fabrication intelligente :
méthodes et applications. Journal des systèmes de fabrication,
Chiang, M. et Zhang, T. (2016). Brouillard et IoT : un aperçu des
48 : 144–156. Numéro spécial sur la fabrication intelligente.
opportunités de recherche. IEEE Internet of Things Journal,
Wang, S., Wan, J., Zhang, D., Li, D. et Zhang, C.
3(6):854–864.
(2016). Vers une usine intelligente pour l'industrie 4.0 : un
Cisco (2015). Fog Computing et Internet des objets : étendez le cloud
système multiagents autoorganisé avec une rétroaction et
là où se trouvent les objets. Rapport technique, Cisco, livre
une coordination basées sur les mégadonnées. Réseaux
blanc. informatiques, 101 : 158–168.
Duan, Y., Fu, G., Zhou, N., Sun, X., Narendra, N. et Hu, B. (2015).
En ligneWoodridge, M. (2002). Introduction aux systèmes multi
Tout en tant que service (xaas) sur le cloud : origines, tendances
agents, volume 30. John Wiley et ; Fils, Inc.
actuelles et futures. Lors de la 8ème conférence internationale
Wuest, T., Weimer, D., Irgens, C. et Thoben, K.D.
de l'IEEE. sur l'informatique en nuage, pages 621 à 628.
(2016). Apprentissage automatique dans le secteur
Fei, X., Shah, N., Verba, N., Chao, K.M., Sanchez Anguix, V.,
manufacturier : avantages, défis et applications. Recherche sur
Lewandowski, J., James, A. et Usman, Z. (2019). Analyse des
la production et la fabrication, 4(1):23–45.
flux de données Cps basée sur l'apprentissage automatique
Xiao, Z. et Xiao, Y. (2013). Sécurité et confidentialité dans le cloud
pour le cloud computing et le fog computing : une enquête.
computing. IEEE Communications Surveys Tutorials, 15(2):843–
Systèmes informatiques de la future génération, 90: 435 450.
859.
Geissbauer, R., Vedso, J. et Schrauf, S. (2016). Industrie 4.0 :
Xu, LD, He, W. et Li, S. (2014). Internet des objets dans les industries :
Construire l'entreprise numérique. Rapport technique, PwC.
une enquête. Transactions IEEE sur l'informatique industrielle,
10(4):2233–2243.
Khaitan, SK et McCalley, JD (2015). Techniques de conception et
applications des systèmes cyberphysiques : une enquête.
Journal des systèmes IEEE, 9(2):350–365.
Lee, J., Davari, H., Singh, J. et Pandhare, V. (2018). Intelligence
artificielle industrielle pour l'industrie 4.0
454