Machine Translated by Google

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.

­ Nuage Brouillard Bord

Portée Plateformes  et  outils  Big  Data  et  IA  pour  le   Plates­formes  informatiques  pour  le  traitement  de   Dispositifs  finaux  améliorés  avec  des  

développement,  la  gestion,  la  planification  et   données  à  faible  latence  et  l'intégration  de   capacités  de  surveillance,  de  prétraitement  
l'optimisation composants  cybernétiques  et  physiques des  données  et  de  filtrage

Volume,  variété  et   Volume  énorme  de  données  hétérogènes   Volume  moyen  de  plusieurs  flux  de  données  et   Faible  volume  de  flux  de  données  brutes  

vélocité  des  données   externes,  historiques  et  de  flux  (très  long  terme) pas  de  données  historiques  ou  à  court  terme   locales  (très  court  terme/transitoire)
(persistance) (moyen/court  terme)

Type  de  traitement  des   Analyse  avancée  des  données  batch  et  stream   Intégration  légère  de  données,  prétraitement  et   Prétraitement  de  flux  simple,  filtrage  et  

données  (couverture) (grand  nombre  de  sources  hétérogènes) analyse  par  lots  et  flux  (nombreuses  sources   analyse  de  données  (sources  uniques/très  
locales) peu  nombreuses)

Réactivité Long  et  moyen  terme  avec  des  solutions   Quasi  temps  réel  avec  des  solutions   Solutions  très  rapides  (temps  réel  dur),  mais  

optimales raisonnables/fiables simples/non  optimales

Fonctionnalités   Détection  de  modèles  complexes,  aide  à  la   Sensibilisation  au  contexte  local,  aide  à  la  décision   Conscience  de  soi,  autonomie  et  collaboration  

intelligentes  (complexité   décision  prescriptive  (Big prédictive  et  adaptation  dynamique  (apprentissage   (analyse  de  données  légère,  basée  sur  des  
des  algorithmes) Données  et  ML  avancé) moyen/avancé) règles  et  intégrée)
Périphériques  matériels   Centres  de  données  puissants  à  distance   Équipement  de  réseau  local,  micro­serveurs  et   Passerelles  d'appareils  IoT  et  non  IoT  
(organisation /   (centralisés /  plusieurs  sauts) dispositifs/plateformes  informatiques  (distribués/ (décentralisées/intégrées,  connexion  directe)
emplacement) one  hop)

Exemples  de  dispositifs   Infrastructures  Cloud  générales  ou  industrielles,   Routeurs  de  réseaux  industriels,  serveurs  de   automates,  PAC,  machines  avec  cartes  

en  contexte  industriel publiques  ou  privées  et supervision  et  de  contrôle,  ordinateurs  de  poste   informatiques  embarquées  (FP
les  serveurs de  travail GA),  AGV,  Robots

Exemples  de  tâches  et   Intelligence  d'affaires,  simulation,  planification   Réalité  augmentée,  systèmes  prédictifs  de   Surveillance  et  contrôle  auto­adaptatifs,  

d'applications  prises  en   et  outils  interactifs  d'aide  à  la  décision/tâches   supervision  et  de  contrôle  (état  des  actifs,  qualité   reconfiguration  dynamique,
charge opérationnelles des  produits,  état  des  processus) Collaboration  M2M

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

­  Équipement  hérité.   ­  Plateformes  basées  sur  l'IoT ­  Infrastructure  (filaire  sans  fil) ­  Topologie  (P2P,  Pub/Sub)

(adapter /  remplacer) ­  Mobilité ­  Évolutivité /  orienté  service
Migration  fluide  ­   ­  Interopérabilité
­  Bande  passante  et  coûts ­  Protocoles /  Middleware
Industriel Périphériques  de  passerelle ­  Système  d'exploitation  en  temps  réel ­  Connectivité/Disponibilité ­  Propriétaire  &  ind.  normes  ­  Modèle  de  
Numérisation ­  Fiabilité données
­  Branchez  &  jouez

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  

Sensibilité,  conditionnement   être  habitué embarquée

Interaction  des  
du  signal,  échantillonnage  ­   composants
Fiabilité
machines/produits  intelligents ­  Latence  et  goulots  d'étranglement  
­  Autonomie /  événementiel ­  Sécurité  et  confidentialité  des  
­  Comportement  émergent données  ­  Net.  équiper.  (courtiers/passerelles)
Surveillance ­  Connaissance  de  soi
­  Intégration  verticale/horizontale  ­  
les  soutiens
­  Adaptabilité  (Moniteur permet connecte Équilibrage  de  charge  Edge  &  Cloud  
­  Reconfigurabilité  ­   Systèmes   Analyser­Planifier­Agir) (agrégation  de  données,  préproc.,  analyse)
Réactivité  (resp.  temps) embarqués

­  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

continu)  (séries  temporelles,   ­  Frameworks  Big  Data  et  outils  automatisés Planification;  L'intelligence  d'entreprise;

mesures,  texte,  img) ­  Scientifiques  des  données  et  connaissance  du  domaine Relation  Client,  Supply  Chain

­  Construction/formation/réglage  du  modèle  et   &  La  gestion  du  cycle  de  vie  du  produit
traité  par
­  Stockage  (SQL/NoSQL),  aggreg./ interprétabilité  ­  Apprentissage  (non)  supervisé  et  par  renforcement ­  Exploitation :  planification,  

integrate ­  Extraire  Transformer  Charger,  explorer  et  extraire  des   fournir optimisation,  maintenance,  simulation,  

fonctionnalités/connaissances/modèles modélisation
­  Représentation  et  partage  des  connaissances ­  Intégration  opérationnelle  &  métier
Opérationnel
­  Ensembles  de  données  non  étiquetés  et  déséquilibrés

Informations  de  données Gestion

légende produit  >
<  consomme ­  Réalité  virtuelle/augmentée

Éléments  du  SPC Entreprise Systèmes

­  Humain  dans  la  boucle
Surveillance ­  Assistants  personnels  &
relation ­  Intégration/coordination  de  ressources   Interfaces  intelligentes  (prise  en  charge  et  
hétérogènes /  distribuées amélioration  de  l'exécution  des  tâches)
Agent
­  Croix
­  Analyse  prédictive/prescriptive Humain
préoccupations
Interaction

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.

Aspect  principal Défis  majeurs Difficulté   Priorité

Analyse  de  données  décentralisée  et  collaborative élevée   moyen  

Décentralisation Synchronisation  et  gestion  de  l'analyse  des  données  glocales moyenne haut  bas
Contrôler  le  comportement  émergent  du  système haut

Intégrer  l'IA  dans  des  plates­formes  d'appareils  contraintes moyen   moyen  

Machines  et  produits   Mécanismes  auto­reconfigurables  et  collaboratifs haut  haut   haut  bas  

intelligents Prise  de  décision  totalement  autonome moyen haut

Analyses  prédictives  et  proactives

Synergie  entre  informations  opérationnelles  et  commerciales moyen   faible

Acquisition  et  gestion  efficaces  et  fiables  des  données faible   haut  

Mégadonnées  industrielles
Algorithmes  ML  dédiés  au  Big  Data  industriel moyen   moyen  

Prise  en  charge  de  l'incertitude,  de  la  fiabilité  et  de  l'incomplétude  des  données élevé moyen

Outils  d'analyse  de  données  automatisés  améliorés moyen   faible

Cadres  et  bancs  d'essai  CPS moyen   élevé  
Infrastructures  et  outils
Représentation  et  partage  des  connaissances faible   moyen  

Connaissances  et  expertise  multidisciplinaires  en  IA  et  CPS élevé  élevé élevé  élevé

Interaction  entre  les  agents  humains

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

REMERCIEMENTS systèmes  de  fabrication.   Lettres  de  fabrication,

18:20–23.
˜
Ce  travail  fait  partie  du  projet  GO0D  MAN   Leitao,  P.,  Colombo,  A.  et  Karnouskos,  S.  (2016).  Automatisation  
qui  a  reçu  un  financement  du  programme   industrielle  basée  sur  les  technologies  des  systèmes  cyber­
physiques :  implémentations  de  prototypes  et  défis.  Ordinateurs  
de  recherche  et  d'innovation  Horizon  2020  
dans  l'industrie,  81 : 11–25.
de  l'Union  européenne  dans  le  cadre  de   ˜
Leitao,  P.,  Karnouskos,  S.,  Ribeiro,  L.,  Lee,  J.,  Strasser,  T.  et  
la  convention  de  subvention  ON  723764.
Colombo,  AW  (2016).  Agents  intelligents  dans  les  systèmes  
cyber­physiques  industriels.  Actes  de  l'IEEE,  104(5):1086–1101.

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