未来的自动化安全将依赖于机器学习。人工智能的进步使得机器人和其他工业设备可以从大量的安全相关数据中学习，从而提高安全性。

工业安全的一个重要方面是尽量减少机器与操作人员的接触。自动化技术的进步使得机器，尤其是协作机器人，能够与操作人员近距离协作。这些技术包括圆角设计和力反馈传感器，有助于降低操作人员受伤的风险。

此外，自动化系统正从固定装置转向自主移动装置。一种可行的生产解决方案是将协作机械臂安装在自主导航的移动平台上。为了使控制设计工程师能够采取降低风险的措施，需要了解这些技术的需求、潜在风险及其操作方式。

随着系统变得更加复杂，制造企业分析降低风险所需的所有数据变得更具挑战性。信息过载和有限的决策机制成为问题。通过人工智能提供的更多选项，可以帮助自动化设计者克服这些限制。AI的高效数字处理能力使其成为自动化系统的关键部分。

未来工厂将利用人工智能和移动机械臂来提升产品质量、灵活性、效率和可追溯性。

明确安全要求

涉及电气、电子和可编程电子控制系统的IEC 62061标准，定义了机器和控制系统整体安全的一部分，这取决于安全相关电气控制系统（SRECS）、其他技术安全相关系统和外部风险降低措施的正确运行。

在重新定义目标时，这一定义更加清晰，即在出现故障时，设计的系统可以以可预测的方式失效。制造业已经认识到硬件解决方案。安全标准为制造商、集成商和最终用户提供了一种最佳实践，以达到这些解决方案可接受的风险水平。我们还可以利用这些标准来帮助确定新技术的安全要求。

目前尚无专门针对与移动平台集成的工业机器人的安全标准。然而，可以从现有的安全标准中获取相关信息，如ANSI B11.0或ISO 12100用于风险评估，ANSI RIA R15.06或ISO 10218-2用于工业机器人系统，ANSI/RIA R15.606或ISO 15066用于协作机器人，ANSI/ITSDF B56.5或EN 1525（将被ISO 3691-4取代）用于工业卡车，以及ISO 13849-1用于故障预测和验证。供应商手册应包含风险源和推荐的风险降低措施。

在确定适用标准后，工程师需要评估和设计影响空间的因素，如工作流程、障碍物、可达性、误用和培训等。技术同样重要，因为反馈误差会导致测量噪声，从而影响位置跟踪，关节的适应性可能会带来固有的不确定性。工程师还应考虑系统吸收能量的方式、限制力的方法以及安全功能的应用。

集成人工智能

短期内，确保技术安全的主要挑战不是缺乏信息，而是信息过载。当变量过多时，开发二进制规则以代表过去经验的局限性变得更加明显。由于技术进步的速度超过了标准的制定，设计师往往需要预测未来趋势。这可能导致他们高估或低估必要的安全功能。

如果制造商扩展其工具集以支持数据处理和决策过程，就可以更有效地处理这些信息。特别是，他们可以通过AI和机器学习算法找到一个有效的解决方案。AI系统可以根据可用的案例研究和数据分析推荐新的系统特定规则。

机器学习通过分析大量数据来揭示隐藏的相关性，发现传统统计工具难以察觉的潜在模式和趋势。人们可以从这些相关性中构建抽象模型，并进行实验以确定模型的有效性。设计人员和工程师可以依靠智能系统来指导设计，确保使用最佳方法和满足客户需求的解决方案。

AI对于消除可能妨碍决策的偏见至关重要。由于记忆是大脑做决策的重要组成部分，专家对过去的理解会产生偏见，从而影响他们应对新情况的判断。专家也可能忽视关键信息的缺失，或在决策过程中犯错。机器学习算法减少了偏见，因为它在当前和实际数据中寻找有助于解决特定问题的模式。

数据驱动的挑战

引入AI到工业设备的背后驱动力是当前制造工厂中大量的安全相关数据。这里存在太多数据，即使是经验丰富的工人也难以学习和记住所有数据，更不用说刚刚进入制造业的新员工。通过让机器自己学习，制造企业可以利用强大的降低风险工具。这些工具可以在不断变化的环境中提供与安全要求相关的短期和长期数据。

现在，所有安全解决方案都基于工程师、操作人员和制造商的经验。从这个意义上说，AI并没有什么不同。无论是人类还是算法，一开始都不了解具体情境下的工业安全知识，我们都必须利用过往经验中的点滴来建立联系，并应用于新的情况。我们需要知道哪些有效、哪些无效，然后应用这些知识做出未来的决策。AI的工作方式恰恰相反。

关键概念

• AI可以帮助制造商分析涉及安全问题的数据。
• AI有助于使机器人和其他设备更符合人体工程学，并适应特定的工人。

思考一下

人工智能和机器学习还能如何帮助改善您的车间运营？