小白聊智慧制造:一文读懂信息物理系统(CPS)

随着我国“中国制造2025”的不断深入,越来越多的制造业企业在探索中国的制造业升级。制造业的智能升级有美国的工业互联网和德国的工业4.0两种方式,根据我国制造业所处的阶段,大多数企业选择德国工业4.0的方案。工业4.0的方案之中,最核心的信息物理系统(CPS)。

说到信息物理系统,大家一定不陌生,说起来也如数家珍。那么什么是信息物理系统(CPS)?德国的制造业升级为什么会提出这个系统?

 

01 信息物理系统(CPS)的概念

 

信息物理系统(CPS,Cyber-Physical Systems)是一个综合计算、网络和物理环境的多维复杂系统,通过3CComputingCommunicationControl)技术的有机融合与深度协作,实现大型工程系统的实时感知、动态控制和信息服务。CPS实现计算、通信与物理系统的一体化设计,可使系统更加可靠、高效、实时协同,具有重要而广泛的应用前景。信息物理系统通过人机交互接口实现和物理进程的交互,使用网络化空间以远程的、可靠的、实时的、安全的、协作的方式操控一个物理实体。 

看完信息物理系统(CPS)的标准定义,我不知道有没有朋友感觉心中还是茫然。其实,CPS概念最早由美国国家基金委员会在2006提出,被认为有望成为继计算机、互联网之后世界信息技术的第三次浪潮。当初,CPS主要是指3CComputingCommunicationControl)的融合。


按现在普遍的观点信息物理系统(CPS,Cyber-Physical Systems)是由信息世界-Cyber和物理世界实体的世界-physical组成的系统。CPS概念是从上世纪80年代的嵌入式系统演变而来。经历1990年的泛在计算、1994年的普适计算、2000年的环境智能,直到2006年才发展成为了信息物理系统。


 

02 物联网是物理系统和信息系统的纽带

 

在制造领域,信息世界-Cyber是指工业软件和管理软件、工业设计、互联网和移动互联网等;物理世界是指能源环境、人、工作环境、工厂以及机器设备、原料与产品等。这两者一个属于实体世界,一个属于虚拟世界;一个属于物理世界,一个属于数字世界,将两者实现一一对应和相互映射的是物联网,因其是物联网在工业中的应用,我们又称之为工业物联网。我们通常又将其等同于美国提出的工业互联网。

从本质上来说,CPS和工业互联网(工业物联网)以及我国的“中国制造2025”并无本质的区别,只是表述的角度不同而已,其根本的目的就是智慧制造。

工业物联网是物理系统和信息系统的纽带,也是实现物理和信息系统一一对应和相互映射的关键。


 

03  CPS是虚拟数字世界和实体物理世界的融合


 

实体物理世界和虚拟数字世界,是一个世界的两个方面,一个属阴,一个属阳。

在没有工业物联网(工业互联网),物理世界和信息世界是两个完全不同的世界。或者说那个虚拟数字世界根本就不存在,因为无法感知他的存在。因了物联网技术的发展,虚拟数字世界成为了我们深切感知的现实。比如:无感的智能停车场、移动支付等等。

CPS实现了信息世界与物理现实世界融合,创造出了一个真正的虚实结合的世界。通过物联网技术实现了物理系统和信息系统的互联,通过传感器、RFID等对物体的感知,经过物联网关转化为计算机可以读取的数字,以各种数字传输的手段包括LPWAN\4GD等汇集到云平台转化为可以利用的数据,实现数字感知,经过算法等人工智能处理,再通过网络通信向生产设备传达如何采取正确操作。


*欢迎转载,注明出处*

欢迎关注微信公众号:物联研究 了解最新物联网科技资讯

也可扫描二维码,关注我们!


  • 15
    点赞
  • 70
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
Yolov5 是一种广泛应用于目标检测的算法,其 loss 原理相对简单。Yolov5 通过将目标检测问题转化为一个回归问题,通过预测 bounding box 的坐标来实现目标检测。 Yolov5 的 loss 主要包括三个部分:分类损失、定位损失和目标置信度损失。 分类损失是用来衡量预测的类别与真实类别之间的差异。Yolov5 使用交叉熵损失函数来计算分类损失。对于每个边界框(bounding box),它将计算预测类别的 softmax 概率与真实类别的 one-hot 向量之间的交叉熵。 定位损失用于衡量预测的边界框位置与真实边界框位置之间的差异。Yolov5 使用 Smooth L1 损失函数来计算定位损失。它通过对预测边界框的坐标与真实边界框的坐标之间进行平滑处理,减小了异常值的影响。 目标置信度损失用于衡量预测的边界框与真实边界框之间的 IoU(Intersection over Union)之间的差异。Yolov5 使用 Binary Cross-Entropy 损失函数来计算目标置信度损失。它将预测的边界框是否包含目标与真实边界框是否包含目标之间的差异进行衡量。 最终,Yolov5 的总损失是通过将三个部分的损失加权求和得到的。这些权重可以根据具体的任务和数据集进行调整。 通过最小化 Yolov5 的 loss 函数,模型可以学习到更准确的目标检测结果。这样,我们就可以在图像中准确地检测和定位不同类别的目标。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

物联研究

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值