使用智能传感器和致动器来提高制造业和工业过程被称为工业物联网(IIoT)。预见性维护是一种最广泛的广告优势IIoT设备在工业业务。组织可以估计当机器需要维护使用实时数据由IIoT生成系统。另一个优势是,现场服务效率更高。现场服务技术人员可以使用IIoT技术来发现可能的缺陷客户设备之前成为严重的问题,使他们能够解决之前的问题导致客户任何困难。

然而,在部署IIoT有各种各样的挑战。例如,适当的基础设施位置及时、准确收集来自多个传感器的数据是IIoT面临的最大挑战之一。其他主要挑战IIoT包括聚合数据网关/云计算和开发和采用先进的人工智能(AI)算法。边缘的托管机器学习相关的任务的目的,减少网络负载在IIoT的情况下也是困难。一些基于机器学习(ML)方法/架构已经在光IIoT基于ML的好处。尽管这些方法取得了一些成功,他们仍然面临着许多科学工程障碍,如孤立的数据仓库,数据无法理解,低效的工作流、数据质量不佳,和隐私保护。

这个特殊的问题旨在吸引高质量的原创来自学术界和工业界的研究和评论文章,解决未解决的问题基于实施IIoT。学术和工业研究人员和从业人员被邀请提交高质量的独特的工作在这一领域,使用基于机器学习/深度学习,数据收集和分析,在线和无监督算法,机器人、云计算等等。作者还敦促来展示他们的建议基于情报IIoT解决方案可以用来补充大型工业系统和小规模的实验室台在实际的世界。

潜在的主题包括但不限于以下:

• 基于人工智能工业物联网的应用程序
• 基于机器学习的预测分析包括维护
• 系统方面的数据收集管道
• 基于AI-driven IIoT私人网络
• 大规模的基于人工智能集成在工业环境中
• 基于智能控制的应用功能和操作
• 在IIoT计算机视觉的应用
• 基于无监督,self-supervised学习和在线/离线IIoT强化学习
• 基于建模和学习IIoT学习和表示
• 转移学习IIoT包括实际实现
• 实验和性能评估的研究基于人工智能/毫升IIoT的技术
• 计算架构支持基于AI /毫升IIoT的技术
• 基于AI - / ML-driven IIoT网络和无线通讯
• 可持续性和开明的IIoT碳中和