当在传统装配线上发现产品缺陷时，检察人员会按下红色的紧急停止按钮。工程师和经理快速前往装配线查找问题，然后解决问题。这会导致整条装配线的运作停止，而且不确定要停止多长时间。每次延迟都可能会扰乱成本预算并延长生产计划。

工业 4.0 的一个重要目标是实现具有自我监控能力的装配线，这种装配线能够自动进行检查和纠正，避免生产延迟引致重大损失。

在这个场景中，视觉系统无需直接人为干预就能确定质量问题。机器学习 (ML) 模块实时分析可视化数据，计算机器调整情况，并纠正装配线上下一个产品的路线。

这种工业“自动纠正”能力在未来可能会以多种形式出现。可进行人脸识别推断的、同样复杂的机器学习经过训练后，将能够发现 3D 打印部件的各层中的缺陷。激光扫描和测量可检测出没有对齐的部件。随着现有机器人/协作机器人、自动驾驶工厂车辆 (AFV) 或工业物联网 (IIoT) 设备有越来越多的硬件附件推出，自我纠正技术可能会不断发展。

不再需要暂停装配线的运作是一个具有吸引力的业务目标。在全自动化工厂里，生产时间的可预测性大大提高，成本和计划超支的风险降低。人为错误的风险也降低。AI 可能很快就会变得能够根据自己的规则优化质量，远远超越人工检查的极限。

旨在打造真正智能工厂的努力都有一个共同点：需要新的电力基础设施。

智能工厂使得执行生产任务的大型机器和广泛的新型信息网络都需要更多电力。

这个通信和控制层包括电线和设备，例如摄像头、传感器、驱动器和控制单元。具有自我纠正能力的装配线还可能需要一系列电气升级，例如升级变压器、开关设备的电源和配电板，以能够承受额外负载。

理想的智能工厂信号电源组件应兼具耐受车间环境的坚固性以及数据中心基础设施的速度和可靠性。

Underwriters Laboratory (UL) 和美国消防协会 (NFPA) 等行业标准组织已开始预测这些需求和其他新出现的问题。例如，车间的电动设备日益增多带来了更多可能会干扰机器性能的频率。这意味着敏感的电子器件（例如伺服电机中的电子器件）尤其容易受到来自环境中附近设备的干扰。

数据中心常常会采取额外措施来确保电能质量。具有前瞻性的工业设施纷纷开始仿效，产生更平稳、更可靠的电流。

更加重视电能质量的智能工厂可能会采用新型组件。例如，电容式移动电源被用于消除供电线路的波动。在需求方面，变频驱动器使机器人电机可以实现软启动。这些电机驱动器不会在加速时猛烈地抽取电力，而是在几秒内均匀地消耗电力。

如果目标是打造不会中断的装配线，则通信、控制线路和数据处理必须保持运行。关键的计算单元可能各自有专用的备用电池，这种做法在数据中心很常见。除了电池，工厂和数据中心都开始通过纳入现场能源来实现断电保护。

随着 AI 驱动的自我纠正能力变得越来越重要，工厂电源经理将需要做出更多决策。何时打开电源只是他们要做的决策之一。幸运的是，AI 驱动的数据分析为工厂提供了别的东西：更强的电源监控和管理能力。这将会让参与一项 Molex莫仕电源调查的 800 多名设计工程师感到欣喜。当谈到电源系统设计或实施方面的主要优先事项时，他们给出了以下回答：提高能源效率 (74%)；降低成本(64%)；加强电源系统状态监控 (53%)。

AI 驱动的实时诊断不仅只能纠正产品缺陷。未来的智能工厂将受益于能够在整个运营期间跟踪电压和电流电平的控制系统。

通过监控会消耗电力的每项生产活动，经理可以防止总用电量超过物理或合规限制，并根据以往的数据预测活动的电力需求。

电源诊断工具使经理可以延长正常运行时间，并安排在可预测的过渡期间进行预防性维护。更高分辨率的功耗视图向运营经理展示如何根据可用电源的极限增加更多生产活动。

实时电源监控还可实现更好的负载均衡，减少传输损耗，并提高配电系统的韧性和灵活性。

最近一项以电源系统工程专业人员为调查对象的 Molex莫仕调查显示，大多数受访者认为工业应用的最大挑战是电源管理——超过三分之一的工业领域工程师和经理这样认为。电源管理同样是数据中心专业人员面临的最大挑战，持这种观点的受访者比例与工业领域的情况差不多：40%。

自动化、数据分析和先进技术在未来工厂的融合带来了一系列独特的电源管理挑战，同时也带来了实现更高水平自动化和控制的机会。

制造商必须克服与电磁干扰相关的风险，尤其是随着对智能工具的日益依赖。采用由视觉系统提供支持的自调试装配线可实现更高的精确度、质量和生产力。AI 驱动的电力基础设施实时诊断使工厂可以优化运营，确保合规，并最大限度地减少停机时间。

随着未来的工厂继续成形发展，要在制造过程中实现更高水平的效率、生产力和创新，利用数据的力量变得至关重要。