利用边缘计算和人工智能提高运营效率

工业资产、系统、过程和环境的自动化和监控在制造业中越来越重要，包括运输、电子、采矿和纺织业。为了实施更安全、更高效的实践，各公司正在使用物联网传感器自动化其制造过程。物联网传感器产生大量数据，当与人工智能的力量相结合时，产生有价值的见解，制造商可以利用这些见解提高运营效率。

边缘计算允许支持传感器的设备在本地收集和处理数据，以便在工厂现场提供见解，而无需与云通信。Edge AI使任何设备或计算机都能够实时处理数据，并以最少的延迟做出AI主导的决策。这种便利性带来了需要快速、实时洞察的新用例，如扫描装配线上的产品缺陷、识别工作场所危险、标记需要维护的机器等。

通过使 AI 处理任务更接近源，边缘计算为制造商提供了许多优势，包括：

超低延迟处理：在制造场景中，吞吐量至关重要。检查流程可能是整个流程中的关键瓶颈。在边缘处理数据可以节省宝贵的微秒，因为数据不需要发送到云端或从云端发送出去。

增强安全性：制造商的数据是关键 IP 。与通过云发送数据相比，将数据保存在设备内意味着它保持安全，不易受到攻击或数据泄露。

节省带宽：仅向云发送人工智能处理的智能数据，并在设备上本地处理剩余的高速（例如振动）和大容量（例如图像和视频）数据，可降低数据传输速率并释放带宽，从而降低成本。

利用 OT 领域知识：授权 OT 领域专家通过利用他们的隐性知识来控制数据处理 AI 参数，使他们能够创建一个高度适应性和注重结果的敏捷解决方案。

强健的基础设施：通过边缘设备在现场处理数据，使公司能够在不中断的情况下保持其生产过程，即使发生网络中断。

制造业中的边缘计算用例

全球制造商已开始在边缘使用人工智能来改造其制造流程。以下用例将探讨 edge 计算如何促进制造业的效率和生产率的提高。

预测性维护：传感器数据可用于早期检测异常，并预测机器何时会出现故障。如果机器需要维修，设备上的传感器会扫描缺陷并向管理层发出警报，以便尽早解决问题，避免停机。传感器数据、 AI 和边缘计算的组合可准确评估设备状况，并允许制造商避免代价高昂的计划外停机。例如，化工厂配备传感器的摄像机用于检测管道中的腐蚀情况，并在管道可能造成任何损坏之前向工作人员发出警报。

质量控制： 缺陷检测是制造过程的重要组成部分。当运行一条生产数百万产品的装配线时，需要实时捕获缺陷。使用边缘计算的设备可以在微秒内做出决定，立即发现缺陷，并提醒员工。这种能力为工厂提供了一个显著的优势，因为它可以减少浪费并提高生产效率。

装备效能：制造商不断寻求改进工艺。当与传感器数据相结合时，边缘计算可用于评估设备的整体效能。例如，在汽车焊接过程中，制造商需要满足许多要求，以确保其焊接具有最高质量。利用传感器数据和边缘计算，公司可以实时监控产品质量，并在产品出厂前发现缺陷或安全风险。

产量优化：在食品生产工厂中，了解生产过程中所用成分的准确数量和质量至关重要。通过使用传感器数据、人工智能和边缘计算，机器可以在任何参数需要更改时立即重新校准，以生产出质量更好的产品。不需要手动监督，也不需要将数据发送到中心位置进行审查。现场传感器能够实时做出决策，以提高产量。

车间优化：制造商必须了解如何利用工厂空间来改进流程。例如，在汽车制造厂，如果工人必须步行到不同的地点来完成任务，则效率低下。如果数据不可用，主管可能不知道这个瓶颈。传感器有助于分析工厂空间如何使用、谁在使用以及为什么使用。数据和关键边缘 AI 处理信息被发送到中心位置，供主管审查。然后，主管可以对工厂流程进行知情的优化。

供应链分析：越来越多的公司需要持续了解采购、生产和库存管理。通过人工智能和边缘计算自动化这些过程，公司可以更好地预测和管理其供应链。例如，具有自动化流程的 ele CTR onic 制造公司可以立即通知全国其他生产设施生产更多所需原材料，从而不影响生产。

工人安全：工业工人经常在制造现场操作重型机械和处理危险品。使用配备 AI 视频分析功能的摄像头和传感器网络，制造商可以识别处于不安全条件下的工人，并快速干预以防止事故发生。边缘计算对工人安全至关重要，因为需要实时做出救生决策。

关于作者：About Debraj Sinha

Debraj Sinha 是 NVIDIA Metropolis 的产品营销经理，专注于通过支持 AI 的视频分析在全球打造更智能的空间。 Debraj 与从初创企业到财富 500 强企业，再到推动安全和效率提升的人工智能应用市场等合作伙伴展开合作。他拥有加利福尼亚大学哈斯商学院工商管理硕士学位，伯克利，康奈尔大学计算机科学硕士学位。

审核编辑：郭婷