人工智能在工业制造中的作用越来越大

人工智能在推动工业制造的数字化转型和提供工业 4.0 的好处方面发挥着重要作用。人工智能在制造业中的两个关键应用包括用于缺陷检测和产品质量的预测性维护和机器视觉。人工智能还提供了在整个产品生命周期中带来好处的潜力，从产品开发的衍生式设计到售后和保修支持。

然而，有许多挑战阻止人工智能进入工业领域。其中一些障碍仅仅是由于工业部门的组成具有各种用例、公司规模和缺乏专业知识，这增加了实施的复杂性。

ABI Research 的工业和制造研究总监 Ryan Martin 表示，人们对人工智能和机器学习 (ML) 非常感兴趣，但工业制造市场存在很多碎片化。

“鉴于制造商的多样性以及他们各自面临的问题，很难广泛谈论这些技术，”马丁说。“有一个庞大的中小型企业和机械车间基础，尤其是在美国，它们雇用 1 到 10 或 1 到 50 名员工，这些员工非常关键，可以从这些技术中受益，但不一定雇用或拥有很容易接触到他们。”

马丁说，只有少数大公司，如约翰迪尔、卡特彼勒、通用汽车、特斯拉、苹果和三星等家喻户晓的公司，正在推动大量创新。

对于这些类型的大型公司，他们通常在其业务的信息技术和运营技术方面都使用人工智能——前者用于数据管理，后者用于监控和控制工业设备。

两个主要领域是与数据相关的，可能是数据规范化、数据清理或数据分析，因此从数据中提取洞察力并使数据可访问，Martin 说。他补充说，另一个领域是质量，可以是产品或机器的质量，包括预测性维护类型的应用程序。

马丁说，机器视觉是人工智能在异常检测等应用中得到更广泛部署的另一个领域。“正在发生变化的是人工智能和深度学习类型的应用程序之间的差异，这些应用程序正在寻找未预先确定的异常情况。”

这非常重要，因为从历史上看，这些系统擅长发现已知问题，但最大的挑战之一是发现和修复您不知道自己正在寻找的问题，而这正是 AI 更广泛的领域开始发挥作用，他补充说。“理想情况下，你可以将异常与原因联系起来，然后从中启动行动。可能是由于生产它的机器出现问题而导致缺陷发生，或者可能是由于供应商问题而发生缺陷并且可以自动采取行动。

“今天，更有可能一个人或几个人参与这些流程以识别问题，然后实施其纠正措施，”他补充道。

人工智能也被用于设计阶段，将人工智能嵌入到设计软件中，马丁说。他补充说，通过衍生式设计，设计师输入他们的关键产品参数，使用人工智能的软件理想地生成许多设计。

然后，设计师根据他们的标准从可能性列表中缩小设计范围。

一个示例指标可能是可持续性，即产品选择基于本地采购的最少材料，Martin 说。“这为设计师节省了大量的时间和精力。”

挑战

然而，工业制造商在实施人工智能模型方面仍面临挑战。其中很大一部分是进入的知识壁垒。

“建立一个人工智能模型不是一朝一夕的事，”马丁说。“您需要了解您的所有输入，更重要的是，您要了解您想要实现的目标。通常需要进行大量设置，即使公司可以在 24 到 48 小时甚至一周内启动并运行（这可能是真的），您仍然需要拥有高技能的人员。”

马丁说，人工智能解决方案不太可能在一夜之间建立起来，因为需要收集和分析数据，并且必须开发算法。“即使现在的常见情况是提供商可能会提供可以让您到达 80% 的算法，但您必须自定义最后一英里或最后 20%，这是一个很好的方法，但它仍然可以需要最后一英里的定制，这需要时间或合作伙伴。”

但是由于新的软件交付选项，行业正在发生变化。软件即服务 (SaaS) 和云服务使更新的技术更易于访问。

“作为一种架构的云和作为一种交付机制的 SaaS 意味着进入门槛要低得多，制造商可以在很短的时间内启动并运行，理想情况下不需要太多培训，因为所有基础设施都将得到支持和启用另一个合作伙伴或提供商，”马丁说。

一些例子包括西门子最近推出的Xcelerator 即服务产品组合、PTC 在其Atlas SaaS 平台上不断发展的产品组合以及 AutoDesk 的Fusion 360。

组件制造商还专注于降低进入壁垒。一个例子是 Sensata Technologies 的Sensata IQ 平台，它可以更轻松地部署资产健康监控，以防止制造环境中的计划外停机。这个基于云的平台使用 AI 处理来自 Sensata 传感器以及合格的第三方传感器的数据，以监控来自任何地方的资产，包括 PC、智能手机或平板电脑。

森萨塔的解决方案针对当今未受监控的工厂资产的 85%。“今天监控的大部分内容都是工厂中非常关键的资产，其中许多解决方案非常昂贵，不使用云，并且集成到控制系统中，”产品线总监 Bryan Siafakas 说森萨塔的工业传感和 IIoT 产品组合。“我们的重点是工厂资产的平衡，我们不必绑定到现有的控制基础设施。它可以轻松地对您可能想要在工厂中监控的任何资产进行改造。”

建立资产基线的学习期可能需要一到两周。然后，利用 AI/ML 将这些信息存储在 Sensata IQ 中并进行趋势分析，该 AI/ML 用于监控某些类型的故障。根据基准，森萨塔将其故障表征准确度定为 95%。

一些异常检测（通过传感器）是在边缘完成的，当需要时，数据会被发送到云端进行更复杂的分析，这需要额外的计算能力。Siafakas 说，这取决于能够描述故障特征所需的数据。

他说，易用性始于部署 Sensata 的传感器，无需工具即可配置或安装。例如，它的一个无线振动传感器带有一个磁铁支架，可以放置在电机或泵上，并使用 Sensata IQ 移动应用程序进行配置。

“回答几个简单的问题，然后你就可以在平台上看到它，”Siafakas 说。“让这一切变得容易的是，人工智能机器学习从客户那里获得所需的领域专业知识，并将其打包到系统中运行的模型中。

“人工智能允许系统采用该领域的专业知识，以便维护经理或工厂管理人员可以轻松地解释这些信号，提醒您系统中将存在异常或特定故障，”他补充道。

Siafakas 说，关键是要避免停机，在故障实际发生之前中断故障并使工厂停机。

这些类型的解决方案还可以帮助解决制造工厂中的一些熟练劳动力短缺问题。

Siafakas 表示，工业 4.0 正在寻求解决的主要趋势之一是随着婴儿潮一代的退休和制造商努力取代熟练劳动力而出现的技能差距。一个例子是“已经在工厂工作了 30 年的维护人员，他们可以路过资产并说，'这听起来不对。'” 新进入劳动力市场的人没有同样水平的经验或知识深度，现在您可以感知这些资产，利用人工智能来预测这些故障。”

马丁说，人工智能非常适合可以自动化的冗余任务。“它在软件驱动的自动化和人类驱动的行动洞察力之间取得了正确的平衡，让人们可以做他们想做的事情，同时也让他们获得正确的信息，这样他们就可以在物理上到达他们需要的地方。需要在那里并以高效和优化的方式做事。这可能不仅包括物理产品的制造，还包括设计或售后服务和支持。”

审核编辑 黄昊宇