根據(jù)Business Insider的數(shù)據(jù)顯示，制造業(yè)即將迎來物聯(lián)網(wǎng)（IoT）和人工智能（AI）應用的再度大幅增長。預計到2027年，物聯(lián)網(wǎng)市場規(guī)模將達到2.4萬億美元。

除了自動化和機器人技術等領域顯而易見的應用外，AI系統(tǒng)還能夠優(yōu)化制造流程，發(fā)送早期警報，提升質量檢查和質量控制，并預測機械中的設備故障。

優(yōu)化制造過程的關鍵是收集正確的數(shù)據(jù)。通過這樣做，制造商可以開發(fā)出創(chuàng)新的AI應用程序，使自己從競爭中脫穎而出。許多制造企業(yè)開始在其工業(yè)物聯(lián)網(wǎng)（IIoT）應用中采用各種AI算法以進行實時決策。了解基于AI的應用中的數(shù)據(jù)為王是至關重要的。匯集、清理和準備獨特的數(shù)據(jù)是利用AI來優(yōu)化組織并獲得見解的最重要方面。

在AI工程師開始訓練他們的機器學習模型之前，他們通常花費多達75％的時間來簡單地處理起始數(shù)據(jù)。請記住，要訓練一個可以在IIoT設備上運行的機器學習模型，必須要有一個數(shù)據(jù)集或一系列數(shù)據(jù)集來反映應用程序運行時的實際情況。

創(chuàng)建一個數(shù)據(jù)集的過程需要分幾個步驟實現(xiàn)。通常是從收集多年的數(shù)據(jù)開始，工程師需要確定數(shù)據(jù)的總體結構。接下來，他們需要消除數(shù)據(jù)中的任何缺陷、差異或缺口，然后將這些數(shù)據(jù)轉換成算法需要的形式，以便與之有效地交互。

嵌入式系統(tǒng)的邊緣AI

邊緣AI是制造業(yè)整體AI發(fā)展的重要組成部分。邊緣 AI能夠在硬件設備上本地處理數(shù)據(jù)，而不是依靠通過互聯(lián)網(wǎng)連接的集中式數(shù)據(jù)庫或處理節(jié)點。

在大多數(shù)IoT解決方案中，后端服務器通過多個設備和互聯(lián)網(wǎng)連接的傳感器接收數(shù)據(jù)。一臺或多臺服務器托管用于處理數(shù)據(jù)的機器學習算法，以創(chuàng)建AI解決方案提供的任何價值。

這種AI架構的問題在于，許多設備可能導致網(wǎng)絡流量超載，或者您可能正在使用已經(jīng)大量使用的網(wǎng)絡。在這些情況下，將數(shù)據(jù)發(fā)送回中央服務器可能會導致處理速度慢得令人無法接受。而這正是邊緣AI發(fā)揮其價值的地方，因為可以在硬件設備上本地執(zhí)行一些不太復雜的機器學習和AI過程。

邊緣AI對許多行業(yè)至關重要。一個例子是自動駕駛汽車，其中邊緣AI可以減少電池的電量消耗。監(jiān)視系統(tǒng)、機器人技術和其他幾個行業(yè)也將從邊緣AI模型中受益。

激發(fā)邊緣AI的潛力

知識蒸餾（Knowledge Distillation）技術的引入具有極大的改善邊緣AI解決方案的潛力。

知識蒸餾是通過知識壓縮原理進行的一種模型壓縮方法。使用諸如強化學習之類的技術，神經(jīng)網(wǎng)絡可以學習如何產(chǎn)生預期的結果，從而使一個較小的網(wǎng)絡也可以學習創(chuàng)建出與較大的網(wǎng)絡創(chuàng)建出的相似結果。

這種較小的網(wǎng)絡規(guī)模更適合移動設備、傳感器和類似硬件等邊緣設備。知識蒸餾可以將邊緣設備的空間負擔減少多達2000％，從而減少了運行網(wǎng)絡所需的能量、物理約束以及設備本身的成本。

一個應用知識蒸餾技術的實例是使用視頻源在監(jiān)視系統(tǒng)上實時檢測性別。通常，識別性別需要相當大的基于云的神經(jīng)網(wǎng)絡。但是在實時系統(tǒng)中，返回到云端并不總是最好的選擇。通過知識蒸餾技術可以將整個過程精簡為一個較小的網(wǎng)絡，該網(wǎng)絡可以在安裝到邊緣設備的同時準確地識別性別。

基于機器學習的預測性維護

預測性維護是機器學習和AI對制造產(chǎn)生影響的特別富有成果的領域。實際上，根據(jù)Capgemini咨詢公司的一項研究，將近30％的制造業(yè)AI實施與機械和生產(chǎn)工具的維護相關。這使得預測性維護成為當前制造業(yè)中使用最為廣泛的應用領域之一。

基于機器學習的預測性維護的兩個最重要的好處是它的快速性和準確性。AI可以足夠快速、準確地識別機械問題，以便在發(fā)生故障甚至故障之前進行糾正。

例如，通用汽車使用安裝在裝配機器人上的AI攝像頭，通過攝像頭的使用，它能夠檢測出一組5000多個機器人中的數(shù)十個組件故障，從而規(guī)避了可能出現(xiàn)的故障。

基于機器學習的預測性維護可以使用各種模型和方法，從使用歷史數(shù)據(jù)來預測故障的回歸模型和分類模型，到分析系統(tǒng)和組件以尋找應變或異常跡象的異常檢測模型。

用于質量控制的計算機視覺

汽車和消費產(chǎn)品行業(yè)面臨著監(jiān)管機構的苛刻要求，而維持這些法規(guī)的合規(guī)性是AI和機器學習可以大顯身手的領域。高質量相機的成本每年都在下降，而AI圖像識別和處理軟件也在不斷快速改進。因此，基于AI的檢測方法對企業(yè)的吸引力越來越大。

特別是在汽車行業(yè)，例如，德國汽車制造商寶馬率先采用了這項技術。寶馬將AI應用程序作為檢查過程的最后一步，將新制造的汽車與訂單數(shù)據(jù)和規(guī)格進行了比較。另一家汽車制造商日產(chǎn)，在將AI視覺檢測模型納入其質量保證流程方面也取得了顯著進展。

視覺檢查算法越來越受歡迎的部分原因是這些算法的發(fā)展日趨成熟?，F(xiàn)在，基于神經(jīng)網(wǎng)絡的系統(tǒng)可以識別出各種潛在問題，例如裂紋、泄漏、劃痕、翹曲以及許多其他異常。

而應用所要檢查的參數(shù)可以根據(jù)復雜的規(guī)則映射進行調整或適應到給定情況。當與GPU和高分辨率攝像頭搭配使用時，基于AI的檢測解決方案在準確性和速度上可以大大超過傳統(tǒng)的視覺檢測系統(tǒng)。

制造業(yè)的未來

從某種角度來說，制造業(yè)的未來幾乎就是基于IoT的AI的未來的代名詞。在2019年，估計有80億個IoT設備，但是到2027年，預計將有410億個IoT設備，而這一增長的最大份額將是制造業(yè)。預計制造業(yè)中AI的估值將增長15倍以上，從目前的約11億美元增長到2026年的160億美元以上。

高效生產(chǎn)的所有特征——標準化、規(guī)模經(jīng)濟、任務自動化和專業(yè)化，都在很大程度上得益于機器學習和AI解決方案的實施。因此，在未來幾年，嵌入IoT設備的AI將不可避免地繼續(xù)緊密地融入到更多的制造過程中。

編輯：jq