如今制造行業(yè)流行的是什么？我想，這可少不了“數(shù)字轉(zhuǎn)換”、“工業(yè)4.0”、“人工智能（AI）”。..

下面，就讓我們一起看看AI如何改變制造業(yè)。

一、用于缺陷檢測的深度學習

在制造中，生產(chǎn)線中的缺陷檢測過程變得越來越智能。深度神經(jīng)網(wǎng)絡(luò)集成使計算機系統(tǒng)可以識別諸如刮擦，裂紋，泄漏等表面缺陷。

通過應用圖像分類，對象檢測和實例分割算法，數(shù)據(jù)科學家可以訓練視覺檢查系統(tǒng)來來進行給定任務(wù)的缺陷檢測。結(jié)合了高光學分辨率相機和GPU，深度學習驅(qū)動的檢測系統(tǒng)將比傳統(tǒng)機器視覺具有更好的感知能力。

例如，可口可樂構(gòu)建了基于AI的視覺檢查應用程序。該應用程序診斷設(shè)施系統(tǒng)并檢測問題，然后把檢測到的問題通知給技術(shù)專家，助力專家采取進一步的措施。

二、通過機器學習進行預測性維護

與其在發(fā)生故障時進行修復或安排設(shè)備檢查，不如在發(fā)生問題之前進行預測。

通過利用時間序列數(shù)據(jù)，機器學習算法可以微調(diào)預測性維護系統(tǒng)以分析故障模式并預測可能的問題。——當傳感器跟蹤諸如濕度，溫度或密度之類的參數(shù)時，這些數(shù)據(jù)將通過機器學習算法進行收集和處理。

根據(jù)預測目標，如故障之前的剩余時間，獲取故障概率或異常等，有幾種機器學習模型可以預測設(shè)備故障：

①、預測剩余使用壽命（RUL）的回歸模型。通過利用歷史數(shù)據(jù)和靜態(tài)數(shù)據(jù)，此方法可以預測故障之前還有多少天。

②、用于在預定時間段內(nèi)預測故障的分類模型。為了定義機器將要失效的時間，我們可以開發(fā)一個模型，該模型將在定義的天數(shù)內(nèi)預測失敗。

③、異常檢測模型可以標記設(shè)備。這種方法可以通過識別正常系統(tǒng)行為和故障事件之間的差異來預測故障。

基于機器學習的預測性維護所帶來的主要好處是準確性和及時性。通過揭示生產(chǎn)設(shè)備中的異常，分析其性質(zhì)和頻率，可以在故障發(fā)生之前優(yōu)化性能。

三、人工智能將打造數(shù)字雙胞胎

數(shù)字孿生是物理生產(chǎn)系統(tǒng)的虛擬副本。在制造領(lǐng)域，存在著由特定機械資產(chǎn)，整個機械系統(tǒng)或特定系統(tǒng)組件組成的數(shù)字雙胞胎。數(shù)字雙胞胎的最常見用途是生產(chǎn)過程的實時診斷和評估，產(chǎn)品性能的預測和可視化等。

為了教數(shù)字孿生模型了解如何優(yōu)化物理系統(tǒng)，數(shù)據(jù)科學工程師使用了監(jiān)督和無監(jiān)督的機器學習算法。通過處理從連續(xù)實時監(jiān)控中收集的歷史數(shù)據(jù)和未標記數(shù)據(jù)，機器學習算法可以查找行為模式并查找異常。這些算法有助于優(yōu)化生產(chǎn)計劃，質(zhì)量改進和維護。

此外，利用NLP技術(shù)可以處理來自研究，行業(yè)報告，社交網(wǎng)絡(luò)和大眾媒體的外部數(shù)據(jù)。它不僅增強了數(shù)字雙胞胎的功能，不僅可以設(shè)計未來的產(chǎn)品，還可以模擬其性能。

四、智能制造的生成設(shè)計

生成設(shè)計的思想是基于機器學習的給定產(chǎn)品的所有可能設(shè)計選項的生成。通過在生成的設(shè)計軟件中選擇重量，尺寸，材料，操作和制造條件等參數(shù)，工程師可以生成許多設(shè)計解決方案。然后，他們可以為將來的產(chǎn)品選擇最合適的設(shè)計并將其投入生產(chǎn)。

先進的深度學習算法的使用使生成設(shè)計軟件變得智能。人工智能的新趨勢之一是生成對抗網(wǎng)絡(luò)（GAN）。GAN依次使用兩個網(wǎng)絡(luò)：生成器和鑒別器，其中生成器網(wǎng)絡(luò)為給定產(chǎn)品生成新設(shè)計，而鑒別器網(wǎng)絡(luò)對真實產(chǎn)品的設(shè)計和生成的產(chǎn)品進行分類和區(qū)分。

因此，數(shù)據(jù)科學家開發(fā)并教授深度學習模型以定義所有可能的設(shè)計變體。計算機成為所謂的“設(shè)計伙伴”，它根據(jù)產(chǎn)品設(shè)計師給出的約束條件生成獨特的設(shè)計思想。

五、基于ML的能耗預測

工業(yè)物聯(lián)網(wǎng)（IIoT）的增長不僅使大多數(shù)生產(chǎn)過程實現(xiàn)自動化，而且使他們節(jié)儉。通過收集有關(guān)溫度，濕度，照明使用和設(shè)施活動水平的歷史數(shù)據(jù)，可以預測能耗。那時機器學習和人工智能承擔了大部分實施任務(wù)。

利用機器學習進行能源消耗管理的想法是檢測模式和趨勢。通過處理過去消耗能源的歷史數(shù)據(jù)，機器學習模型可以預測未來的能源消耗。

預測能耗的最常見機器學習方法是基于順序數(shù)據(jù)測量。為了做到這一點，數(shù)據(jù)科學家使用自回歸模型和深度神經(jīng)網(wǎng)絡(luò)。

自回歸模型非常適合定義趨勢，周期性，不規(guī)律性和季節(jié)性。但是，僅應用一種基于自回歸的方法并不總是足夠的。為了提高預測準確性，數(shù)據(jù)科學家使用了幾種方法。最常見的補充方法是要素工程，該工程有助于將原始數(shù)據(jù)轉(zhuǎn)換為要素，從而為預測算法指定任務(wù)。

深度神經(jīng)網(wǎng)絡(luò)非常適合處理大型數(shù)據(jù)集和快速找到模式?？梢詫λ鼈冞M行培訓，以從輸入數(shù)據(jù)中自動提取特征，而無需進行特征工程。

為了使用內(nèi)部存儲器存儲以前輸入的數(shù)據(jù)的信息，數(shù)據(jù)科學家利用遞歸神經(jīng)網(wǎng)絡(luò)（RNN），它擅長跨越較長序列的模式。具有循環(huán)的RNN可以讀取輸入數(shù)據(jù)，并同時跨神經(jīng)元傳輸數(shù)據(jù)。這有助于理解時間依賴性，定義過去觀察中的模式，并將它們鏈接到將來的預測。此外，RNN可以動態(tài)學習定義哪些輸入信息有價值，并在必要時快速更改上下文。

因此，通過利用機器學習和人工智能，制造商可以估算能源賬單，了解能源的消耗方式，并使優(yōu)化過程更加由數(shù)據(jù)驅(qū)動。

六、人工智能和機器學習驅(qū)動的認知供應鏈

當意識到數(shù)據(jù)量與物聯(lián)網(wǎng)一起增長的速度時，很明顯，智能供應鏈只是選擇正確解決方案的問題。

人工智能和機器學習不僅使供應鏈管理自動化，而且使認知管理成為可能?；跈C器學習算法的供應鏈管理系統(tǒng)可以自動分析諸如物料庫存，入站裝運，在制品，市場趨勢，消費者情緒和天氣預報等數(shù)據(jù)。因此，他們能夠定義最佳解決方案并做出數(shù)據(jù)驅(qū)動的決策。

整個認知供應鏈管理系統(tǒng)可能涉及以下功能：

需求預測。通過應用時間序列分析，功能工程和NLP技術(shù)，機器學習預測模型可以分析客戶行為模式和趨勢。因此，制造商可以依靠數(shù)據(jù)驅(qū)動的預測來設(shè)計新產(chǎn)品，優(yōu)化物流和制造流程。

阿迪達斯使用的需求預測系統(tǒng)很好地說明了機器學習算法如何影響客戶體驗。通過分析購買行為的趨勢并使消費者參與產(chǎn)品設(shè)計，該公司極大地優(yōu)化了制造和交付流程。

運輸優(yōu)化。利用機器學習和深度學習算法可以評估運輸和可交付成果，并確定對其性能有何影響。

物流路線優(yōu)化。通用ML算法會檢查所有可能的路線并定義最快的路線。

倉庫控制。基于深度學習的計算機視覺系統(tǒng)可以檢測到庫存短缺和庫存過剩，從而優(yōu)化了及時的補貨。

智能庫存管理系統(tǒng)的示例是由Tyson Foods公司集成的基于計算機視覺的跟蹤技術(shù)。通過利用邊緣計算，相機和機器學習算法，該系統(tǒng)可以跟蹤通過供應鏈的雞肉數(shù)量。

人力資源規(guī)劃。當機器學習算法收集并處理生產(chǎn)數(shù)據(jù)時，它可以顯示執(zhí)行某些任務(wù)需要多少員工。

供應鏈安全。機器學習算法分析有關(guān)請求信息的數(shù)據(jù)：需要誰，在哪里以及什么信息，并評估風險因素。因此，認知供應鏈可確保數(shù)據(jù)隱私并防止黑客入侵。

端到端的透明度?；跈C器學習的高級IoT數(shù)據(jù)分析處理從IoT設(shè)備接收的數(shù)據(jù)。機器學習算法可發(fā)現(xiàn)供應鏈中多個流程之間的隱藏互連，并識別需要立即響應的弱點。因此，如有必要，參與供應鏈運作的每個人都可以請求所需的信息。

最后，可以預見人工智能在制造業(yè)中的未來是光明的。普華永道（PwC）報告顯示，制造業(yè)AI技術(shù)在未來五年內(nèi)將有望快速增長。

但更需要強調(diào)的一點是，人工智能和機器學習并不是一整合便會立即帶來成功。因為當中的要點是——任何創(chuàng)新技術(shù)都應該解決現(xiàn)有的業(yè)務(wù)問題，而不是想象中的問題。
編輯：lyn