人工智能在推動工業制造的數字化轉型和提供工業 4.0 的好處方面發揮著重要作用。人工智能在制造業中的兩個關鍵應用包括用于缺陷檢測和產品質量的預測性維護和機器視覺。人工智能還提供了在整個產品生命周期中帶來好處的潛力，從產品開發的衍生式設計到售后和保修支持。

然而，有許多挑戰阻止人工智能進入工業領域。其中一些障礙僅僅是由于工業部門的組成具有各種用例、公司規模和缺乏專業知識，這增加了實施的復雜性。

ABI Research 的工業和制造研究總監 Ryan Martin 表示，人們對人工智能和機器學習 (ML) 非常感興趣，但工業制造市場存在很多碎片化。

“鑒于制造商的多樣性以及他們各自面臨的問題，很難廣泛談論這些技術，”馬丁說。“有一個龐大的中小型企業和機械車間基礎，尤其是在美國，它們雇用 1 到 10 或 1 到 50 名員工，這些員工非常關鍵，可以從這些技術中受益，但不一定雇用或擁有很容易接觸到他們。”

馬丁說，只有少數大公司，如約翰迪爾、卡特彼勒、通用汽車、特斯拉、蘋果和三星等家喻戶曉的公司，正在推動大量創新。

對于這些類型的大型公司，他們通常在其業務的信息技術和運營技術方面都使用人工智能——前者用于數據管理，后者用于監控和控制工業設備。

兩個主要領域是與數據相關的，可能是數據規范化、數據清理或數據分析，因此從數據中提取洞察力并使數據可訪問，Martin 說。他補充說，另一個領域是質量，可以是產品或機器的質量，包括預測性維護類型的應用程序。

馬丁說，機器視覺是人工智能在異常檢測等應用中得到更廣泛部署的另一個領域。“正在發生變化的是人工智能和深度學習類型的應用程序之間的差異，這些應用程序正在尋找未預先確定的異常情況。”

這非常重要，因為從歷史上看，這些系統擅長發現已知問題，但最大的挑戰之一是發現和修復您不知道自己正在尋找的問題，而這正是 AI 更廣泛的領域開始發揮作用，他補充說。“理想情況下，你可以將異常與原因聯系起來，然后從中啟動行動。可能是由于生產它的機器出現問題而導致缺陷發生，或者可能是由于供應商問題而發生缺陷并且可以自動采取行動。

“今天，更有可能一個人或幾個人參與這些流程以識別問題，然后實施其糾正措施，”他補充道。

人工智能也被用于設計階段，將人工智能嵌入到設計軟件中，馬丁說。他補充說，通過衍生式設計，設計師輸入他們的關鍵產品參數，使用人工智能的軟件理想地生成許多設計。

然后，設計師根據他們的標準從可能性列表中縮小設計范圍。

一個示例指標可能是可持續性，即產品選擇基于本地采購的最少材料，Martin 說。“這為設計師節省了大量的時間和精力。”

挑戰

然而，工業制造商在實施人工智能模型方面仍面臨挑戰。其中很大一部分是進入的知識壁壘。

“建立一個人工智能模型不是一朝一夕的事，”馬丁說。“您需要了解您的所有輸入，更重要的是，您要了解您想要實現的目標。通常需要進行大量設置，即使公司可以在 24 到 48 小時甚至一周內啟動并運行（這可能是真的），您仍然需要擁有高技能的人員。”

馬丁說，人工智能解決方案不太可能在一夜之間建立起來，因為需要收集和分析數據，并且必須開發算法。“即使現在的常見情況是提供商可能會提供可以讓您到達 80% 的算法，但您必須自定義最后一英里或最后 20%，這是一個很好的方法，但它仍然可以需要最后一英里的定制，這需要時間或合作伙伴。”

但是由于新的軟件交付選項，行業正在發生變化。軟件即服務 (SaaS) 和云服務使更新的技術更易于訪問。

“作為一種架構的云和作為一種交付機制的 SaaS 意味著進入門檻要低得多，制造商可以在很短的時間內啟動并運行，理想情況下不需要太多培訓，因為所有基礎設施都將得到支持和啟用另一個合作伙伴或提供商，”馬丁說。

一些例子包括西門子最近推出的Xcelerator 即服務產品組合、PTC 在其Atlas SaaS 平臺上不斷發展的產品組合以及 AutoDesk 的Fusion 360。

組件制造商還專注于降低進入壁壘。一個例子是 Sensata Technologies 的Sensata IQ 平臺，它可以更輕松地部署資產健康監控，以防止制造環境中的計劃外停機。這個基于云的平臺使用 AI 處理來自 Sensata 傳感器以及合格的第三方傳感器的數據，以監控來自任何地方的資產，包括 PC、智能手機或平板電腦。

森薩塔的解決方案針對當今未受監控的工廠資產的 85%。“今天監控的大部分內容都是工廠中非常關鍵的資產，其中許多解決方案非常昂貴，不使用云，并且集成到控制系統中，”產品線總監 Bryan Siafakas 說森薩塔的工業傳感和 IIoT 產品組合。“我們的重點是工廠資產的平衡，我們不必綁定到現有的控制基礎設施。它可以輕松地對您可能想要在工廠中監控的任何資產進行改造。”

建立資產基線的學習期可能需要一到兩周。然后，利用 AI/ML 將這些信息存儲在 Sensata IQ 中并進行趨勢分析，該 AI/ML 用于監控某些類型的故障。根據基準，森薩塔將其故障表征準確度定為 95%。

一些異常檢測（通過傳感器）是在邊緣完成的，當需要時，數據會被發送到云端進行更復雜的分析，這需要額外的計算能力。Siafakas 說，這取決于能夠描述故障特征所需的數據。

他說，易用性始于部署 Sensata 的傳感器，無需工具即可配置或安裝。例如，它的一個無線振動傳感器帶有一個磁鐵支架，可以放置在電機或泵上，并使用 Sensata IQ 移動應用程序進行配置。

“回答幾個簡單的問題，然后你就可以在平臺上看到它，”Siafakas 說。“讓這一切變得容易的是，人工智能機器學習從客戶那里獲得所需的領域專業知識，并將其打包到系統中運行的模型中。

“人工智能允許系統采用該領域的專業知識，以便維護經理或工廠管理人員可以輕松地解釋這些信號，提醒您系統中將存在異常或特定故障，”他補充道。

Siafakas 說，關鍵是要避免停機，在故障實際發生之前中斷故障并使工廠停機。

這些類型的解決方案還可以幫助解決制造工廠中的一些熟練勞動力短缺問題。

Siafakas 表示，工業 4.0 正在尋求解決的主要趨勢之一是隨著嬰兒潮一代的退休和制造商努力取代熟練勞動力而出現的技能差距。一個例子是“已經在工廠工作了 30 年的維護人員，他們可以路過資產并說，'這聽起來不對。'” 新進入勞動力市場的人沒有同樣水平的經驗或知識深度，現在您可以感知這些資產，利用人工智能來預測這些故障。”

馬丁說，人工智能非常適合可以自動化的冗余任務。“它在軟件驅動的自動化和人類驅動的行動洞察力之間取得了正確的平衡，讓人們可以做他們想做的事情，同時也讓他們獲得正確的信息，這樣他們就可以在物理上到達他們需要的地方。需要在那里并以高效和優化的方式做事。這可能不僅包括物理產品的制造，還包括設計或售后服務和支持。”

審核編輯 黃昊宇