如今制造行業(yè)流行的是什么,？AI又是如何改變制造業(yè)的呢,？
▍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)來進行給定任務的缺陷檢測。結合了高光學分辨率相機和GPU,，深度學習驅動的檢測系統(tǒng)將比傳統(tǒng)機器視覺具有更好的感知能力,。
例如，可口可樂構建了基于AI的視覺檢查應用程序,。該應用程序診斷設施系統(tǒng)并檢測問題,，然后把檢測到的問題通知給技術專家，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)設備中的異常,，分析其性質和頻率，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,，質量改進和維護,。
此外，利用NLP技術可以處理來自研究,，行業(yè)報告,，社交網(wǎng)絡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,，不僅可以設計未來的產(chǎn)品,，還可以模擬其性能。
▍四,、智能制造的生成設計
生成設計的思想是基于機器學習的給定產(chǎn)品的所有可能設計選項的生成,。通過在生成的設計軟件中選擇重量、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（GAN）,。GAN依次使用兩個網(wǎng)絡：生成器和鑒別器，其中生成器網(wǎng)絡為給定產(chǎn)品生成新設計,，而鑒別器網(wǎng)絡對真實產(chǎn)品的設計和生成的產(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計變體,。計算機成為所謂的“設計伙伴”,，它根據(jù)產(chǎn)品設計師給出的約束條件生成獨特的設計思想。
▍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。通過收集有關溫度,、濕度,、照明使用和設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,。
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,。
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)轉換為要素,，從而為預測算法指定任務,。
深度神經(jīng)網(wǎng)絡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（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)驅動,。
▍六、人工智能和機器學習驅動的認知供應鏈
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,。基于機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,，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)驅動的預測來設計新產(chǎn)品,，優(yōu)化物流和制造流程,。
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,。
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)行某些任務需要多少員工,。
供應鏈安全。機器學習算法分析有關請求信息的數(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。基于機器學習的高級IoT數(shù)據(jù)分析處理從IoT設備接收的數(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)新技術都應該解決現(xiàn)有的業(yè)務問題,，而不是想象中的問題,。
與金融等行業(yè)相比，雖然人工智能在制造業(yè)的應用場景不少,，卻并不突出,，甚至可以說發(fā)展較慢。究其原因,，主要源于以下三大方面：一是,，由于制造環(huán)節(jié)數(shù)據(jù)的采集、利用,、開發(fā)都有較大難度,，加之企業(yè)的數(shù)據(jù)庫也以私有為主、數(shù)據(jù)規(guī)模有限,，缺乏優(yōu)質的機器學習樣本,，制約了機器的自主學習過程；二是,，不同的制造行業(yè)之間存在差異,，對于人工智能解決方案的復雜性和定制化要求高；三是,，不同的行業(yè)內(nèi)缺乏能夠引領人工智能與制造業(yè)深度融合發(fā)展趨勢的龍頭企業(yè),。
解決以上三大問題，人工智能技術才能更好地應用于制造業(yè),。當然,，這些痛點也不僅僅局限于制造業(yè)，在其他行業(yè)同樣也存在挑戰(zhàn),?；谶@些難題,，引力互聯(lián)國際打造了全球化人工智能算法和解決方案交易市場——鈦靈AI算法市場，實現(xiàn)行業(yè)上下游資源與需求的精準對接與高效匹配,，加速產(chǎn)品落地周期,，帶動全產(chǎn)業(yè)市場發(fā)展。
