人工智能+制造业的解决方案与实践

　　人工智能在制造业的应用主要包括三个方面：一是智能设备，包括数控机床、自动识别设备、人机交互系统、工业机器人等特定设备；二是智能工厂，包括智能设计、智能生产、智能管理和集成优化；最后是智能服务，包括大规模定制、远程运维、预测性维护等特定服务模式。

　　根据达摩院发布的2021年十大科技趋势，工业智能正从单点智能快速迈向全局智能，智能应用从边缘业务切入企业核心业务，从辅助决策升级到对生产系统的控制，从单一业务方案升级到平台化整体方案。

　　IDC预测，到2026年将有70%的全球2000强组织使用人工智能为基于风险的运营决策提供指导和见解，目前这一数字还不到5%。

　　利用人工智能引擎的解决方案可以提供即时价值和合理的投资回报率，那么不同的解决方案有什么特点，企业应该如何看待和实践人工智能驱动的解决方案?

　　01 定制与标准化

　　定制和标准化的人工智能驱动的解决方案都能带来很多价值，但它们提供了不同的时间尺度和时间精度。

　　定制的解决方案

　　高度定制的解决方案基于复杂学习过程，可以利用神经网络和深度学习进行图像识别，或者通过监督学习来建立预测模型。

　　这些通常是预测性解决方案，用于模拟材料在生产过程中的行为(例如纸带或钢坯的破损预测)。但对解决方案进行微调以提供90%的精度需要相对较长的时间。

　　即使在高度定制的模型中，也可能很难找到问题的根源。为了解决这些问题，分析师和材料工程师必须使用智能解决方案来显示问题发生的时间、方式和原因。

　　工程师、开发人员和数据分析人员可以使用几种基于现代技术的数字和硬件工具及解决方案。但是在许多情况下，采用这些工具和解决方案是不够的。生产环境可能大不相同。

　　这不是简单地捕捉正确的参数和信号来提高输出质量和模型的最终精度的问题，其工作条件也可能有所不同。维护、调整和操作生产设备的不同方法可能会严重影响模型输出的质量。追求更高质量的过程可能曲折而艰难。

　　当然，投资回报率必须非常引人注目。经验表明，快速解决方案原型是必不可少的，模型的功能应该3-4周内快速测试。由于学习过程和模型的调整，从开始开发解决方案到部署解决方案(获取准确可靠的输出)之间的交付时间可能要花费数月的时间。

　　因此定制化解决方案的理想生产类型是高度资产密集型环境，因为在这种环境下，一次中断事故就可能造成数百万美元的损失。

　　标准化解决方案

　　标准化解决方案基于图像识别原理，有着精细化、高度可扩展的特点，最终输出的精度在很大程度上取决于异常样本的数量，因为样本越多，模型越精确。

　　对于基本的质量控制任务，可能需要4-6个不合格(“NOK”)样本，通过生产线上的摄像头来指导系统运行。从理论上来说，这样的解决方案甚至可以提供99.99%的准确率。然而现实表明，只有在简单的质量检验任务中才能达到这么高的理论值。

　　尺寸和表面完整性在能否有效利用这种解决方案中起着重要作用。越小越简单，控制输出越有效。

　　利用人工智能跟踪和分析每个装配步骤(包括周期分析)的解决方案看起来非常具有发展前景。这样的解决方案可以识别生产异常和瓶颈，从而将生产效率提高百分之几十。

　　它们还可以显著加快发现质量问题的速度，而在某些情况下，可以将发现时间缩短到几分钟。标准化解决方案很容易实现1-2年的投资回报率目标。其时间尺度和时间精度可能只有几天甚至几小时。

　　02 期望与实践

　　组织应该对在生产、质量控制和维护中利用人工智能有更现实的期望值，人工智能并不是解决所有问题的灵丹妙药。

　　但是，人工智能可以提供大量的用例。组织的重点应该放在人工智能驱动的解决方案可以实现的目标上，以及可以在这些解决方案上投入多少精力和费用。

　　在许多情况下，效益不仅是明显的关键绩效指标(例如生产线可用性或整体设备效率)，而且是提高可持续性和质量、解决生产过程中的问题以及提高客户满意度的目标。

　　必须避免产生数字孤岛，充分发挥数据的威力，人工智能驱动的模型必须与企业的各系统(例如制造执行系统、企业资源计划和高级分析工具)集成。数据可以在多个领域根据具体情况进行分析，不同的分析解决方案结合起来可以得到意想不到的效果。

　　结语

　　虽然目前人工智能的解决方案还不能完全满足制造业的要求，但是作为一项通用性技术，人工智能与制造业融合是大势所趋，未来的制造业转型升级也将会运用到包括云计算、大数据、物联网、人工智能等在内的多种技术。