制造商為了跟上技術(shù)的最新變化，需要探索推動(dòng)工廠走向未來的最關(guān)鍵要素之一：機(jī)器學(xué)習(xí)。讓我們談?wù)?ML 技術(shù)在 2022 年提供的最重要的應(yīng)用和創(chuàng)新。

制造商為了跟上技術(shù)的最新變化，需要探索推動(dòng)工廠走向未來的最關(guān)鍵要素之一：機(jī)器學(xué)習(xí)。讓我們談?wù)?ML 技術(shù)在 2022 年提供的最重要的應(yīng)用和創(chuàng)新。

機(jī)器學(xué)習(xí)與人工智能：有什么區(qū)別？

機(jī)器學(xué)習(xí)是人工智能的一個(gè)子領(lǐng)域，但并非所有人工智能技術(shù)都算作機(jī)器學(xué)習(xí)。還有各種其他類型的 AI 在許多行業(yè)中發(fā)揮作用，例如機(jī)器人技術(shù)、自然語言處理和計(jì)算機(jī)視覺。如果您對(duì)這些技術(shù)如何影響制造業(yè)感到好奇，請(qǐng)查看下面的評(píng)論。

基本上，機(jī)器學(xué)習(xí)算法利用訓(xùn)練數(shù)據(jù)為允許軟件解決問題的算法提供動(dòng)力。這些數(shù)據(jù)可能來自工廠車間的實(shí)時(shí)物聯(lián)網(wǎng)傳感器，也可能來自其他方法。機(jī)器學(xué)習(xí)有神經(jīng)網(wǎng)絡(luò)、深度學(xué)習(xí)等多種方法。神經(jīng)網(wǎng)絡(luò)模仿生物神經(jīng)元來發(fā)現(xiàn)數(shù)據(jù)集中的模式來解決問題。深度學(xué)習(xí)利用不同層次的神經(jīng)網(wǎng)絡(luò)，其中第一層利用原始數(shù)據(jù)輸入并將處理后的信息從一層傳遞到下一層。

盒子里的工廠

讓我們先想象一個(gè)裝有裝配機(jī)器人、物聯(lián)網(wǎng)傳感器和其他自動(dòng)化機(jī)械的盒子。一方面，您提供完成產(chǎn)品所需的材料；在另一端，產(chǎn)品從裝配線上滾下。該設(shè)備所需的唯一干預(yù)是內(nèi)部設(shè)備的日常維護(hù)。這是制造業(yè)的理想未來，機(jī)器學(xué)習(xí)可以幫助我們?nèi)媪私馊绾螌?shí)現(xiàn)這一目標(biāo)。

除了自動(dòng)化裝配工作所需的先進(jìn)機(jī)器人技術(shù)外，機(jī)器學(xué)習(xí)還可以幫助確保：質(zhì)量保證、無損檢測(cè)分析和定位缺陷原因等。

你可以把這個(gè)工廠在一個(gè)盒子里的例子想成是簡化一個(gè)更大的工廠的一種方式，但在某些情況下它是相當(dāng)直白的。諾基亞正在利用帶有先進(jìn)自動(dòng)化裝配設(shè)備的改裝運(yùn)輸集裝箱形式的便攜式制造基地。您可以在任何必要的位置使用這些便攜式容器，允許制造商在現(xiàn)場(chǎng)組裝產(chǎn)品，而無需將產(chǎn)品運(yùn)輸更遠(yuǎn)的距離。

質(zhì)量保證

使用神經(jīng)網(wǎng)絡(luò)、高分辨率光學(xué)相機(jī)和強(qiáng)大的 GPU，結(jié)合機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺的實(shí)時(shí)視頻處理可以比人類更好地完成視覺檢測(cè)任務(wù)。該技術(shù)可確保盒子中的工廠正常工作，并從系統(tǒng)中消除不可用的產(chǎn)品。

過去，機(jī)器學(xué)習(xí)在視頻分析中的使用因視頻質(zhì)量而受到批評(píng)。這是因?yàn)閳D像在幀與幀之間可能是模糊的，并且檢查算法可能會(huì)出現(xiàn)更多錯(cuò)誤。然而，憑借高質(zhì)量的相機(jī)和更強(qiáng)大的圖形處理能力，神經(jīng)網(wǎng)絡(luò)可以更有效地實(shí)時(shí)搜索缺陷，而無需人工干預(yù)。

使用各種物聯(lián)網(wǎng)傳感器，機(jī)器學(xué)習(xí)可以幫助測(cè)試創(chuàng)建的產(chǎn)品而不會(huì)損壞它們。算法可以在實(shí)時(shí)數(shù)據(jù)中搜索與單元的缺陷版本相關(guān)的模式，從而使系統(tǒng)能夠標(biāo)記可能不需要的產(chǎn)品。

非破壞性測(cè)試

我們可以檢測(cè)材料缺陷的另一種方法是通過無損檢測(cè)。這涉及在不造成損壞的情況下測(cè)量材料的穩(wěn)定性和完整性。例如，您可以使用超聲波機(jī)器檢測(cè)材料中的裂縫等異常情況。該機(jī)器可以測(cè)量人類可以分析的數(shù)據(jù)，以手動(dòng)查找這些異常值。

但是，異常值檢測(cè)算法、對(duì)象檢測(cè)算法和分割算法可以通過分析數(shù)據(jù)以找出人類可能無法以更高效率看到的可識(shí)別模式來自動(dòng)執(zhí)行此過程。機(jī)器學(xué)習(xí)也不會(huì)像人類容易犯那樣多的錯(cuò)誤。

預(yù)測(cè)性維護(hù)

機(jī)器學(xué)習(xí)在制造業(yè)中的核心作用之一是預(yù)測(cè)性維護(hù)。普華永道報(bào)告稱，預(yù)測(cè)性維護(hù)將成為制造業(yè)中增長最快的機(jī)器學(xué)習(xí)技術(shù)之一，從 2020 年到 2025 年，市場(chǎng)價(jià)值將增長 38%。

由于計(jì)劃外維護(hù)有可能深深地影響企業(yè)的利潤，預(yù)測(cè)性維護(hù)可以使工廠能夠在機(jī)器出現(xiàn)成本更高的故障之前進(jìn)行適當(dāng)?shù)恼{(diào)整和糾正。我們希望確保我們的工廠在一個(gè)盒子里有盡可能多的正常運(yùn)行時(shí)間和盡可能少的延遲，而預(yù)測(cè)性維護(hù)可以實(shí)現(xiàn)這一點(diǎn)。

廣泛的物聯(lián)網(wǎng)傳感器記錄有關(guān)機(jī)器運(yùn)行條件和狀態(tài)的重要信息，使預(yù)測(cè)性維護(hù)成為可能。這可能包括濕度、溫度等。

用于預(yù)測(cè)性維護(hù)的 ML 模型

機(jī)器學(xué)習(xí)算法可以分析隨時(shí)間收集的數(shù)據(jù)中的模式，并合理地預(yù)測(cè)機(jī)器何時(shí)需要維護(hù)。有幾種方法可以實(shí)現(xiàn)這一目標(biāo)：

回歸模型：這些模型預(yù)測(cè)設(shè)備的剩余使用壽命 (RUL)。這使用歷史和靜態(tài)數(shù)據(jù)，制造商可以查看距離機(jī)器發(fā)生故障還有多少天。

分類模型：這些模型在預(yù)定義的時(shí)間跨度內(nèi)預(yù)測(cè)故障。

異常檢測(cè)模型：這些在檢測(cè)到異常系統(tǒng)行為時(shí)標(biāo)記設(shè)備。

問題定位

借助支持預(yù)測(cè)性維護(hù)的物聯(lián)網(wǎng)傳感器，機(jī)器學(xué)習(xí)可以分析數(shù)據(jù)中的模式，以查看機(jī)器的哪些部分需要維護(hù)以防止故障。如果某些模式導(dǎo)致缺陷趨勢(shì)，則硬件或軟件行為可能會(huì)被識(shí)別為這些缺陷的原因。從這里，工程師可以提出解決方案來糾正系統(tǒng)，以避免將來出現(xiàn)這些缺陷。這使我們能夠降低我們工廠在盒子場(chǎng)景中的誤差幅度。

數(shù)字孿生

數(shù)字孿生是基于物聯(lián)網(wǎng)傳感器和實(shí)時(shí)數(shù)據(jù)的生產(chǎn)過程的虛擬再現(xiàn)。它們可以創(chuàng)建為尚不存在的系統(tǒng)的原始假設(shè)表示，或者它們可以是現(xiàn)有系統(tǒng)的再創(chuàng)造。

數(shù)字孿生是一個(gè)用于實(shí)驗(yàn)的沙箱，其中機(jī)器學(xué)習(xí)可用于分析模擬中的模式以優(yōu)化環(huán)境。這也有助于支持質(zhì)量保證和預(yù)測(cè)性維護(hù)工作。我們還可以將機(jī)器學(xué)習(xí)與數(shù)字孿生一起使用來進(jìn)行布局優(yōu)化。這適用于規(guī)劃工廠布局或優(yōu)化現(xiàn)有布局。

用于能源消耗預(yù)測(cè)的 ML 模型

如果我們要優(yōu)化工廠的每個(gè)部分，我們還需要注意它所需的能源。最常見的方法是使用順序數(shù)據(jù)測(cè)量，數(shù)據(jù)科學(xué)家可以使用由自回歸模型和深度神經(jīng)網(wǎng)絡(luò)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)算法對(duì)其進(jìn)行分析。

自回歸模型：非常適合定義功耗的趨勢(shì)、周期性、不規(guī)則性和季節(jié)性。為了提高準(zhǔn)確性，數(shù)據(jù)科學(xué)家可以將原始數(shù)據(jù)轉(zhuǎn)換為有助于指定預(yù)測(cè)算法任務(wù)的特征。

深度神經(jīng)網(wǎng)絡(luò)：數(shù)據(jù)科學(xué)家使用這些來處理大型數(shù)據(jù)集，以快速找到數(shù)據(jù)消耗模式。這些可以被訓(xùn)練為從輸入數(shù)據(jù)中自動(dòng)提取特征，而無需像自回歸模型這樣的特征工程。

用于序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)：RNN（循環(huán)神經(jīng)網(wǎng)絡(luò)）、LSTM（長短期記憶）/GRU（門控循環(huán)單元）、基于注意力的神經(jīng)網(wǎng)絡(luò)，用于使用內(nèi)部存儲(chǔ)器存儲(chǔ)先前輸入的能源使用數(shù)據(jù)的信息。

生成式設(shè)計(jì)

我們已經(jīng)使用機(jī)器學(xué)習(xí)來優(yōu)化工廠的生產(chǎn)流程，但產(chǎn)品本身呢？寶馬在 2022 年國際消費(fèi)電子展上推出了帶有特殊電子墨水包裝的 BMW iX Flow，可以讓它在黑色和白色之間改變汽車的顏色（或更準(zhǔn)確地說是陰影）。寶馬解釋說：“實(shí)施了衍生式設(shè)計(jì)流程，以確保各個(gè)部分反映車輛的特征輪廓以及由此產(chǎn)生的光影變化。”

衍生式設(shè)計(jì)是使用機(jī)器學(xué)習(xí)來優(yōu)化產(chǎn)品設(shè)計(jì)的地方，無論是汽車、電子設(shè)備、玩具還是其他物品。有了數(shù)據(jù)和期望的目標(biāo)，機(jī)器學(xué)習(xí)可以循環(huán)所有可能的安排以找到最佳設(shè)計(jì)。

可以訓(xùn)練 ML 算法來優(yōu)化設(shè)計(jì)的重量、形狀、耐用性、成本、強(qiáng)度，甚至美學(xué)參數(shù)。

衍生式設(shè)計(jì)過程可以基于以下算法：

強(qiáng)化學(xué)習(xí)

深度學(xué)習(xí)

遺傳算法

改進(jìn)的供應(yīng)鏈管理：認(rèn)知供應(yīng)鏈

讓我們從一個(gè)盒子示例中暫時(shí)離開工廠，看看更廣泛的制造需求圖景。生產(chǎn)只是一個(gè)要素。制造中心的供應(yīng)鏈角色也正在通過機(jī)器學(xué)習(xí)技術(shù)得到改善，例如物流路線優(yōu)化和倉庫庫存控制。這些構(gòu)成了在制造業(yè)中不斷發(fā)展的認(rèn)知供應(yīng)鏈。

倉庫庫存控制

人工智能驅(qū)動(dòng)的物流解決方案使用物體檢測(cè)模型而不是條形碼檢測(cè)，從而取代人工掃描。計(jì)算機(jī)視覺系統(tǒng)可以檢測(cè)到短缺和庫存過剩。通過識(shí)別這些模式，管理人員可以了解可操作的情況。甚至可以讓計(jì)算機(jī)自動(dòng)采取行動(dòng)來優(yōu)化庫存存儲(chǔ)。

在 MobiDev，我們研究了一個(gè)創(chuàng)建能夠檢測(cè)物流對(duì)象的系統(tǒng)的用例。閱讀更多關(guān)于使用小型數(shù)據(jù)集進(jìn)行對(duì)象檢測(cè)以實(shí)現(xiàn)物流中的自動(dòng)化物品計(jì)數(shù)的更多信息。

需求預(yù)測(cè)

工廠應(yīng)該生產(chǎn)多少并發(fā)貨？這是一個(gè)很難回答的問題。然而，通過訪問適當(dāng)?shù)臄?shù)據(jù)，機(jī)器學(xué)習(xí)算法可以幫助工廠了解他們應(yīng)該在不過度生產(chǎn)的情況下生產(chǎn)多少。制造業(yè)機(jī)器學(xué)習(xí)的未來取決于創(chuàng)新決策。

審核編輯 ：李倩