人工智能為制造業(yè)的工程師提供了許多新的應(yīng)用。為了提供全部價(jià)值，需要將 AI 模型集成到整個(gè)制造過程中，該過程每周 7 天不間斷地運(yùn)行。

為了完全集成，工程師還需要關(guān)注人工智能的多個(gè)方面。從數(shù)據(jù)準(zhǔn)備開始，然后是建模，然后是模擬和測試，最后是部署，這個(gè)四步工作流程允許將 AI 模型成功集成到 24/7 制造流程中。

不僅僅是建模

使用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的工程師通常希望將大部分時(shí)間用于開發(fā)和微調(diào) AI 模型。是的，建模是工作流程中的重要一步，但模型并不是旅程的終點(diǎn)。在實(shí)際 AI 實(shí)施中取得成功的關(guān)鍵因素是盡早發(fā)現(xiàn)任何問題，并了解工作流程的哪些方面需要集中時(shí)間和資源以獲得最佳結(jié)果——這并不總是最明顯的步驟。

在深入研究完整的工作流程之前需要考慮兩個(gè)重要方面：

大多數(shù)情況下，人工智能只是更大制造系統(tǒng)的一小部分，它需要在所有場景中與連續(xù)運(yùn)行的生產(chǎn)線的所有其他工作部分一起正常工作。這包括通過工業(yè)通信協(xié)議（如OPC UA）以及機(jī)器軟件的其他部分（如控制、監(jiān)控邏輯和 HMI）從設(shè)備上的傳感器收集的數(shù)據(jù)。

在這種情況下，工程師已經(jīng)具備成功整合 AI 的技能。他們擁有有關(guān)設(shè)備的固有領(lǐng)域知識(shí)，并使用用于數(shù)據(jù)準(zhǔn)備和設(shè)計(jì)模型的工具，即使他們不是人工智能專家，他們也可以開始，從而使他們能夠利用現(xiàn)有的專業(yè)領(lǐng)域。

人工智能驅(qū)動(dòng)的工作流程

現(xiàn)在，我們可以深入了解 AI 驅(qū)動(dòng)的完整工作流程的四個(gè)步驟，并更好地了解每個(gè)步驟如何在制造設(shè)備上成功實(shí)施 AI 方面發(fā)揮其關(guān)鍵作用。

第 1 步：數(shù)據(jù)準(zhǔn)備

數(shù)據(jù)準(zhǔn)備可以說是 AI 工作流程中最重要的一步：如果沒有可靠且準(zhǔn)確的數(shù)據(jù)作為訓(xùn)練模型的輸入，項(xiàng)目更有可能失敗。如果工程師給模型提供“糟糕”的數(shù)據(jù)，他或她將無法獲得有洞察力的結(jié)果——并且可能會(huì)花費(fèi)大量時(shí)間試圖找出模型無法正常工作的原因。

要訓(xùn)練模型，您應(yīng)該從盡可能多的干凈、標(biāo)記數(shù)據(jù)開始。這也可能是工作流程中最耗時(shí)的步驟之一。當(dāng)深度學(xué)習(xí)模型不能按預(yù)期工作時(shí)，許多人通常會(huì)關(guān)注如何讓模型變得更好——調(diào)整參數(shù)、微調(diào)模型以及提供多次訓(xùn)練迭代。但是，工程師最好專注于輸入數(shù)據(jù)：預(yù)處理和確保將數(shù)據(jù)正確標(biāo)記輸入模型，以確保模型可以理解數(shù)據(jù)。制造業(yè)通常遇到的另一個(gè)挑戰(zhàn)是，那些操作機(jī)器的公司可以訪問設(shè)備的操作數(shù)據(jù)，而機(jī)器制造商則需要數(shù)據(jù)來訓(xùn)練人工智能模型以部署在設(shè)備上。

數(shù)據(jù)準(zhǔn)備重要性的一個(gè)例子來自工程機(jī)械和設(shè)備公司Caterpillar，該公司從各種機(jī)器中獲取大量現(xiàn)場數(shù)據(jù)。這些過多的數(shù)據(jù)對于準(zhǔn)確的 AI 建模是必要的，但龐大的數(shù)據(jù)量會(huì)使數(shù)據(jù)清理和標(biāo)記過程比平時(shí)更加耗時(shí)。為了簡化這一過程，Caterpillar 使用自動(dòng)標(biāo)記和與MATLAB的集成來快速開發(fā)干凈的標(biāo)記數(shù)據(jù)以輸入機(jī)器學(xué)習(xí)模型，從而從現(xiàn)場機(jī)械中提供更有前景的見解。這個(gè)過程是可擴(kuò)展的，讓用戶可以靈活地使用他們的領(lǐng)域?qū)I(yè)知識(shí)，而不必成為人工智能專家。

第 2 步：人工智能建模

一旦數(shù)據(jù)干凈并正確標(biāo)記，就該進(jìn)入工作流的建模階段了，該階段將數(shù)據(jù)用作輸入，模型從該數(shù)據(jù)中學(xué)習(xí)。成功建模階段的目標(biāo)是創(chuàng)建一個(gè)健壯、準(zhǔn)確的模型，該模型可以根據(jù)輸入做出明智的決策。這也是深度學(xué)習(xí)、機(jī)器學(xué)習(xí)或其組合進(jìn)入工作流程的地方，因?yàn)楣こ處煕Q定什么是最準(zhǔn)確、最可靠的結(jié)果。

在這個(gè)階段，無論是在深度學(xué)習(xí)（神經(jīng)網(wǎng)絡(luò)）還是機(jī)器學(xué)習(xí)模型（SVM、決策樹等）之間做出選擇，重要的是能夠直接訪問用于 AI 工作流的許多算法，例如分類、預(yù)測和回歸。 您可能還想使用由更廣泛的社區(qū)開發(fā)的各種預(yù)構(gòu)建模型作為起點(diǎn)或進(jìn)行比較。

使用 MATLAB 和 Simulink 等靈活工具可為工程師提供迭代環(huán)境所需的支持。雖然算法和預(yù)建模型是一個(gè)好的開始，但它們并不是完整的圖景。工程師學(xué)習(xí)如何使用這些算法，并通過使用示例找到解決特定問題的最佳方法，而 MATLAB 提供了數(shù)百個(gè)示例，用于跨多個(gè)領(lǐng)域構(gòu)建 AI 模型。

AI 建模是整個(gè)工作流程中的一個(gè)迭代步驟，工程師必須在整個(gè)步驟中跟蹤他們對模型所做的更改。使用Experiment Manager等工具跟蹤更改和記錄訓(xùn)練迭代至關(guān)重要，因?yàn)樗兄诮忉寣?dǎo)致最準(zhǔn)確模型的參數(shù)并創(chuàng)建可重復(fù)的結(jié)果。

第 3 步：模擬和測試

AI 模型存在于一個(gè)更大的系統(tǒng)中，并且必須與系統(tǒng)中的所有其他部分一起工作。在制造業(yè)中，人工智能模型可能負(fù)責(zé)預(yù)測性維護(hù)、動(dòng)態(tài)軌跡規(guī)劃或視覺質(zhì)量檢查，而機(jī)器軟件的其余部分則包括控制、監(jiān)督邏輯等。在將模型部署到現(xiàn)實(shí)世界之前，模擬和準(zhǔn)確性測試是驗(yàn)證 AI 模型是否正常工作以及一切與其他系統(tǒng)正常工作的關(guān)鍵。

為了在部署之前建立這種級別的準(zhǔn)確性和穩(wěn)健性，工程師必須確保模型能夠以預(yù)期的方式響應(yīng)，無論情況如何。在這個(gè)階段你應(yīng)該問的問題包括：

模型的整體精度是多少？

模型在每種情況下都按預(yù)期執(zhí)行嗎？

它是否涵蓋所有邊緣情況？

一旦您成功模擬和測試了您希望模型看到的所有案例，并且可以驗(yàn)證模型是否按目標(biāo)執(zhí)行，信任就實(shí)現(xiàn)了。通過使用Simulink之類的仿真工具，工程師可以在部署到設(shè)備之前驗(yàn)證模型是否符合所有預(yù)期用例的要求，從而避免重新設(shè)計(jì)成本和時(shí)間成本。

第 4 步：部署

一旦您準(zhǔn)備好部署，接下來就是目標(biāo)硬件——換句話說，準(zhǔn)備好模型的最終語言，以實(shí)現(xiàn)模型。此步驟通常要求設(shè)計(jì)工程師共享一個(gè)可實(shí)施的模型，使他們能夠?qū)⒃撃Ｐ瓦m配到指定的工業(yè)控制硬件環(huán)境中。

指定的硬件環(huán)境可以從嵌入式控制器和 PLC 到邊緣設(shè)備和工業(yè) PC 再到云，而 MATLAB 可以處理在所有場景中生成最終代碼。這些類型的靈活工具將為工程師提供在不同硬件供應(yīng)商的各種環(huán)境中部署模型的余地，而無需重寫原始代碼。

以將模型直接部署到 PLC 為例：自動(dòng)代碼生成消除了可能通過手動(dòng)編程引入的編碼錯(cuò)誤，并提供優(yōu)化的 C/C++ 或 IEC 61131 代碼，這些代碼將在主要供應(yīng)商的 PLC 上高效運(yùn)行。

圖 . 多家控制制造商支持從 MATLAB 和 Simulink 自動(dòng)生成 PLC 代碼（IEC 61131 或 C/C++）。

一起更強(qiáng)大

工程師不必成為數(shù)據(jù)科學(xué)家甚至 AI 專家就可以在 AI 上取得成功。專為工程師和科學(xué)家設(shè)計(jì)的工具、將 AI 集成到您的工作流程中的功能和應(yīng)用程序、24/7 全天候運(yùn)行使用的部署選項(xiàng)以及可以回答與 AI 集成相關(guān)的問題的專家是設(shè)置工程師及其 AI 模型的關(guān)鍵資源為了成功。最終，當(dāng)工程師可以專注于他們最擅長的事情并在此基礎(chǔ)上利用正確的資源幫助他們將人工智能帶入畫面時(shí)，他們將處于最佳狀態(tài)。