如今制造行業流行的(de)是什(shén)麽?我想，這(zhè)可(kě)少不了(le)“數字轉換”、“工業4.0”、“人(rén)工智能(AI)”...

下(xià)面，就讓我們一起看看AI如何改變制造業。

▍一、用(yòng)于缺陷檢測的(de)深度學習(xí)

在制造中，生産線中的(de)缺陷檢測過程變得(de)越來(lái)越智能。深度神經網絡集成使計算(suàn)機系統可(kě)以識别諸如刮擦，裂紋，洩漏等表面缺陷。

通(tōng)過應用(yòng)圖像分(fēn)類，對(duì)象檢測和(hé)實例分(fēn)割算(suàn)法，數據科學家可(kě)以訓練視覺檢查系統來(lái)來(lái)進行給定任務的(de)缺陷檢測。結合了(le)高(gāo)光(guāng)學分(fēn)辨率相機和(hé)GPU，深度學習(xí)驅動的(de)檢測系統将比傳統機器視覺具有更好的(de)感知能力。

例如，可(kě)口可(kě)樂(yuè)構建了(le)基于AI的(de)視覺檢查應用(yòng)程序。該應用(yòng)程序診斷設施系統并檢測問題，然後把檢測到的(de)問題通(tōng)知給技術專家，助力專家采取進一步的(de)措施。

▍二、通(tōng)過機器學習(xí)進行預測性維護

與其在發生故障時(shí)進行修複或安排設備檢查，不如在發生問題之前進行預測。

通(tōng)過利用(yòng)時(shí)間序列數據，機器學習(xí)算(suàn)法可(kě)以微調預測性維護系統以分(fēn)析故障模式并預測可(kě)能的(de)問題。——當傳感器跟蹤諸如濕度，溫度或密度之類的(de)參數時(shí)，這(zhè)些數據将通(tōng)過機器學習(xí)算(suàn)法進行收集和(hé)處理(lǐ)。

根據預測目标，如故障之前的(de)剩餘時(shí)間，獲取故障概率或異常等，有幾種機器學習(xí)模型可(kě)以預測設備故障：

①、預測剩餘使用(yòng)壽命(RUL)的(de)回歸模型。通(tōng)過利用(yòng)曆史數據和(hé)靜态數據，此方法可(kě)以預測故障之前還(hái)有多(duō)少天。

②、用(yòng)于在預定時(shí)間段内預測故障的(de)分(fēn)類模型。爲了(le)定義機器将要失效的(de)時(shí)間，我們可(kě)以開發一個(gè)模型，該模型将在定義的(de)天數内預測失敗。

③、異常檢測模型可(kě)以标記設備。這(zhè)種方法可(kě)以通(tōng)過識别正常系統行爲和(hé)故障事件之間的(de)差異來(lái)預測故障。

基于機器學習(xí)的(de)預測性維護所帶來(lái)的(de)主要好處是準确性和(hé)及時(shí)性。通(tōng)過揭示生産設備中的(de)異常，分(fēn)析其性質和(hé)頻(pín)率，可(kě)以在故障發生之前優化(huà)性能。

▍三、人(rén)工智能将打造數字雙胞胎

數字孿生是物(wù)理(lǐ)生産系統的(de)虛拟副本。在制造領域，存在著(zhe)由特定機械資産，整個(gè)機械系統或特定系統組件組成的(de)數字雙胞胎。數字雙胞胎的(de)最常見用(yòng)途是生産過程的(de)實時(shí)診斷和(hé)評估，産品性能的(de)預測和(hé)可(kě)視化(huà)等。

爲了(le)教數字孿生模型了(le)解如何優化(huà)物(wù)理(lǐ)系統，數據科學工程師使用(yòng)了(le)監督和(hé)無監督的(de)機器學習(xí)算(suàn)法。通(tōng)過處理(lǐ)從連續實時(shí)監控中收集的(de)曆史數據和(hé)未标記數據，機器學習(xí)算(suàn)法可(kě)以查找行爲模式并查找異常。這(zhè)些算(suàn)法有助于優化(huà)生産計劃，質量改進和(hé)維護。

此外，利用(yòng)NLP技術可(kě)以處理(lǐ)來(lái)自研究，行業報告，社交網絡和(hé)大(dà)衆媒體的(de)外部數據。它不僅增強了(le)數字雙胞胎的(de)功能，不僅可(kě)以設計未來(lái)的(de)産品，還(hái)可(kě)以模拟其性能。

▍四、智能制造的(de)生成設計

生成設計的(de)思想是基于機器學習(xí)的(de)給定産品的(de)所有可(kě)能設計選項的(de)生成。通(tōng)過在生成的(de)設計軟件中選擇重量，尺寸，材料，操作和(hé)制造條件等參數，工程師可(kě)以生成許多(duō)設計解決方案。然後，他(tā)們可(kě)以爲将來(lái)的(de)産品選擇最合适的(de)設計并将其投入生産。

先進的(de)深度學習(xí)算(suàn)法的(de)使用(yòng)使生成設計軟件變得(de)智能。人(rén)工智能的(de)新趨勢之一是生成對(duì)抗網絡(GAN)。GAN依次使用(yòng)兩個(gè)網絡：生成器和(hé)鑒别器，其中生成器網絡爲給定産品生成新設計，而鑒别器網絡對(duì)真實産品的(de)設計和(hé)生成的(de)産品進行分(fēn)類和(hé)區(qū)分(fēn)。

因此，數據科學家開發并教授深度學習(xí)模型以定義所有可(kě)能的(de)設計變體。計算(suàn)機成爲所謂的(de)“設計夥伴”，它根據産品設計師給出的(de)約束條件生成獨特的(de)設計思想。

▍五、基于ML的(de)能耗預測

工業物(wù)聯網(IIoT)的(de)增長(cháng)不僅使大(dà)多(duō)數生産過程實現自動化(huà)，而且使他(tā)們節儉。通(tōng)過收集有關溫度，濕度，照(zhào)明(míng)使用(yòng)和(hé)設施活動水(shuǐ)平的(de)曆史數據，可(kě)以預測能耗。那時(shí)機器學習(xí)和(hé)人(rén)工智能承擔了(le)大(dà)部分(fēn)實施任務。

利用(yòng)機器學習(xí)進行能源消耗管理(lǐ)的(de)想法是檢測模式和(hé)趨勢。通(tōng)過處理(lǐ)過去消耗能源的(de)曆史數據，機器學習(xí)模型可(kě)以預測未來(lái)的(de)能源消耗。

預測能耗的(de)最常見機器學習(xí)方法是基于順序數據測量。爲了(le)做(zuò)到這(zhè)一點，數據科學家使用(yòng)自回歸模型和(hé)深度神經網絡。

自回歸模型非常适合定義趨勢，周期性，不規律性和(hé)季節性。但是，僅應用(yòng)一種基于自回歸的(de)方法并不總是足夠的(de)。爲了(le)提高(gāo)預測準确性，數據科學家使用(yòng)了(le)幾種方法。最常見的(de)補充方法是要素工程，該工程有助于将原始數據轉換爲要素，從而爲預測算(suàn)法指定任務。

深度神經網絡非常适合處理(lǐ)大(dà)型數據集和(hé)快(kuài)速找到模式。可(kě)以對(duì)它們進行培訓，以從輸入數據中自動提取特征，而無需進行特征工程。

爲了(le)使用(yòng)内部存儲器存儲以前輸入的(de)數據的(de)信息，數據科學家利用(yòng)遞歸神經網絡(RNN)，它擅長(cháng)跨越較長(cháng)序列的(de)模式。具有循環的(de)RNN可(kě)以讀取輸入數據，并同時(shí)跨神經元傳輸數據。這(zhè)有助于理(lǐ)解時(shí)間依賴性，定義過去觀察中的(de)模式，并将它們鏈接到将來(lái)的(de)預測。此外，RNN可(kě)以動态學習(xí)定義哪些輸入信息有價值，并在必要時(shí)快(kuài)速更改上下(xià)文。

因此，通(tōng)過利用(yòng)機器學習(xí)和(hé)人(rén)工智能，制造商可(kě)以估算(suàn)能源賬單，了(le)解能源的(de)消耗方式，并使優化(huà)過程更加由數據驅動。

▍六、人(rén)工智能和(hé)機器學習(xí)驅動的(de)認知供應鏈

當意識到數據量與物(wù)聯網一起增長(cháng)的(de)速度時(shí)，很明(míng)顯，智能供應鏈隻是選擇正确解決方案的(de)問題。

人(rén)工智能和(hé)機器學習(xí)不僅使供應鏈管理(lǐ)自動化(huà)，而且使認知管理(lǐ)成爲可(kě)能。基于機器學習(xí)算(suàn)法的(de)供應鏈管理(lǐ)系統可(kě)以自動分(fēn)析諸如物(wù)料庫存，入站裝運，在制品，市場(chǎng)趨勢，消費者情緒和(hé)天氣預報等數據。因此，他(tā)們能夠定義最佳解決方案并做(zuò)出數據驅動的(de)決策。

整個(gè)認知供應鏈管理(lǐ)系統可(kě)能涉及以下(xià)功能：

需求預測。通(tōng)過應用(yòng)時(shí)間序列分(fēn)析，功能工程和(hé)NLP技術，機器學習(xí)預測模型可(kě)以分(fēn)析客戶行爲模式和(hé)趨勢。因此，制造商可(kě)以依靠數據驅動的(de)預測來(lái)設計新産品，優化(huà)物(wù)流和(hé)制造流程。

阿迪達斯使用(yòng)的(de)需求預測系統很好地說明(míng)了(le)機器學習(xí)算(suàn)法如何影(yǐng)響客戶體驗。通(tōng)過分(fēn)析購(gòu)買行爲的(de)趨勢并使消費者參與産品設計，該公司極大(dà)地優化(huà)了(le)制造和(hé)交付流程。

運輸優化(huà)。利用(yòng)機器學習(xí)和(hé)深度學習(xí)算(suàn)法可(kě)以評估運輸和(hé)可(kě)交付成果，并确定對(duì)其性能有何影(yǐng)響。

物(wù)流路線優化(huà)。通(tōng)用(yòng)ML算(suàn)法會檢查所有可(kě)能的(de)路線并定義最快(kuài)的(de)路線。

倉庫控制。基于深度學習(xí)的(de)計算(suàn)機視覺系統可(kě)以檢測到庫存短缺和(hé)庫存過剩，從而優化(huà)了(le)及時(shí)的(de)補貨。

智能庫存管理(lǐ)系統的(de)示例是由Tyson Foods公司集成的(de)基于計算(suàn)機視覺的(de)跟蹤技術。通(tōng)過利用(yòng)邊緣計算(suàn)，相機和(hé)機器學習(xí)算(suàn)法，該系統可(kě)以跟蹤通(tōng)過供應鏈的(de)雞肉數量。

人(rén)力資源規劃。當機器學習(xí)算(suàn)法收集并處理(lǐ)生産數據時(shí)，它可(kě)以顯示執行某些任務需要多(duō)少員(yuán)工。

供應鏈安全。機器學習(xí)算(suàn)法分(fēn)析有關請求信息的(de)數據：需要誰，在哪裏以及什(shén)麽信息，并評估風險因素。因此，認知供應鏈可(kě)确保數據隐私并防止黑(hēi)客入侵。

端到端的(de)透明(míng)度。基于機器學習(xí)的(de)高(gāo)級IoT數據分(fēn)析處理(lǐ)從IoT設備接收的(de)數據。機器學習(xí)算(suàn)法可(kě)發現供應鏈中多(duō)個(gè)流程之間的(de)隐藏互連，并識别需要立即響應的(de)弱點。因此，如有必要，參與供應鏈運作的(de)每個(gè)人(rén)都可(kě)以請求所需的(de)信息。

最後，可(kě)以預見人(rén)工智能在制造業中的(de)未來(lái)是光(guāng)明(míng)的(de)。普華永道(PwC)報告顯示，制造業AI技術在未來(lái)五年内将有望快(kuài)速增長(cháng)。