2021年,AI将改变制造业的六大应用趋势。

AGV机器人 33℃ 0

来源:先进制造

▍第一,针对缺陷检测的深度学习。

在制造业中,生产线上的缺陷检测过程变得越来越智能。深度神经网络集成使计算机系统能够识别表面缺陷,如划痕、裂纹和泄漏。

通过应用图像分类、对象检测和实例分割算法,数据科学家可以训练视觉检测系统来检测给定任务的缺陷。结合高光学分辨率相机和GPU,深度学习驱动的检测系统将具有比传统机器视觉更好的感知能力。

例如,可口可乐已经建立了一个基于人工智能的视觉检测应用程序。该应用程序诊断设施系统并检测问题,然后将检测到的问题通知技术专家,这有助于专家采取进一步措施。

▍第二,通过机器学习进行预测性维护。

与其在出现故障时修理或安排设备检查,不如在问题出现之前就做好预测。

利用时间序列数据,机器学习算法可以微调预测性维护系统,以分析故障模式并预测可能出现的问题——当传感器跟踪湿度、温度或密度等参数时,这些数据将由机器学习算法收集和处理。

根据故障前剩余时间、获得故障概率或异常等预测目标,有几种机器学习模型可以预测设备故障:

①预测剩余使用寿命的回归模型(RUL)。通过使用历史数据和静态数据,该方法可以预测故障前多少天。

②预测预定时间段内故障的分类模型。为了确定机器发生故障的时间,我们可以开发一个模型,在规定的天数内预测故障。

③异常检测模型可以标记设备。该方法可以通过识别正常系统行为和故障事件之间的差异来预测故障。

基于机器学习的预测性维护的主要好处是准确性和及时性。通过揭示生产设备中的异常并分析其性质和频率,可以在故障发生之前优化性能。

▍第三,人工智能将创造数字双胞胎。

数字双胞胎是物理生产系统的虚拟副本。在制造领域,存在由特定机械资产、整个机械系统或特定系统组件组成的数字孪生体。数字孪生最常见的用途是生产过程的实时诊断和评估、产品性能的预测和可视化等。

为了教数字孪生模型如何优化物理系统,数据科学工程师使用了有监督和无监督的机器学习算法。通过处理从连续实时监控中收集的历史数据和未标记数据,机器学习算法可以发现行为模式并发现异常。这些算法有助于优化生产计划、提高质量和维护。

此外,自然语言处理(NLP)技术可用于处理来自研究、行业报告、社交网络和大众媒体的外部数据。它不仅增强了数字孪生的功能,还可以设计未来的产品并模拟其性能。

▍第四,智能制造的代设计。

设计的思想是基于机器学习为给定的产品生成所有可能的设计选项。通过在生成的设计软件中选择重量、尺寸、材料、操作和制造条件等参数,工程师可以生成许多设计解决方案。然后,他们可以选择最适合未来产品的设计并投入生产。

高级深度学习算法的应用使创成式设计软件智能化。人工智能的新趋势之一是生成对抗网络(GAN)。GAN依次使用两个网络:生成器和鉴别器,其中生成器网络为给定的产品生成新的设计,而鉴别器网络将真实产品的设计与生成的产品进行分类和区分。

因此,数据科学家开发并教授深度学习模型来定义所有可能的设计变体。计算机成为所谓的“设计伙伴”,根据产品设计师给出的约束条件,产生独特的设计思路。

5.基于机器学习的能耗预测。

工业物联网的发展不仅使大多数生产过程自动化,而且使它们变得节俭。通过收集温度、湿度、照明使用和设施活动水平的历史数据,可以预测能耗。当时,机器学习和人工智能承担了大部分的实现任务。

使用机器学习管理能源消耗的想法是检测模式和趋势。通过处理过去的能耗历史数据,机器学习模型可以预测未来的能耗。

预测能耗最常见的机器学习方法是基于顺序数据测量。为此,数据科学家使用自回归模型和深度神经网络。

自回归模型非常适合定义趋势性、周期性、不规则性和季节性。然而,仅仅应用一种基于自回归的方法并不总是足够的。为了提高预测精度,数据科学家使用了几种方法。最常见的补充方法是特征工程,它有助于将原始数据转换为特征,从而为预测算法分配任务。

深度神经网络非常适合处理大数据集和快速发现模式。可以训练它们从输入数据中自动提取特征,而无需特征工程。

为了利用内存存储以前输入数据的信息,数据科学家使用递归神经网络(RNN),它擅长跨越长序列模式。带有环路的rnn可以同时读取输入数据和跨神经元传输数据。这有助于理解时间依赖性,定义过去观察中的模式,并将它们与未来预测联系起来。此外,RNN可以动态地学习定义哪些输入信息是有价值的,并在必要时快速改变上下文。

因此,通过使用机器学习和人工智能,制造商可以估计能源账单,了解能源消耗模式,并使优化过程更加数据驱动。

▍六。人工智能和机器学习驱动的认知供应链。

当我们意识到数据量与物联网一起增长的速度时,很明显,智能供应链只是选择正确解决方案的问题。

人工智能和机器学习不仅使供应链管理自动化,而且使认知管理成为可能。基于机器学习算法的供应链管理系统可以自动分析物料库存、入库出货、在制品、市场趋势、消费者情绪、天气预报等数据。因此,他们可以定义最佳解决方案,并做出数据驱动的决策。

整个认知供应链管理系统可能涉及以下功能:

需求预测。机器学习预测模型利用时间序列分析、功能工程和自然语言处理技术,可以分析客户行为模式和趋势。因此,制造商可以依靠数据驱动的预测来设计新产品,优化物流和制造流程。

阿迪达斯使用的需求预测系统是机器学习算法如何影响客户体验的一个很好的例子。通过分析购买行为趋势,让消费者参与产品设计,公司极大地优化了制造和交付流程。

运输优化。机器学习和深度学习算法可用于评估运输和交付物,并确定对其性能的影响。

物流路线优化。通用机器学习算法检查所有可能的路线,并定义最快的路线。

仓库控制。基于深度学习的计算机视觉系统可以检测库存短缺和过剩,从而优化及时补货。

智能库存管理系统的一个例子是泰森食品公司集成的基于计算机视觉的跟踪技术。通过使用边缘计算、摄像头和机器学习算法,系统可以跟踪通过供应链的鸡肉数量。

人力资源规划。当机器学习算法收集和处理生产数据时,它可以显示需要多少员工来执行某些任务。

供应链安全。机器学习算法分析关于请求信息的数据:谁,在哪里,需要什么信息,并评估风险因素。因此,认知供应链可以保证数据隐私,防止黑客入侵。

端到端透明度。基于机器学习的高级物联网数据分析处理从物联网设备接收的数据。机器学习算法可以发现供应链中多个流程之间隐藏的相互联系,并识别需要立即响应的弱点。因此,如果有必要,参与供应链运营的每个人都可以请求所需的信息。

最后可以预见,人工智能在制造业的未来是光明的。普华永道报告显示,未来五年,制造业AI技术有望快速增长。


  
 
但更需要强调的一点是,人工智能和机器学习并不是一整合便会立即带来成功。因为当中的要点是——任何创新技术都应该解决现有的业务问题,而不是想象中的问题。 

转载地址:https://www.mingyujixie.net/agv/1612.html

标签: