2021年機器學習(xí)将在5個(gè)方面改變制造業

     在過去的(de)十年裏，複雜(zá)機器人(rén)系統和(hé)人(rén)工智能（AI）等技術的(de)進步改變了(le)制造業，推動了(le)人(rén)們通(tōng)常所說的(de)工業4.0革命。COVID-19疫情進一步加速了(le)許多(duō)制造商的(de)數字化(huà)轉型，因爲更多(duō)的(de)工廠運營需要有效地運行，并且在許多(duō)情況下(xià)，需要實現遠(yuǎn)程監控和(hé)管理(lǐ)。

　　作爲人(rén)工智能的(de)一個(gè)分(fēn)支，機器學習(xí)（ML）的(de)核心是創建從經驗中學習(xí)并随著(zhe)時(shí)間的(de)推移提高(gāo)其決策能力的(de)計算(suàn)機程序。它在許多(duō)行業中越來(lái)越重要，制造業也(yě)不例外。

　　更便宜的(de)傳感器和(hé)數據存儲，以及大(dà)數據技術的(de)成熟，使制造商能夠捕獲大(dà)量數據，而機器學習(xí)使企業能夠從上述數據中獲得(de)可(kě)操作的(de)智能，從而實現更智能的(de)設備，提高(gāo)質量和(hé)提高(gāo)生産力。

　　随著(zhe)企業不斷将機器學習(xí)作爲日常運營的(de)一部分(fēn)，未來(lái)一年機器學習(xí)将在如下(xià)5個(gè)方面影(yǐng)響制造業的(de)發展。

　　1. 更廣泛的(de)預測性維護

　　通(tōng)常情況下(xià)，工廠依賴于由使用(yòng)情況或時(shí)間決定的(de)定期維護計劃來(lái)确定機器何時(shí)需要維修，甚至等到設備出現故障後才進行維護。

　　利用(yòng)人(rén)工智能，制造商們可(kě)以創建預測性維護模型，這(zhè)些模型根據曆史數據進行訓練，了(le)解導緻過去設備問題的(de)原因，從而預測機器何時(shí)需要維護，并發出警報，提醒企業及時(shí)處理(lǐ)。

　　由于隻有在實際需要時(shí)才會關閉設備進行維修，而不是按照(zhào)計劃進行定期維修，因此預測性維護可(kě)以節省大(dà)量時(shí)間和(hé)成本。

　　此外，由于快(kuài)速的(de)創新周期正在縮短大(dà)多(duō)數産品類别的(de)産品生命周期，而客戶期望的(de)急劇變化(huà)正在縮短交貨周期，制造企業必須更快(kuài)更靈活地進行機器維修和(hé)重新調整。

　　雖然預測性維護并不是制造業的(de)新鮮事物(wù)，但預計今年将看到其廣泛采用(yòng)的(de)急劇增加，企業将使用(yòng)更多(duō)互聯設備（例如嵌入設備中的(de)傳感器等）的(de)數據來(lái)消除維護決策中的(de)猜測。

　　2. 提高(gāo)能源效率

　　如今，大(dà)多(duō)數工廠都在7X24小時(shí)不間斷地運行，以保持最佳效率，這(zhè)需要大(dà)量的(de)能源來(lái)保持事物(wù)的(de)運行。通(tōng)過綜合考慮能源價格、設備維護、人(rén)工成本和(hé)庫存等因素，機器學習(xí)算(suàn)法可(kě)以爲能源密集型活動安排最佳時(shí)間。因此，企業可(kě)以通(tōng)過在适當的(de)時(shí)間運行适當的(de)流程來(lái)最大(dà)限度地節約成本。

　　很多(duō)制造企業已經開始了(le)這(zhè)樣的(de)計劃。例如，一家全球大(dà)型石化(huà)制造商希望通(tōng)過采用(yòng)人(rén)工智能解決方案以降低能耗，削減成本并更加環保。該公司每年在能源消耗方面要花費大(dà)約2000萬美(měi)元。通(tōng)過部署易于實時(shí)調整和(hé)處理(lǐ)傳感器數據的(de)人(rén)工智能模型，該公司成功将能耗降低了(le)5%。

　　3. 提升産品質量

　　無論制造過程如何優化(huà)，每個(gè)工廠都會遇到産品缺陷的(de)困擾。盡管有各種各樣的(de)方法來(lái)糾正缺陷，但瑕疵仍然無法避免，爲企業經營增加了(le)更多(duō)成本。使用(yòng)機器學習(xí)，制造商可(kě)以在優化(huà)質量控制工作的(de)同時(shí)顯著降低出錯的(de)可(kě)能性。

　　圖像識别和(hé)機器學習(xí)模型可(kě)以被訓練來(lái)分(fēn)析圖像，并在産品創建的(de)早期檢測異常，而不是依靠員(yuán)工在裝配線上目測每個(gè)産品。因此，工廠可(kě)以确保他(tā)們正在創造高(gāo)質量的(de)産品，同時(shí)減少浪費。

 
             圖：利用(yòng)人(rén)工智能，制造商正在開發預測性維護模型，該模型根據導緻過去設備問題的(de)曆史數據進行訓練，以預測機器何時(shí)需要維護。圖片來(lái)源：RapidMiner

　　4. 創建更安全的(de)工作場(chǎng)所

　　任何在工廠工作過的(de)人(rén)都經曆過全面的(de)年度健康和(hé)安全培訓，并且知道正确使用(yòng)安全裝置的(de)重要性。雖然這(zhè)些工具對(duì)工作場(chǎng)所的(de)安全至關重要，但像人(rén)工智能這(zhè)樣的(de)新技術可(kě)以幫助進一步避免風險，因爲即使在遵循适當的(de)安全協議(yì)時(shí)，事故也(yě)可(kě)能會發生。

　　來(lái)自機器學習(xí)的(de)數據分(fēn)析可(kě)以增強視頻(pín)監控系統，以識别潛在的(de)不安全行爲，包括用(yòng)于在操作重型機械之前識别過度工作或疲勞的(de)員(yuán)工。還(hái)可(kě)以将機器學習(xí)用(yòng)于傳感器數據，以揭示有關安全系統性能的(de)重要見解。

　　通(tōng)過依靠人(rén)工智能對(duì)工業物(wù)聯網（IIoT）和(hé)其他(tā)互聯設備每秒産生的(de)數千個(gè)數據點進行篩選，企業可(kě)以獲得(de)關于潛在危險的(de)自動警報，從而創造一個(gè)更安全的(de)工作場(chǎng)所。

　　一家财富500強的(de)礦業和(hé)化(huà)工生産公司，希望能夠利用(yòng)機器學習(xí)來(lái)識别其生産過程中的(de)一個(gè)不可(kě)預見的(de)變量，該變量通(tōng)常會導緻巨大(dà)的(de)環境健康和(hé)安全（EHS）風險因素。

　　通(tōng)過使用(yòng)由工藝工程師建立的(de)機器學習(xí)模型，操作人(rén)員(yuán)能夠使工廠免于停産，避免堆積如山的(de)行政文書(shū)工作，并将整體EHS風險降低約90%。該公司估計，使用(yòng)機器學習(xí)模型每年避免了(le)6起以上的(de)事故。

　　5. 預測和(hé)應對(duì)消費者的(de)實時(shí)需求

　　預測消費者的(de)需求是一項艱巨的(de)任務，而且要做(zuò)到完美(měi)更是一項挑戰。值得(de)慶幸的(de)是，人(rén)工智能程序可(kě)以用(yòng)來(lái)預測需求，其能達到的(de)複雜(zá)程度和(hé)準确性都是前所未有的(de)。從新數據和(hé)曆史數據中汲取靈感，機器學習(xí)模型可(kě)以幫助企業了(le)解哪些因素驅動了(le)需求，以及企業如何适應現場(chǎng)的(de)變數。

　　另一方面，需求感應讓企業能夠實時(shí)跟蹤需求的(de)波動，以及消費者的(de)購(gòu)買行爲。通(tōng)過分(fēn)析來(lái)自倉庫和(hé)銷售點系統的(de)數據，機器學習(xí)可(kě)以識别銷售中的(de)重大(dà)變化(huà)，以确保供應不會超過需求。

　　機器學習(xí)系統在這(zhè)些過程中的(de)優勢，已經在COVID-19大(dà)流行中所凸顯出來(lái)。在疫情爆發之初，随著(zhe)封鎖的(de)開始，産品的(de)消費和(hé)需求發生了(le)根本性的(de)變化(huà)，導緻食品和(hé)衛生紙短缺。基于通(tōng)常需求的(de)定期交付無法跟上不斷變化(huà)的(de)行爲。

　　雖然我們正處于工業4.0革命之中，但制造業才剛剛開始全面擁抱數字化(huà)轉型。在2020年之前，質量、流程優化(huà)和(hé)降低運營費用(yòng)是這(zhè)場(chǎng)轉型的(de)主要業務驅動力。

　　但現在，在全球疫情大(dà)流行的(de)影(yǐng)響下(xià)，安全、遠(yuǎn)程運維和(hé)信息透明(míng)化(huà)等正被加入到這(zhè)個(gè)清單中。基于人(rén)工智能和(hé)機器學習(xí)的(de)先進技術将繼續推動創新，并幫助制造企業改變思考問題和(hé)解決問題的(de)方式，爲更安全、更高(gāo)效、更盈利的(de)未來(lái)鋪平道路。