如今制造行業(yè)流行的是什么？我想，這可少不了“數(shù)字轉換”、“工業(yè)4.0”、“人工智能（AI）”...

下面，就讓我們一起看看AI如何改變制造業(yè)。

　一、用于缺陷檢測的深度學習

在制造中，生產線中的缺陷檢測過程變得越來越智能。深度神經網(wǎng)絡集成使計算機系統(tǒng)可以識別諸如刮擦，裂紋，泄漏等表面缺陷。

通過應用圖像分類，對象檢測和實例分割算法，數(shù)據(jù)科學家可以訓練視覺檢查系統(tǒng)來來進行給定任務的缺陷檢測。結合了高光學分辨率相機和GPU，深度學習驅動的檢測系統(tǒng)將比傳統(tǒng)機器視覺具有更好的感知能力。

例如，可口可樂構建了基于AI的視覺檢查應用程序。該應用程序診斷設施系統(tǒng)并檢測問題，然后把檢測到的問題通知給技術專家，助力專家采取進一步的措施。

　　二、通過機器學習進行預測性維護

與其在發(fā)生故障時進行修復或安排設備檢查，不如在發(fā)生問題之前進行預測。

通過利用時間序列數(shù)據(jù)，機器學習算法可以微調預測性維護系統(tǒng)以分析故障模式并預測可能的問題?！攤鞲衅鞲欀T如濕度，溫度或密度之類的參數(shù)時，這些數(shù)據(jù)將通過機器學習算法進行收集和處理。

根據(jù)預測目標，如故障之前的剩余時間，獲取故障概率或異常等，有幾種機器學習模型可以預測設備故障：

　?、?、預測剩余使用壽命（RUL）的回歸模型。通過利用歷史數(shù)據(jù)和靜態(tài)數(shù)據(jù)，此方法可以預測故障之前還有多少天。

②、用于在預定時間段內預測故障的分類模型。為了定義機器將要失效的時間，我們可以開發(fā)一個模型，該模型將在定義的天數(shù)內預測失敗。

?、?、異常檢測模型可以標記設備。這種方法可以通過識別正常系統(tǒng)行為和故障事件之間的差異來預測故障。

基于機器學習的預測性維護所帶來的主要好處是準確性和及時性。通過揭示生產設備中的異常，分析其性質和頻率，可以在故障發(fā)生之前優(yōu)化性能。

　三、人工智能將打造數(shù)字雙胞胎

數(shù)字孿生是物理生產系統(tǒng)的虛擬副本。在制造領域，存在著由特定機械資產，整個機械系統(tǒng)或特定系統(tǒng)組件組成的數(shù)字雙胞胎。數(shù)字雙胞胎的最常見用途是生產過程的實時診斷和評估，產品性能的預測和可視化等。

為了教數(shù)字孿生模型了解如何優(yōu)化物理系統(tǒng)，數(shù)據(jù)科學工程師使用了監(jiān)督和無監(jiān)督的機器學習算法。通過處理從連續(xù)實時監(jiān)控中收集的歷史數(shù)據(jù)和未標記數(shù)據(jù)，機器學習算法可以查找行為模式并查找異常。這些算法有助于優(yōu)化生產計劃，質量改進和維護。

此外，利用NLP技術可以處理來自研究，行業(yè)報告，社交網(wǎng)絡和大眾媒體的外部數(shù)據(jù)。它不僅增強了數(shù)字雙胞胎的功能，不僅可以設計未來的產品，還可以模擬其性能。

　四、智能制造的生成設計

生成設計的思想是基于機器學習的給定產品的所有可能設計選項的生成。通過在生成的設計軟件中選擇重量，尺寸，材料，操作和制造條件等參數(shù)，工程師可以生成許多設計解決方案。然后，他們可以為將來的產品選擇最合適的設計并將其投入生產。

先進的深度學習算法的使用使生成設計軟件變得智能。人工智能的新趨勢之一是生成對抗網(wǎng)絡（GAN）。GAN依次使用兩個網(wǎng)絡：生成器和鑒別器，其中生成器網(wǎng)絡為給定產品生成新設計，而鑒別器網(wǎng)絡對真實產品的設計和生成的產品進行分類和區(qū)分。

因此，數(shù)據(jù)科學家開發(fā)并教授深度學習模型以定義所有可能的設計變體。計算機成為所謂的“設計伙伴”，它根據(jù)產品設計師給出的約束條件生成獨特的設計思想。

　五、基于ML的能耗預測

工業(yè)物聯(lián)網(wǎng)（IIoT）的增長不僅使大多數(shù)生產過程實現(xiàn)自動化，而且使他們節(jié)儉。通過收集有關溫度，濕度，照明使用和設施活動水平的歷史數(shù)據(jù)，可以預測能耗。那時機器學習和人工智能承擔了大部分實施任務。

利用機器學習進行能源消耗管理的想法是檢測模式和趨勢。通過處理過去消耗能源的歷史數(shù)據(jù)，機器學習模型可以預測未來的能源消耗。

預測能耗的最常見機器學習方法是基于順序數(shù)據(jù)測量。為了做到這一點，數(shù)據(jù)科學家使用自回歸模型和深度神經網(wǎng)絡。

自回歸模型非常適合定義趨勢，周期性，不規(guī)律性和季節(jié)性。但是，僅應用一種基于自回歸的方法并不總是足夠的。為了提高預測準確性，數(shù)據(jù)科學家使用了幾種方法。最常見的補充方法是要素工程，該工程有助于將原始數(shù)據(jù)轉換為要素，從而為預測算法指定任務。

　深度神經網(wǎng)絡非常適合處理大型數(shù)據(jù)集和快速找到模式。可以對它們進行培訓，以從輸入數(shù)據(jù)中自動提取特征，而無需進行特征工程。

為了使用內部存儲器存儲以前輸入的數(shù)據(jù)的信息，數(shù)據(jù)科學家利用遞歸神經網(wǎng)絡（RNN），它擅長跨越較長序列的模式。具有循環(huán)的RNN可以讀取輸入數(shù)據(jù)，并同時跨神經元傳輸數(shù)據(jù)。這有助于理解時間依賴性，定義過去觀察中的模式，并將它們鏈接到將來的預測。此外，RNN可以動態(tài)學習定義哪些輸入信息有價值，并在必要時快速更改上下文。

因此，通過利用機器學習和人工智能，制造商可以估算能源賬單，了解能源的消耗方式，并使優(yōu)化過程更加由數(shù)據(jù)驅動。

　六、人工智能和機器學習驅動的認知供應鏈

當意識到數(shù)據(jù)量與物聯(lián)網(wǎng)一起增長的速度時，很明顯，智能供應鏈只是選擇正確解決方案的問題。

人工智能和機器學習不僅使供應鏈管理自動化，而且使認知管理成為可能。基于機器學習算法的供應鏈管理系統(tǒng)可以自動分析諸如物料庫存，入站裝運，在制品，市場趨勢，消費者情緒和天氣預報等數(shù)據(jù)。因此，他們能夠定義最佳解決方案并做出數(shù)據(jù)驅動的決策。

整個認知供應鏈管理系統(tǒng)可能涉及以下功能：

　需求預測。通過應用時間序列分析，功能工程和NLP技術，機器學習預測模型可以分析客戶行為模式和趨勢。因此，制造商可以依靠數(shù)據(jù)驅動的預測來設計新產品，優(yōu)化物流和制造流程。

阿迪達斯使用的需求預測系統(tǒng)很好地說明了機器學習算法如何影響客戶體驗。通過分析購買行為的趨勢并使消費者參與產品設計，該公司極大地優(yōu)化了制造和交付流程。

　運輸優(yōu)化。利用機器學習和深度學習算法可以評估運輸和可交付成果，并確定對其性能有何影響。

　物流路線優(yōu)化。通用ML算法會檢查所有可能的路線并定義最快的路線。

　倉庫控制。基于深度學習的計算機視覺系統(tǒng)可以檢測到庫存短缺和庫存過剩，從而優(yōu)化了及時的補貨。

智能庫存管理系統(tǒng)的示例是由Tyson Foods公司集成的基于計算機視覺的跟蹤技術。通過利用邊緣計算，相機和機器學習算法，該系統(tǒng)可以跟蹤通過供應鏈的雞肉數(shù)量。

人力資源規(guī)劃。當機器學習算法收集并處理生產數(shù)據(jù)時，它可以顯示執(zhí)行某些任務需要多少員工。

　供應鏈安全。機器學習算法分析有關請求信息的數(shù)據(jù)：需要誰，在哪里以及什么信息，并評估風險因素。因此，認知供應鏈可確保數(shù)據(jù)隱私并防止黑客入侵。

端到端的透明度。基于機器學習的高級IoT數(shù)據(jù)分析處理從IoT設備接收的數(shù)據(jù)。機器學習算法可發(fā)現(xiàn)供應鏈中多個流程之間的隱藏互連，并識別需要立即響應的弱點。因此，如有必要，參與供應鏈運作的每個人都可以請求所需的信息。

最后，可以預見人工智能在制造業(yè)中的未來是光明的。普華永道（PwC）報告顯示，制造業(yè)AI技術在未來五年內將有望快速增長。

但更需要強調的一點是，人工智能和機器學習并不是一整合便會立即帶來成功。因為當中的要點是——任何創(chuàng)新技術都應該解決現(xiàn)有的業(yè)務問題，而不是想象中的問題。