当前位置:首页 > 前沿科技 > 正文

人工智能在制造业中的应用

一些资产密集型组织目前正在进行数字化转型,以实现卓越运营、改善关键绩效指标(KPI),并解决生产和支持流程领域的具体问题。

基于人工智能的预测模型是一种非常有用的工具,可以部署在复杂的生产环境中。与一些常用的分析工具相比,在生成大量结构化或非结构化数据的复杂生产环境中,预测模型更容易扩大不同参数之间的相关性。

一些资产密集型组织的高管表示,人工智能的应用正在稳步增长。这与研究机构IDC的预测是一致的,即到2026年,全球2000强组织中有70%将使用人工智能为基于风险的运营决策提供指导和见解。目前这个数字不到5%。

典型的人工智能用例大多使用嵌入在计划和调度工具中的认知人工智能,也用于质量和维护预测模型。

人工智能在制造业中的应用

使用人工智能引擎的解决方案可以提供即时价值和合理的投资回报。这些引擎可以识别图像和声音,以及振动、温度和过程值。目前,人们已经在试点或独立实施的方案中看到了这样的用例。

定制的标准人工智能驱动解决方案

从可扩展性来看,在生产领域使用人工智能的数字项目团队主要有两种。每个项目都带来很多价值。然而,它们提供了不同的时标和时间精度。

定制化解决方案:基于复杂学习过程的人工智能驱动的解决方案,高度定制化。神经网络和深度学习可以用于图像识别,或者监督学习可以用于建立预测模型。

微调解决方案以提供90%的精度需要相对较长的时间。这些通常是预测解决方案,用于模拟材料在生产过程中的行为(例如,纸带或钢坯的损坏预测)。

卫生纸制造商Hayat Holding的首席信息官居尔苏恩阿希萨罗格卢(Gulsn Akhisaroglu)表示:“我们花了近两年时间才达到90%的准确率。”

工业可扩展性可能是一个真正的挑战。但本项目采用自动学习模式,显著加快进度,准确率达到99%。

即使在高度定制的模型中,也可能很难找到问题的根源。为了解决这些问题,分析师和材料工程师必须使用智能解决方案来显示问题发生的时间、方式和原因。

该公司的首席信息官Akhisaroglu说:“我们决定评估深度学习算法,以找到任何有意义的模式。我们从分析的92个算法中选择了8个更有前途的算法。”

工程师、开发人员和数据分析师可以使用几种基于现代技术的数字和硬件工具和解决方案。然而,在许多情况下,仅仅采用这些工具和解决方案是不够的。生产环境可能非常不同。

它不是简单地捕捉正确的参数和信号来提高输出质量和模型的最终精度,其工作条件可能会有所不同。生产设备的维护、调整和操作方法不同,可能会严重影响模型输出的质量。追求更高质量的过程可能是曲折而艰难的。

当然,投资回报肯定是非常可观的。经验表明,快速求解原型是必要的,模型的功能要在3 ~ 4周内快速测试。由于学习过程和模型的调整,从开始开发解决方案到部署解决方案(获得准确可靠的输出)的交付时间可能需要几个月。

这就是为什么理想的部署生产类型是一个高度资产密集型的环境,因为在这种情况下,一次停机就可能造成数百万美元的损失。

标准化解决方案:这些是基于图像识别原理的精细且高度可扩展的解决方案。最终输出的准确性很大程度上取决于异常样本的数量,因为样本越多,模型越准确。

对于基本的质量控制任务,可能需要4 ~ 6个NOK样品,通过生产线上的摄像头来指导系统运行。理论上,这种解决方案甚至可以提供99.99%的精度。然而,现实表明,如此高的理论值只能在简单的质量检验任务中实现。

尺寸和表面完整性在该解决方案的有效利用中起着重要作用。越小越简单,控制输出越有效。

利用人工智能对每一个装配步骤(包括循环分析)进行跟踪分析,似乎有很大的发展前景。这样的解决方案可以识别生产异常和瓶颈,从而将生产效率提高几十个百分点。

它们还可以显著加快发现质量问题的速度,在某些情况下,可以将发现时间缩短到几分钟。标准化的解决方案可以轻松实现1-2年投资回报的目标。它的时间尺度和时间精度可能只有几天甚至几个小时。

不要浪费时间,从现在开始

组织应该对在生产、质量控制和维护中使用人工智能有更现实的期望,因为人工智能不是解决所有问题的灵丹妙药。

但是人工智能可以提供大量的用例。组织应该关注人工智能驱动的解决方案可以实现什么,以及在这些解决方案中可以投入多少精力和成本。

在许多情况下,效益不仅是一个明显的关键绩效指标(如生产线可用性或整体设备效率),也是提高可持续性和质量、解决生产过程中的问题和提高客户满意度的目标。

必须避免数字孤岛。为了充分发挥数据的力量,人工智能驱动的模型必须与各种企业系统(如制造执行系统、企业资源规划、高级分析工具)集成。数据可以根据具体情况进行多领域分析。不同的分析解决方案可以结合起来,以获得意想不到的结果。

早点实现

然而,当组织的业务向前发展时,不要低估技术和管理支持。“回顾过去,我们在采用一些试点项目时浪费了大量时间。我们应该尽早开始,并主动从所有可用的相关资源中收集数据。我们在服务器、数据库和流程方面面临许多挑战,但很明显,我们已经齐心协力快速有效地满足业务需求。”

百度智能云 x 河北电力 | “电力+AI” 在这里提速

0

发表评论