机器学习和人工智能在制造业:一个快速指南

插图：© IoT For All --> 这是一个永恒的制造目标：以最低成本生产出更多、质量更高的产品。智能制造革命已使制造商比以往任何时候都能更成功地实现这一目标。推动这场创新浪潮的核心技术之一是人工智能（AI）。数据已成为一种高度有价值的资源，而且采集和存储数据的成本比以往任何时候都要低。如今，越来越多的制造商正借助人工智能（AI）——尤其是机器学习（ML）——利用这些数据显著提高其盈利能力。对许多人来说，这意味着通过消除生产损失的主要原因及其他相关成本，从而大幅提高生产效率和产能。当然，从人工智能中获得切实的商业价值往往说起来容易做起来难。这是一项复杂的技术，有着各种各样的应用。制造商如何才能透过“炒作”和空头承诺，投资那些真正能为其带来竞争优势的工业人工智能呢？“今天，越来越多的制造商正在借助人工智能（AI）——尤其是机器学习（ML）——利用这些数据显著提高其盈利能力。”-Augury 人工智能和机器学习成功的关键 人工智能技术的迅速崛起是显而易见的——无论是总体上还是在制造领域。因此，人们对人工智能的期望往往偏离现实，一方面将其视为能够解决所有业务问题的万能钥匙，另一方面则对人工智能持深深的怀疑态度。寻找合适的用例 但就像任何技术一样，真实情况其实介于这两极之间。人工智能在适当的场景下可以非常有效。理解这些场景以及适用于它们的人工智能技术，是为人工智能采纳设定现实商业目标的关键。人工智能并不是灵丹妙药。没有哪一种方案能解决你所有，或大多数的问题。一般来说，人工智能在解决特定问题或非常相关的一组问题时效果最好。要对通用人工智能保持警惕：如果一个供应商声称能做一切事情，那他们很可能在任何事情上都做得不特别好。这把我们带回到制造领域的人工智能话题。人工智能和机器学习在制造领域有许多潜在的应用，每种用例都要求一种独特的人工智能类型。以下指南提供了一个简单有效的公式，用于选择适合解决特定制造挑战和目标的工业人工智能解决方案。我们将重点放在机器学习人工智能上，因为这里发生的创新最为激动人心且影响深远。该公式可以封装为一个简单的图表和方法，称为“工业人工智能象限”。-Augury 基于机器学习的下一代优化 机器学习在制造领域的两个主要用例是预测质量与产量（Predictive Quality & Yield）和预测性维护（Predictive Maintenance）。#1：仅在必要时进行维护 预测性维护更为人所知，因为维护问题及其相关问题可能带来巨大的成本，因此这也是目前制造商相当常见的一个目标。传统上，维护是按照预定时间表进行的，或者通过设置有人工编码阈值、警报规则和配置的SCADA系统进行的。而预测性维护则利用算法预测组件/设备/系统发生下一次故障的时间。人员可以被提醒进行有针对性的维护以避免故障，但不会太早，以免造成不必要的停机时间。相比之下，传统的手动和半手动方法无法考虑机械更复杂的动态行为模式或与整个制造过程相关的背景数据。例如，生产机器上的传感器可能检测到温度骤升。静态规则系统不会考虑到机器正在进行灭菌处理，因此会触发误报警报。优势是显而易见的，可以显著降低成本，并在许多情况下消除计划停机的需要。通过机器学习算法预判故障，系统可以继续运行而不会受到不必要的中断。当维护确实需要时，它是非常有针对性的——技术人员被通知需要检查、修理和更换的组件，使用哪些工具，以及遵循哪些方法。预测性维护还能够延长设备的剩余使用寿命（RUL），因为可以预防二次损害，同时所需的维护人员也更少。#2：找出损失的隐藏原因 预测质量与产量（有时也称为预测质量）是一种更为高级的工业人工智能用例，它揭示了许多制造企业每天面临的、基于过程的生产损失的隐藏原因。这些例子包括质量、产量、浪费、吞吐量、能源效率、排放等——本质上是任何由流程低效所引起的损失。预测质量与产量通过连续的多变量分析自动识别流程驱动型生产损失的根本原因，这一分析由专门训练以深入了解每个生产流程的机器学习算法驱动。随后可以自动生成推荐和警报，告知生产团队和流程工程师即将出现的问题，并无缝共享重要的知识，以便在问题发生前防止损失。减少这类损失一直是所有类型的制造企业的挑战。但在今天的市场环境中，这项任务至关重要。一方面，消费者对产品质量的期望达到了前所未有的高度；全球消费者的习惯正在逐步“西化”，即使人口仍在持续增长。根据多项调查，到2050年，全球人口将增加25%，意味着每天需要额外养活20万人。另一方面，消费者现在几乎在每种可想象的产品上都拥有众多选择。最近的调查显示，这种丰富的选择意味着消费者越来越倾向于永久放弃他们最喜欢的品牌，例如，如果货架上没有他们想要的产品。在这种背景下，制造企业再也无法忽视流程低效及其相关损失。每一份在浪费、产量、质量或吞吐量方面的损失都会削弱其盈利能力，并将优势让给竞争对手。许多制造企业遇到的挑战是，他们在流程优化上最终遇到了“玻璃天花板”。一些低效的原因并不明显，流程专家也无法解释清楚。这时，机器学习——特别是自动根本原因分析（Automated Root Cause Analysis）——就能派上用场。机器学习的两个主要类别 机器学习可以分为两种主要技术：监督学习（Supervised Learning）和无监督学习（Unsupervised Learning）。#1：监督机器学习 在制造用例中，监督机器学习是最常用的技术，因为它有预定义的目标：我们有输入数据，也有输出数据，并且试图找到连接这两个变量的映射函数。监督式机器学习需要明确的目标，输入数据和输出数据清晰，算法通过学习输入和输出之间的映射关系来做出预测。监督学习的关键在于构建一个能够准确预测输出的模型。这通常通过大量带有标签的数据训练来实现。在制造过程中，监督学习可以用来预测设备故障、优化生产流程、提高产品质量等。比如，通过历史数据训练模型，预测设备的剩余使用寿命（RUL）或检测产品缺陷。#2：无监督机器学习 无监督机器学习用于没有明确目标的场景，通常用于探索数据中的隐藏模式或结构。在制造领域，无监督学习可以用于发现生产过程中的异常、优化库存管理、减少材料浪费等。例如，通过聚类算法，制造企业可以识别生产过程中的常见模式，并据此优化流程。人工神经网络（Artificial Neural Networks）在制造领域已被证明是极其有效的无监督学习工具，适用于生产过程模拟和预测质量分析等应用。人工神经网络的基本结构松散地模仿了人类大脑通过约1000亿个神经元网络处理信息的方式，使其能够解决极其复杂和多样化的难题。一个前馈人工神经网络的基本示意图。每一层中的每个节点都连接到下一层中的每个节点。可以根据问题的复杂性添加隐藏层。这种通过多层处理大量参数的能力使得人工神经网络非常适合制造中常见且不断变化的多变量过程。此外，一旦经过充分训练，人工神经网络在预测加工产品的机械性能方面可以表现出非常高的准确性，从而实现原材料成本的削减。数据准备：垃圾输入，垃圾输出 机器学习的核心是数据，因此了解所需数据的质量和类型是非常重要的，以确保结果的准确性。以预测质量与产量为例，它关注的是流程低效。因此，从所涉生产线的历史表现数据和随时间推移发生的损失数据入手，以预测未来可能的损失是合乎逻辑的。为了获得尽可能准确的画面，这些数据应尽可能多地从不同来源收集，因为制造流程——尤其是更复杂的流程——受到非常广泛的因素影响，这些因素往往相互关联。这可以包括从流程数据、质量数据、原材料，甚至外部因素如天气和温度在内的所有内容。接下来，同样重要的是，决定机器学习模型需要回答什么问题——以及是否可能使用现有的数据来回答这个问题。人工智能和机器学习对制造业的突破性益处 将人工智能和机器学习引入工业领域代表着一场变革，其带来的益处远不止效率的提升，还为新的商业机会打开了大门。机器学习在制造业中的一些直接益处包括：减少常见的、令人痛苦的基于流程的损失，如产量、浪费、质量和吞吐量。通过优化生产流程提高产能。通过更优化的流程，使产品线的增长和扩展实现规模化。通过预测性维护降低运营成本。预测性维护减少了维护活动，从而降低了人工成本，并减少了库存和材料的浪费。预测剩余使用寿命（RUL）。更多地了解机器和设备的行为可以创造条件，提高性能同时保持设备健康。预测RUL消除了导致非计划停机的“令人不快的意外”。通过高效的库存管理和良好监控和同步的生产流程，改进供应链管理。通过可操作的洞察提升产品质量控制。通过人机协作，提高员工安全条件并提升整体效率。面向消费者制造——能够快速响应市场需求的变化。为了充分利用工业人工智能/机器学习解决方案，制造企业需要知道哪种人工智能解决方案最适合他们自身独特的挑战。