制造商為了跟上技術的最新變化，需要探索推動工廠走向未來的最關鍵要素之一：機器學習。讓我們談談 ML 技術在 2022 年提供的最重要的應用和創新。

制造商為了跟上技術的最新變化，需要探索推動工廠走向未來的最關鍵要素之一：機器學習。讓我們談談 ML 技術在 2022 年提供的最重要的應用和創新。

機器學習與人工智能：有什么區別？

機器學習是人工智能的一個子領域，但并非所有人工智能技術都算作機器學習。還有各種其他類型的 AI 在許多行業中發揮作用，例如機器人技術、自然語言處理和計算機視覺。如果您對這些技術如何影響制造業感到好奇，請查看下面的評論。

基本上，機器學習算法利用訓練數據為允許軟件解決問題的算法提供動力。這些數據可能來自工廠車間的實時物聯網傳感器，也可能來自其他方法。機器學習有神經網絡、深度學習等多種方法。神經網絡模仿生物神經元來發現數據集中的模式來解決問題。深度學習利用不同層次的神經網絡，其中第一層利用原始數據輸入并將處理后的信息從一層傳遞到下一層。

盒子里的工廠

讓我們先想象一個裝有裝配機器人、物聯網傳感器和其他自動化機械的盒子。一方面，您提供完成產品所需的材料；在另一端，產品從裝配線上滾下。該設備所需的唯一干預是內部設備的日常維護。這是制造業的理想未來，機器學習可以幫助我們全面了解如何實現這一目標。

除了自動化裝配工作所需的先進機器人技術外，機器學習還可以幫助確保：質量保證、無損檢測分析和定位缺陷原因等。

你可以把這個工廠在一個盒子里的例子想成是簡化一個更大的工廠的一種方式，但在某些情況下它是相當直白的。諾基亞正在利用帶有先進自動化裝配設備的改裝運輸集裝箱形式的便攜式制造基地。您可以在任何必要的位置使用這些便攜式容器，允許制造商在現場組裝產品，而無需將產品運輸更遠的距離。

質量保證

使用神經網絡、高分辨率光學相機和強大的 GPU，結合機器學習和計算機視覺的實時視頻處理可以比人類更好地完成視覺檢測任務。該技術可確保盒子中的工廠正常工作，并從系統中消除不可用的產品。

過去，機器學習在視頻分析中的使用因視頻質量而受到批評。這是因為圖像在幀與幀之間可能是模糊的，并且檢查算法可能會出現更多錯誤。然而，憑借高質量的相機和更強大的圖形處理能力，神經網絡可以更有效地實時搜索缺陷，而無需人工干預。

使用各種物聯網傳感器，機器學習可以幫助測試創建的產品而不會損壞它們。算法可以在實時數據中搜索與單元的缺陷版本相關的模式，從而使系統能夠標記可能不需要的產品。

非破壞性測試

我們可以檢測材料缺陷的另一種方法是通過無損檢測。這涉及在不造成損壞的情況下測量材料的穩定性和完整性。例如，您可以使用超聲波機器檢測材料中的裂縫等異常情況。該機器可以測量人類可以分析的數據，以手動查找這些異常值。

但是，異常值檢測算法、對象檢測算法和分割算法可以通過分析數據以找出人類可能無法以更高效率看到的可識別模式來自動執行此過程。機器學習也不會像人類容易犯那樣多的錯誤。

預測性維護

機器學習在制造業中的核心作用之一是預測性維護。普華永道報告稱，預測性維護將成為制造業中增長最快的機器學習技術之一，從 2020 年到 2025 年，市場價值將增長 38%。

由于計劃外維護有可能深深地影響企業的利潤，預測性維護可以使工廠能夠在機器出現成本更高的故障之前進行適當的調整和糾正。我們希望確保我們的工廠在一個盒子里有盡可能多的正常運行時間和盡可能少的延遲，而預測性維護可以實現這一點。

廣泛的物聯網傳感器記錄有關機器運行條件和狀態的重要信息，使預測性維護成為可能。這可能包括濕度、溫度等。

用于預測性維護的 ML 模型

機器學習算法可以分析隨時間收集的數據中的模式，并合理地預測機器何時需要維護。有幾種方法可以實現這一目標：

回歸模型：這些模型預測設備的剩余使用壽命 (RUL)。這使用歷史和靜態數據，制造商可以查看距離機器發生故障還有多少天。

分類模型：這些模型在預定義的時間跨度內預測故障。

異常檢測模型：這些在檢測到異常系統行為時標記設備。

問題定位

借助支持預測性維護的物聯網傳感器，機器學習可以分析數據中的模式，以查看機器的哪些部分需要維護以防止故障。如果某些模式導致缺陷趨勢，則硬件或軟件行為可能會被識別為這些缺陷的原因。從這里，工程師可以提出解決方案來糾正系統，以避免將來出現這些缺陷。這使我們能夠降低我們工廠在盒子場景中的誤差幅度。

數字孿生

數字孿生是基于物聯網傳感器和實時數據的生產過程的虛擬再現。它們可以創建為尚不存在的系統的原始假設表示，或者它們可以是現有系統的再創造。

數字孿生是一個用于實驗的沙箱，其中機器學習可用于分析模擬中的模式以優化環境。這也有助于支持質量保證和預測性維護工作。我們還可以將機器學習與數字孿生一起使用來進行布局優化。這適用于規劃工廠布局或優化現有布局。

用于能源消耗預測的 ML 模型

如果我們要優化工廠的每個部分，我們還需要注意它所需的能源。最常見的方法是使用順序數據測量，數據科學家可以使用由自回歸模型和深度神經網絡驅動的機器學習算法對其進行分析。

自回歸模型：非常適合定義功耗的趨勢、周期性、不規則性和季節性。為了提高準確性，數據科學家可以將原始數據轉換為有助于指定預測算法任務的特征。

深度神經網絡：數據科學家使用這些來處理大型數據集，以快速找到數據消耗模式。這些可以被訓練為從輸入數據中自動提取特征，而無需像自回歸模型這樣的特征工程。

用于序列數據的神經網絡：RNN（循環神經網絡）、LSTM（長短期記憶）/GRU（門控循環單元）、基于注意力的神經網絡，用于使用內部存儲器存儲先前輸入的能源使用數據的信息。

生成式設計

我們已經使用機器學習來優化工廠的生產流程，但產品本身呢？寶馬在 2022 年國際消費電子展上推出了帶有特殊電子墨水包裝的 BMW iX Flow，可以讓它在黑色和白色之間改變汽車的顏色（或更準確地說是陰影）。寶馬解釋說：“實施了衍生式設計流程，以確保各個部分反映車輛的特征輪廓以及由此產生的光影變化?！?br />
衍生式設計是使用機器學習來優化產品設計的地方，無論是汽車、電子設備、玩具還是其他物品。有了數據和期望的目標，機器學習可以循環所有可能的安排以找到最佳設計。

可以訓練 ML 算法來優化設計的重量、形狀、耐用性、成本、強度，甚至美學參數。

衍生式設計過程可以基于以下算法：

強化學習

深度學習

遺傳算法

改進的供應鏈管理：認知供應鏈

讓我們從一個盒子示例中暫時離開工廠，看看更廣泛的制造需求圖景。生產只是一個要素。制造中心的供應鏈角色也正在通過機器學習技術得到改善，例如物流路線優化和倉庫庫存控制。這些構成了在制造業中不斷發展的認知供應鏈。

倉庫庫存控制

人工智能驅動的物流解決方案使用物體檢測模型而不是條形碼檢測，從而取代人工掃描。計算機視覺系統可以檢測到短缺和庫存過剩。通過識別這些模式，管理人員可以了解可操作的情況。甚至可以讓計算機自動采取行動來優化庫存存儲。

在 MobiDev，我們研究了一個創建能夠檢測物流對象的系統的用例。閱讀更多關于使用小型數據集進行對象檢測以實現物流中的自動化物品計數的更多信息。

需求預測

工廠應該生產多少并發貨？這是一個很難回答的問題。然而，通過訪問適當的數據，機器學習算法可以幫助工廠了解他們應該在不過度生產的情況下生產多少。制造業機器學習的未來取決于創新決策。

審核編輯 ：李倩