如今制造行业流行的是什么？我想，这可少不了“数字孪生”、“工业4.0”、“人工智能(AI)”......

下面，就让我们一起看看AI如何改变制造业。

No.1 用于缺陷检测的深度学习

      在制造中，生产线中的缺陷检测过程变得越来越智能。深度神经网络集成使计算机系统可以识别，诸如刮擦、裂纹、泄漏等表面缺陷。

      通过应用图像分类，对象检测和实例分割算法，数据科学家可以训练视觉检查系统来进行给定任务的缺陷检测。结合了高光学分辨率相机和GPU，深度学习驱动的检测系统将比传统机器视觉具有更好的感知能力。

      例如，可口可乐构建了基于AI的视觉检查应用程序。该应用程序诊断设施系统并检测问题，然后把检测到的问题通知给技术专家，助力专家采取进一步的措施。

No.2 通过机器学习进行预测性维护

     与其在发生故障时进行修复或安排设备检查，不如在发生问题之前进行预测。

     通过利用时间序列数据，机器学习算法可以微调预测性维护系统以分析故障模式并预测可能的问题——当传感器跟踪诸如湿度，温度或密度之类的参数时，这些数据将通过机器学习算法进行收集和处理。

      根据预测目标，如故障之前的剩余时间，获取故障概率或异常等，有几种机器学习模型可以预测设备故障：

     ①预测剩余使用寿命(RUL)的回归模型。通过利用历史数据和静态数据，此方法可以预测故障之前还有多少天。

     ②用于在预定时间段内预测故障的分类模型。为了定义机器将要失效的时间，我们可以开发一个模型，该模型将在定义的天数内预测失败。

     ③异常检测模型可以标记设备。这种方法可以通过识别正常系统行为和故障事件之间的差异来预测故障。

     基于机器学习的预测性维护所带来的主要好处是准确性和及时性。通过揭示生产设备中的异常，分析其性质和频率，可以在故障发生之前优化性能。

No.3 人工智能将打造数字孪生

      数字孪生是物理生产系统的虚拟副本。在制造领域，存在着由特定机械资产，整个机械系统或特定系统组件组成的数字孪生。数字孪生的最常见用途是生产过程的实时诊断和评估，产品性能的预测和可视化等。

      为了教数字孪生模型了解如何优化物理系统，数据科学工程师使用了监督和无监督的机器学习算法。通过处理从连续实时监控中收集的历史数据和未标记数据，机器学习算法可以查找行为模式并查找异常。这些算法有助于优化生产计划，质量改进和维护。

      此外，利用自然语言处理（NLP）技术可以处理来自研究，行业报告，社交网络和大众媒体的外部数据。它不仅增强了数字孪生的功能，不仅可以设计未来的产品，还可以模拟其性能。

No.4 智能制造的生成设计

      生成设计的思想是基于机器学习的给定产品的所有可能设计选项的生成。通过在生成的设计软件中选择重量，尺寸，材料，操作和制造条件等参数，工程师可以生成许多设计解决方案。然后，他们可以为将来的产品选择最合适的设计并将其投入生产。

      先进的深度学习算法的使用使生成设计软件变得智能。人工智能的新趋势之一是生成对抗网络(GAN)。GAN依次使用两个网络：生成器和鉴别器，其中生成器网络为给定产品生成新设计，而鉴别器网络对真实产品的设计和生成的产品进行分类和区分。

      因此，数据科学家开发并教授深度学习模型以定义所有可能的设计变体。计算机成为所谓的“设计伙伴”，它根据产品设计师给出的约束条件生成独特的设计思想。

No.5 基于机器学习的能耗预测

      工业物联网(IIoT)的增长不仅使大多数生产过程实现自动化，而且使他们节俭。通过收集有关温度，湿度，照明使用和设施活动水平的历史数据，可以预测能耗。那时机器学习和人工智能承担了大部分实施任务。

      利用机器学习进行能源消耗管理的想法是检测模式和趋势。通过处理过去消耗能源的历史数据，机器学习模型可以预测未来的能源消耗。

      预测能耗的最常见机器学习方法是基于顺序数据测量。为了做到这一点，数据科学家使用自回归模型和深度神经网络。

      自回归模型非常适合定义趋势，周期性，不规律性和季节性。但是，仅应用一种基于自回归的方法并不总是足够的。为了提高预测准确性，数据科学家使用了几种方法。最常见的补充方法是要素工程，该工程有助于将原始数据转换为要素，从而为预测算法指定任务。

      深度神经网络非常适合处理大型数据集和快速找到模式。可以对它们进行培训，以从输入数据中自动提取特征，而无需进行特征工程。

      为了使用内部存储器存储以前输入的数据的信息，数据科学家利用递归神经网络(RNN)，它擅长跨越较长序列的模式。具有循环的RNN可以读取输入数据，并同时跨神经元传输数据。这有助于理解时间依赖性，定义过去观察中的模式，并将它们链接到将来的预测。此外，RNN可以动态学习定义哪些输入信息有价值，并在必要时快速更改上下文。

      因此，通过利用机器学习和人工智能，制造商可以估算能源账单，了解能源的消耗方式，并使优化过程更加由数据驱动。

No.6 人工智能和机器学习驱动的认知供应链

      当意识到数据量与物联网一起增长的速度时，很明显，智能供应链只是选择正确解决方案的问题。

      人工智能和机器学习不仅使供应链管理自动化，而且使认知管理成为可能。基于机器学习算法的供应链管理系统可以自动分析诸如物料库存，入站装运，在制品，市场趋势，消费者情绪和天气预报等数据。因此，他们能够定义最佳解决方案并做出数据驱动的决策。

      整个认知供应链管理系统可能涉及以下功能：

      需求预测。通过应用时间序列分析，功能工程和NLP技术，机器学习预测模型可以分析客户行为模式和趋势。因此，制造商可以依靠数据驱动的预测来设计新产品，优化物流和制造流程。

      阿迪达斯使用的需求预测系统很好地说明了机器学习算法如何影响客户体验。通过分析购买行为的趋势并使消费者参与产品设计，该公司极大地优化了制造和交付流程。

运输优化。利用机器学习和深度学习算法可以评估运输和可交付成果，并确定对其性能有何影响。

      物流路线优化。通用机器学习算法会检查所有可能的路线并定义最快的路线。

      仓库控制。基于深度学习的计算机视觉系统可以检测到库存短缺和库存过剩，从而优化了及时的补货。

      智能库存管理系统的示例是由Tyson Foods公司集成的基于计算机视觉的跟踪技术。通过利用边缘计算，相机和机器学习算法，该系统可以跟踪通过供应链的鸡肉数量。

     人力资源规划。当机器学习算法收集并处理生产数据时，它可以显示执行某些任务需要多少员工。

     供应链安全。机器学习算法分析有关请求信息的数据：需要谁，在哪里以及什么信息，并评估风险因素。因此，认知供应链可确保数据隐私并防止黑客入侵。

     端到端的透明度。基于机器学习的高级IoT数据分析处理从IoT设备接收的数据。机器学习算法可发现供应链中多个流程之间的隐藏互连，并识别需要立即响应的弱点。因此，如有必要，参与供应链运作的每个人都可以请求所需的信息。

      最后，可以预见人工智能在制造业中的未来是光明的。普华永道(PwC)报告显示，制造业AI技术在未来五年内将有望快速增长。

     但更需要强调的一点是，人工智能和机器学习并不是一整合便会立即带来成功。因为当中的要点是——任何创新技术都应该解决现有的业务问题，而不是想象中的问题。