如今，人工智能和機器學習正在改變制造業。根據世界經濟論壇去年年底發布的報告，人工智能、機器人、物聯網(IoT)的結合將共同引領第四次工業革命。

 

大多數制造業廠商(80%)表示將會看到人工智能計劃的積極影響，預計收入增長22.6%，成本降低17.6%。

 

事實上，制造行業廠商已經在使用人工智能和機器學習技術來減少設備停機時間，發現生產缺陷，改善供應鏈、并縮短設計時間。然而，由于技術人員、數據和標準的短缺使許多企業無法繼續更好地發展。

 

 

處于這新一輪產業轉型浪潮前沿的企業之一是通用電氣(General Electric)，由于該行業的生產力日益下降，該公司一直致力于探索人工智能的使用。

 

“截至2010年，生產率增長率在4%至5%之間，”該公司軟件研究副總裁Colin Parris說。制造行業發生了變化。經驗豐富的工程師正在退休，而通用電氣所進入的新市場，其中包括印度和中國，有著更年輕的勞動力。

 

同時，Parris說，客戶需求正迅速變得更加復雜。由于極端的天氣條件和空氣污染，通用公司生產的噴氣式發動機受到影響，新航線開往目的地。社交媒體放大了停電的影響，迫使客戶要求更高的可靠性和更少的停機時間。

 

與此同時，客戶預計價格將繼續下跌。

 

Parris說，“人們表示無法預測未來，但當然可以進行預測，因為人們想要更便宜的東西。”

 

為了解決這個問題。通用電氣公司轉向人工智能和機器學習，從提供給客戶的服務開始，如噴氣發動機和渦輪機維修和維護。然后，通用電氣將人工智能應用于內部制造，然后是設計，接著是內部流程，例如數據中心運營和人力資源。

 

Parris說：“至少在過去的10到15年里，我們一直在使用服務中的模型和分析形式。”五年前，通用電氣開始使用機器學習和數字孿生，它們提供一塊機器的虛擬表示，如風力渦輪機和風電場。數字孿生也可以用來表示裝配線、整個工廠或采購過程。

 

而在通用電氣的應用中，數字孿生用于模擬性能，預測故障，并允許快速測試潛在的改進。

 

Parris說：“我們可以預測哪些事情會失敗，所以我們有合適的工程師，庫存中有合適的零件。我們可以獲得更好的燃油效率，延長飛機的飛行時間，而不必為不必要的服務帶來零件。我們已經為顧客節省了數百萬美元的成本。”

 

每件設備、系統或工藝都有一個數字孿生的另一個好處是，通用電氣可以利用增材制造，采用3D打印技術來創建定制零件，而不必依賴在傳統的裝配線上批量生產的替換零件。

 

“隨著時機的推移，機器的性能會有所不同。”他說，“現在我可以說，‘我是否可以專門設計零件，因為在這種方式下使用的機器我們看到了一些設施的損耗，增材制造允許我們一次構建一個部件，以解決這臺機器在這種環境中遇到的獨特問題，而不是花費大量費用建造這些大型工廠，并生產出數以百計的部件。’現在可以一次打印一個部件，并且可以不斷調整機器的功能。現在我們就有這樣一臺機器，它可以不斷地使自己變得越來越有生產力，我們稱之為不朽的機器。”

 

“我認為通用電氣的未來將變得非常有趣。”他補充道。

 

 

其他生產制造廠也在考慮使用人工智能和機器學習來降低成本和提高性能。

 

總部位于佛羅里達州的Jabil公司是一家財富500強公司，為全球主要品牌進行合約制造，Jabil公司在幾個月前開始使用人工智能來發現制造缺陷和預測性維護。

 

例如，在中國的一家工廠中，自動光學檢測機器有幾臺攝像頭正在尋找該公司正在制造的電路板缺陷。

 

基本的圖像識別技術已經到位以尋找缺陷，但系統標記的35%到40%的電路板發送給操作人員進行檢查，實際上根本沒有問題。

 

“每個圖像的操作員有兩秒鐘，其中一些可能非常大，有數百個組件，”該公司高級經理Ryan Litvak說，“挑戰在于捕捉操作員的直覺，并且具有高準確度，這實際上是一個缺陷。”

 

通過減少標記的電路板數量而不會犧牲準確性，Jabil公司將能夠讓其運營商在問題的電路板上花費更多時間，或者重新分配給其他更有價值的任務。

 

“我們已經能夠顯示出非常好的結果，”他說，“捕獲93%至98%的真實缺陷，這是非常高的比率，并且能夠消除大約70%檢測的組件，也就是那些沒有缺陷的組件。”

 

他說，概念驗證涉及兩條生產線，這些生產線具有非常類似的設備和工藝。現在，Jabil公司正在努力將其推廣到不同的路線，處理更加大量的數據，并將新的決策過程直接納入工作流程。

 

該公司關注的另一個領域是預測性維護，其中挑戰是獲取所需的數據。

 

“有許多不同的系統和很多不同的設備在使用。”Litvak說，“其中一些設備有自己的系統進行維護，有些則沒有。一些供應商跟蹤電子表格的維護，有些提供本地系統。”

 

他說，Jabil公司的數據科學家正在努力規范這些數據，并與微軟公司專家合作，建立預測設備故障所需的深度學習模型。

 

根據麥肯錫公司的研究，人工智能增強的工業設備預測性維護將使年度維護成本降低10%，停機時間減少20%，檢查成本降低25%。

 

麥肯錫慕尼黑辦事處的合伙人MatthiasKässer表示，最近幾個月對人工智能的特定用例的試點項目引起了用戶的極大興趣。

 

最大的影響是在質量檢查和預測性維護中使用計算機視覺和傳感器數據。

 

“我們目前在幾家公司實施這種基于視覺的人工智能應用程序，釋放出巨大的潛力。”他說。 “然而，為了充分利用潛力，企業需要快速將這些試點的學習轉化為跨職能和流程的整體人工智能轉換。這是真正的工作開始的地方。”

 

 

另一家剛剛開始使用圖像識別來發現制造問題的制造公司是Lennox國際公司，這是一家位于達拉斯的HVAC系統制造商。

 

該公司IT、高級和新興技術總監Sunil Bondalapati表示，“精確度水平遠高于人類，現在，我們的精確率提高了大約20%。我們認為它更像是一個準確的價值主張。”

 

Lennox公司還向企業客戶租賃設備，與通用電氣一樣，改善維護是一個核心需求。

 

如今，HVAC設備將有關其性能的信息傳輸到云端，每小時有800萬條新記錄。

 

增加智能使公司能夠實時預測設備故障，這在以前是不可能的。

 

“這就是人工智能的用武之地。”Bondalapati說，“它可以保留兩年前特定設備的背景和記憶，當濕度水平達到這個水平時，它在攝氏105度溫度下的表現如何，當時它是如何工作的，現在又是如何工作的。”

 

Lennox在四個月前開始這個項目，其結果很有希望，它決定在接下來的四個月內開始全面推出該技術。

 

他說，計算維護方面的投資回報將是棘手的。 “當設備沒有發生故障時，將如何計算投資回報率?我們將不得不在明年收集一些數據。”

 

但Lennox公司已經將其存儲和計算成本降低了一半，因為它能夠使用DataBricks的技術來整合數據。

 

“我們從20個核心處理器減少到4個核心處理器。”他說。

 

人工智能在公司的另一個用途是財務方面。

 

例如，計算企業應該為保修負債留出多少資金。

 

Bondalapati說：“以前，我們只是批準了一定數額的金額，例如2000萬美元或3000萬美元，沒有科學的方法可以知道需要多少費用來為客戶退貨。如今，使用人工智能，我們能夠預測每個組件的故障率，并告訴保修部門預留多少，我們每天都可以調整，因為可以獲得更多數據。”

 

他說，預計所需的設置減少10%。

 

 

Lennox公司也在使用人工智能來處理會計問題。

 

“我們做了數以百萬計的總分類賬，每天都要完成所有的帖子，這是不可能的。””他說。

 

他說其團隊一直在尋找利用人工智能來幫助企業的機會。

 

他說，“我們就像一個內部咨詢機構，我們一直在銷售這種產品。我們每周與業務部門和其他利益相關方進行溝通，并提出其他用例供他們試用。”

 

他說Lennox在人工智能方面已經取得成功還有點早。“對于像我們這樣的行業來說，人工智能是一條艱難的道路，而且需要向持懷疑態度的觀眾進行大量銷售。”

 

 

機器學習和高級分析在預測性維護和制造過程的其他方面發揮著重要作用。

 

根據普華永道公司最近的一項研究，78%的制造公司已部署或計劃部署預測性維護技術，其次是制造執行系統的73%，數字孿生的60%，機器人過程自動化的59%。

 

只有29%的公司正在使用或計劃使用人工智能，而普華永道公司將其定義為超越機器學習和高級分析，以制定獨立的認知決策。

 

如今，大多數關注于嵌入人工智能和機器學習技術以降低成本，普華永道負責IT戰略的負責人Kumar Krishnamurthy表示，“我的預測是，其中一些技術將幫助企業擴大規模，并提高生產力水平。”

 

他說，客戶的需求和行業顛覆者的壓力將迫使制造業企業發生變化。

 

然而他說，這項技術并不像人們所認為的那樣成熟。此外，缺乏人工智能技能和缺乏可用數據也阻礙了這一過程。

 

根據普華永道的調查，52%的實施人工智能的制造企業表示，缺乏技術人才是一項重大挑戰，42%的企業指出數據的可靠性是一項重大挑戰。

 

 

Palo Alto研究中心是試圖克服制造過程中困難且耗時的設計階段中的技能和數據問題的一個團體，這是施樂公司背后的創新后盾，如激光打印、面向對象編程、圖形用戶接口、光存儲和許多其他基礎技術。

 

Palo Alto研究中心實驗室經理兼研發副總裁Ersin Uzun說，人工智能可以考慮功能要求，成本，監管和制造約束，并提出人類無法想到的設計。

 

他說：“如果我讓你設計一些能讓我存放液體的東西，你可能會從一個杯子開始。”

 

一旦設計完成，Palo Alto研究中心還致力于創造技術，使用減材和增材制造方法，并考慮不同設計和制造選擇引入的缺陷，找出如何構建它的技術。

 

他說，“如今，你設計了一些東西，發送給制造專家，他們將知道如何制造它，然后工程和分析人員看看制造的部件是否滿足我們的操作要求。這需要幾個月的時間。”

 

Uzun說，制造行業是一個罕見的領域，其物理能力遠遠領先于軟件可以處理的領域。

 

“我們擁有非常令人興奮的新材料，新的增材制造技術，混合制造機器，”他說，“但是當你看到人們正在使用的軟件時，可以用擁有的材料和工具來實現這一目標。我們現在擁有的這些機器可以同時進行增材和減材制造，但可以真正為這種制造能力而設計。所有這一切都是人工完成的，基本上超出了任何人類的認知能力，滿足了我們當今的大多數復雜制造需求。”

 

Palo Alto研究中心區域經理Sai Nelaturi表示，為了使設計工具能夠跟上材料科學和制造技術的變化步伐，人工智能需要建立在工具本身中。

 

Palo Alto研究中心還致力于創建標準和協議，使制造工廠中的所有不同系統能夠相互通信，并創建人工智能驅動算法，以優化能源使用、吞吐量、效率和安全性。

 

Uzun說，Palo Alto研究中心并不會開發制造技術。“我們是創新合作伙伴和技術提供商，我們創造這些技術，讓他們進入原型階段，并找到合適的合作伙伴將其推向市場。”

 

如今，Palo Alto研究中心正在與各種規模的制造公司合作，測試這些技術并將其推向市場。

 

Uzun說，人工智能技術可以幫助中小型制造商提高競爭力。“當這種情況發生時，在這個生態系統周圍會創造出各種類型的工作。”他說。