人工智能如何彻底改变工业制造

在过去的一个世纪里，工业革命一直是整个工业制造效率的关键驱动力。然而，随着工业设备的日益数字化以及车间和工厂人工智能(AI)的兴起，我们正在进入一场新的革命，这将改变原始设备制造商的思维方式和制造方式。

例如，西门子(Siemens)使用人工智能来提高其机器的运营效率和产品质量。节省了大量的时间和资源。

“在不需要额外的传感器的情况下，已经有很多数据可以从机器上获得，”Bernd Raithel说西门子．

通常情况下，这些数据会被丢弃。然而，它可以以相对较低的成本收集。“在我们的一个站点上，我们收集了1100万个数据集，每个组件有4万个数据点，”Raithel补充道。“有了这些数据，我们已经开始实施有效的预测性维护。预测性维护通过监控操作来评估和识别潜在故障(见图1)，延长了机器的使用寿命。人工智能预测的计划维护停机可以防止生产线在凌晨3点崩溃。这相当于15分钟的产量损失，而不是几个小时。”

“人工智能在提高质量的同时为我们节省时间和费用的另一种方式是在生产过程的早期预测特定部件是否符合质量要求。印刷电路板(pcb)是高度集成的，需要x射线来评估其质量。我们的x光机花了50万美元。我们可以通过评估哪些部件有失败的风险并适当地应用测试资源来提高吞吐量并消除x射线作为瓶颈。我们能够提前识别出好的部件，这样我们就可以只对有风险的部件进行更彻底的测试。”

对于西门子来说，这些早期的故障评估使公司减少了30%的x射线测试，合格率达到100%，并减少了55.5万美元的资本投资。在测试是瓶颈的情况下，这也增加了生产线的总体吞吐量。而且，节约还不止于此。“有了这些数据，”Raithel说，“我们不仅知道哪些部件有缺陷，还知道缺陷的原因和来源。然后，我们将这些信息带回生产线，进一步提高质量。“当然，不是每个人都需要为一个组件提供4万个数据点。也就是说，我的建议是在知道如何处理数据之前就收集可以捕获的数据。然后，当你遇到问题时，找出哪些数据点是相关的。有了这些数据，你就可以创建一个AI模型来识别问题。但如果你不收集数据，你就永远不知道自己能用这些数据做什么。”

人工智能的附加值

虽然西门子看到了人工智能的巨大成功，但许多原始设备制造商仍然对人工智能的价值存有疑问。他们认为，他们已经拥有了高产、高效的工厂，那么人工智能在哪里适合呢?

Indranil Sircar是制造业的首席技术官微软．根据Sircar的说法，“你不能把人工智能视为一项独立的技术。它不是一个“魔法”功能，而是一种工作方式。人工智能从一台机器扩展到整个制造生产线和供应链。它通过扩展我们所关注的细节层次，彻底改变了制造业。

“我们的经验表明，敏捷工厂的实现通常分为三个阶段，首先是连接工厂以获得可见性。人工智能在将所摄入的数据置于背景中并创建工厂的数字孪生体方面发挥了作用。在下一阶段，数据被用来分析原因和影响。这些数据还预测了使用人工智能、机器学习和模拟来提高生产力时会发生什么。在第三阶段，这种转变更多地转向规范能力，驱动优化操作并导致自主系统。”

以下是人工智能实现的一些高级功能:

• 通过图像识别等参数检测质量缺陷
• 自动控制高速工艺，最大输出，最小停机，减少零件故障
• 自动化的机器校准和调整，以操作员级的精度显著加快手动过程。
• 利用图像识别自动适应工业机器人/协作机器人的位置变化
• 生成自动建议，以帮助操作人员处理高度复杂、快节奏的流程
• 动态优化自主移动机器人(AMR)的物料移动和仓库利用

消除不确定性和理解风险

Irene Petrick，工业创新高级总监英特尔他对人工智能充满热情。“人工智能带来的变化之一是我们所说的效率的范围。效率的一个要素是消除不确定性。例如，在生产线的末端，产品是否达到最低标准是不确定的。有了人工智能，我们可以识别哪些产品更有可能存在缺陷风险。这消除了不确定性，使测试更加有效。当我们意识到不确定性在哪里时，可靠性就会增加。我们对工厂的了解越多，我们就能更有效地指导操作，从单个机器一直到供应链。”

AI为OEM目前可能感到完全缺乏控制的领域提供了可见性和洞察力。有了这种洞察力，原始设备制造商可以在他们以前甚至看不到的领域做出更好的预测。简而言之，人工智能减少了不确定性。”Petrick说。“随着工业设备的数字化转型，机器产生了大量的数据。如今，这些数据大多被忽略了(即“暗数据”)。然而，当人工智能收集和分析这些数据时，原始设备制造商可以深入了解他们的运营情况。”

第一步是收集并获得暗数据的可见性。然后，人工智能可以评估和分析数据，以提高效率，做出有用的预测，并为如何进一步提高质量和可靠性提供见解。人工智能还有助于消除oem甚至不知道自己存在的盲点，减少不确定性，并更好地了解实际生产风险。Petrick说:“我们从多个来源收集数据，包括激光雷达、声学传感器和摄像机，并使用数据融合工具一起分析这些数据。例如，我们在视觉检测、监控和面部识别方面取得了巨大的进步。这些技术可以用于制造，以识别现有的缺陷，或者通过人工智能，识别容易导致生产线进一步缺陷的产品特征。”这就是所谓的前馈循环。在一条标准的生产线上，每个零件都在生产线的末端进行检查和测试。如果发现涂装缺陷，则零件失效，成品率下降。此外，该部件需要特殊处理，以识别缺陷并进行修复。 Consider painting flaws caused by a weld flaw (cosmetic, not structural). If the weld flaw can be identified at the welding station, the part could be flagged to receive special handling at the painting station that accommodates the weld flaw and makes proper adjustments so the part passes testing. Instead of treating each individual stage as independent, each stage of the production line is recognized as dependent upon the others. Thus, new levels of productivity can be achieved.

与员工合作

John Karigiannis是该公司人工智能和计算机视觉技术经理通用电气研究。卡里吉亚尼斯说:“通常情况下，首先引入人工智能的地方是它能产生最大影响的地方，通常是风险最大的地方。”“对于许多原始设备制造商来说，这是部件的检查和测试。人工智能驱动的检查比人工检查更一致，因为人工智能不会累，也不会走捷径。”

在高层次上，人工智能是关于提高人们的技能，并使他们能够利用可能需要tb级数据才能发现的见解。人工智能克服了人类感知的局限性。通过与AI合作，人们可以监控更多的操作，将他们灵活的关注点和能力带到AI模型无法捕捉到的过于复杂或变化太多的领域。简而言之，合作通过扩大人们的可见性和控制权，优化了他们为工作带来的价值。Siemen的Raithel是这样说的:“有一种误解，认为人工智能只是自我学习。通常情况下，你需要一个专家来教AI。有了AI在生产线上处理任务，你现在可以集中你的专家来教AI它需要做什么。这是一个乘数效应。现在，一个专家可以在更多的领域应用他们的专业知识，准确度和一致性更高。”

人是人工智能生产线中必不可少的一部分。Karigiannis说:“人工智能的过程是有界限的。“你需要一个人在这些界限之外运作。例如，AI算法可能会有分布特征，以确定某个部件是否有缺陷。然而，人工智能仍然可以识别遇险、腐蚀或其他说明因素，假设它有足够的数据进行训练。人工智能可能不能说，“这是一个裂缝”，但它可以说，“这里可能有一个问题。现在，人工智能可以识别出最有可能存在缺陷的10个部件，而不是由人类检查1000个部件。换句话说，人工智能让我们可以说，‘我相信这990个零件没有缺陷。’”

人工智能还可以增强人员的能力，加速他们的学习。例如，国民油井华高(NOV)就使用过微软自主系统培养一名“人工智能教练”来培养和提高他们的员工队伍。以前，新员工需要至少六个月的培训来学习如何操作设备。有了AI教练，NOV期望新员工需要的时间少于一半．此外，更有经验的操作员可以从培训中解脱出来，专注于运行关键的机器。

回归复杂性和变化

英特尔的皮特里克表示:“我们在人工智能的发展中看到的一个主要趋势是从一致性向变化的转变。一种常见的自动化策略是从装配线中去除变化。虽然这消除了不确定性(这是件好事)，但却给了原始设备制造商一种虚假的舒适感，即他们认为自己可以控制。我们认为我们可以控制生产的各个方面。在某些方面，生产线越简化和一致性越强，它对变化的弹性就越低。正如我们从COVID中学到的，我们不能认为过去是未来的良好预测者。相反，我们必须承认我们无法控制每一个因素和环境。”

与人工智能如何增强人类工人的能力类似，人工智能可以通过处理机器人尚未编程解决的差异来增强机器人。人工智能的第二层使我们能够使机器人更简单、更一致，同时扩展它们可以使用的用例和应用程序。处理更复杂的问题正是数字双胞胎发挥作用的地方。数字双胞胎使用人工智能来模拟机器人细胞，甚至整个工厂车间。如果你有足够的物理世界的数据，你可以模拟日常操作，这样你就可以优化它们。但是，您也可以模拟方差和中断。这可以让您看到对生产线的影响，并评估它的弹性。您还可以开始制定策略来解决潜在的中断，以将其影响降至最低。通用电气的Karigiannis表示:“机器人可以在模拟环境中训练，而不是手动为机器人编写每一项任务。一旦他们学会了该怎么做，他们就可以转变为现实。” Ultimately, a robot can learn to move safely across a factory floor without colliding into other objects.

即使对于复杂的任务，如焊接，模拟也很有价值，因为焊接可能有很多变化。模拟提供了足够的基础，以帮助人们更快地完成任务的编程。“对我们来说，”卡里吉亚尼斯说，“人工智能消除了80个小时的人工机器人编程。”

微软的Sircar为人工智能描绘的愿景远远超出了在装配线上移动部件的机器人。Sircar的愿景包括Metaverse，在Metaverse中，虚拟现实通过建模现实世界来优化，并以全新的方式在工厂内进行交互。“在数字双胞胎和人工智能的基础上，制造商现在能够近乎实时地可视化工厂。除了跟踪过去，它们还可以在混合现实环境中分析、预测、模拟和交互操作，”Sircar说。

从机器到工厂再到供应线

数字双胞胎在系统层面提供了最大的价值。机器级别的分析在范围上是有限的，并且不能捕获系统范围的影响。整个系统越复杂，系统效应发生时放大的程度就越大。有了数字双胞胎，就有可能模拟整个工厂。现在，人工智能不仅可以优化单个工位的切割路径或机器人装配，还可以优化整个生产线以及每个阶段之间的相互依赖关系。

只要您能够访问相关数据，这些见解也可以扩展到工厂之外。原始设备制造商可以分析进入的部件以及它们如何在工厂中移动。在简单的层面上，人工智能可以识别组件实现中的瓶颈。在更高的层面上，人工智能可以对供应链做出预测。供应链更难预测，因为你可能没有关于供应商的足够数据。然而，你的客户可能会向你询问详细的生产线信息，这样他们就可以预测你是否会按时交货。

这当然是趋势(见图2)。英特尔的Petrick说:“在短短两年内，我们已经看到制造商面临的主要挑战的影响范围发生了重大变化。现在，人们不再那么关注个人/团队层面，而是更需要从更广泛的公司/行业角度来解决问题。”

考虑到新冠肺炎期间供应链面临的挑战，保证交付的能力可能会成为市场上一个重要的差异化因素。COVID是许多公司经历的最大中断之一。为了保护他们的运营，整车厂将人工智能从机器级的交互扩展到工厂车间和供应链本身是有意义的。

人为因素:信任

oem厂商需要考虑的最后一个人工智能难题是人为因素。英特尔的皮特里克表示，“人工智能只是一个产生建议的模型。该建议只有在推动行动时才有用。这凸显了人工智能的一个基石:信任。因为一旦你让一个人进入这个圈子，就必须考虑信任。因为如果与人工智能一起工作的人不信任它的建议，人工智能就不一定能提高效率、质量或可靠性。”

要了解这一点，请以自动驾驶汽车为例。如果人们不相信汽车能安全地把他们从公司送回家，他们就不会坐上它。为了解决这个问题，Petrick说:“行业需要对人工智能保持透明。我们必须能够解释它是什么，我们使用的是什么数据，算法如何处理数据，以及如何得出结果。而且，我们必须用工厂里的人能理解的简单语言来做这件事，这样他们才能对与他们一起工作的人工智能有信心和信任。”

人工智能的未来

人工智能是一种强大的技术，可以增强人员、技能和工作流程。通过人工智能，原始设备制造商可以提高单个机器的性能，并优化整个工厂车间和整个供应链的操作。人工智能可以在不失去自动化的好处的情况下，将复杂性和变化带回生产线。原始设备制造商可以提高产品质量，同时降低测试和生产成本。人工智能还促进了人与机器之间更高层次的协作。你不需要为可持续性单独计划，因为当你提高效率和优化操作时，你会自动减少功耗和其他浪费。

值得注意的是，人工智能对工业制造的趋势和影响取决于你的业务所在地。并非世界上的每个地方都面临着“劳动力短缺”的问题，美国、欧洲和亚洲之间训练有素的劳动力问题差异很大。虽然人工智能技术正以惊人的速度发展，但它每年都变得更容易使用。Siemen的Raithel表示:“AI听起来可能很复杂。然而，它的实现已经达到了一个你不需要成为数据科学家就能弄清楚的水平。在西门子，我们有数百名数据科学家致力于创建软件和工具，使我们的客户能够在不了解张量流的情况下使用人工智能。“为此，软件和工具将在人工智能的未来发挥更大的作用。然而，工业世界需要工具的长期可靠性和稳定性。我们不能每六个月就改变一次。所以，我们还需要更长的时间才能把这些创新带到工厂。”

假以时日，人工智能将变得更强大，也更容易使用。如今，机器人需要接受与之交互的每一个物体的训练。在手臂上安装一个基于人工智能的摄像头，机器人可以快速处理各种各样的方差，而且训练较少。而且还会有更多。

通用电气的Karigiannis表示:“人工智能的缺点之一是它不能很好地泛化，特别是如果你改变了领域。当我们学会开车时，我们就能驾驶别人的车。我们甚至可以把一些知识运用到相关的活动中，比如驾驶遥控汽车或无人机。对于人工智能，当你改变领域时，你必须重新训练模型。“如今，人工智能不知道裂缝是什么。但是想象一下如果真的发生了。这样人工智能就可以在任何地方识别裂缝，而不仅仅是在它受过训练的地方。在通用电气，我们专注于开发这种类型的通用培训(见表1)。原始设备制造商将能够在不同的部件和领域扩展人工智能的能力，而不是从头开始学习。”

要了解更多关于人工智能如何彻底改变工业制造的信息，请参加我们的一天活动人工智能与智能自动化大会，9月29日，俄亥俄州哥伦布市。