论文部分内容阅读
从预测性维护到数字双胞胎，人工智能正在引领下一次制造业革命——但是还缺乏技能、数据和标准。
人工智能和机器学习正在推动制造业变革。据世界经济论坛去年年底发布的一份报告：人工智能、先进机器人、增材制造（也称为3D打印）和物联网（IoT）的结合将迎来第四次工业革命。
大部分制造企业（80%）认为人工智能项目会产生积极影响，预计收入将增长22.6%，而成本降低17.6%。
事实上，制造商已经在使用人工智能和机器学习技术来减少设备停机时间，发现生产缺陷，改善供应链，缩短设计时间。然而，缺乏技术员工、数据和标准，使得很多企业裹足不前。
通用电气引领潮头
通用电气公司站在了这一波产业转型浪潮的最前沿，由于公司所在领域生产率不断下降，该公司一直在积极探索怎样应用人工智能。
该公司软件研究副总裁Colin Parris评论说：“2010年之前，生产率增幅都在4%至5%之间。”然后，行业发生了变化。经验丰富的工程师面临退休，而通用电气公司所处的新地区（包括印度和中国），以年轻员工为主。
Parris说，同时，客户需求很快变得更加复杂。有些目的地的新航线出现了极端天气条件和空气污染，这也影响了通用电气公司制造的喷气式发动机。社交媒体放大了停运的影响，客户受其影响也会要求提高可靠性，缩短停机时间。
与此同时，客户还希望价格仍会继续降低。
Parris说：“人们说，你无法预测未来。其实，你当然可以。人们想要更便宜的东西。”
要解决这个问题。通用电气公司转而采用人工智能和机器学习，从向客户提供的服务开始，例如，喷气发动机和涡轮机维护。通用电气公司将人工智能应用于内部制造，随后是设计，然后是内部流程，例如数据中心运营和人力资源。
Parris说：“至少在过去的10到15年里，我们在服务中一直使用分析模型和表格。”5年前，通用电气公司开始使用机器学习和数字双胞胎，它们对一些机械设备进行了虚拟化表示，例如风力涡轮机或者风电场等机组。数字双胞胎也可以用来表征装配线、整个工厂或者采购过程。
在通用电气公司，数字双胞胎被用来性能建模、故障预测，并支持对有潜力的改进进行快速测试。
Parris说：“我们能够预测哪些事情会失败，所以我们会配置合适的工程师，库存也会有合适的零件。我们提高了燃油效率，飞机飞行时间更长，而且提供服务时不必携带一些不必要的零部件。我们已经为顾客节省了数百万美元。”
每一设备、系统和工艺都有数字双胞胎的另一个好处是，通用电气公司可以利用增材制造（3D打印）来开发定制部件，而不必依赖于必须在传统生产线上大批量生产的替换零件。
他说：“随着时间的推移，机械设备的性能会劣化。现在我可以说，‘我能设计专门的零件吗，因为以这种方式使用这台机器时，我们看到边缘会出现损伤，或者刀片更容易出现裂纹。’”而利用增材制造，我一次只制造一个零件，就能够解决这台机器在这种环境下特有的问题，而不用建造这些零件的大型工厂，并生产出数百个这样的零件。以前，我不得不花费数亿美元来建造工厂。现在，我可以一次打印一个零件，并且可以不断地调整机器机身和机器的程序。现在我们的机器能不断地进行自我调整，生产效率变得越来越高，我们称之为不朽的机器。”
他补充道：“我认为通用电气公司未来在这方面会非常有趣。”
预测性维护的前景
其他制造公司也在考虑使用人工智能和机器学习来降低成本，提高性能。
总部位于佛罗里达的捷孚（Jabil）公司是一家财富500强企业，为全球很多大品牌提供代工服务，几个月前，开始推动使用人工智能来发现制造缺陷，开展预测性维护工作。
例如，在中国的一家工厂，自动光学检查机上有几个摄像头，用于查找该公司制造的电路板上的缺陷。
虽然已经采用了基本图像识别技术来查找缺陷，但是系统标记有缺陷的电路板被发送给人类操作员进行检查后，发现35%到40%的电路板实际上没有任何问题。
公司的高级经理Ryan Litvak说：“操作员有两秒钟的时间查看每一图像，其中一些电路板可能非常大，上边会有数百个组件。难点在于把握好操作员的直觉，能够非常准确的判断‘是’，这实际上是一个缺陷，或者‘不是’，这不是一个缺陷。”
通过减少被标记的电路板的数量，在不牺牲准确性的前提下，捷孚公司使得操作员能够把更多的时间花在有问题的电路板上，或者把时间重新分配到其他更有价值的任务中。
他说：“我们已经看到了非常好的效果。被标记的电路板中有93%到98%是真正有缺陷的，这一比例相当高，没有缺陷的电路板中，70%以上都能够通过检查。”
他说，概念验证涉及到两条生产线，这些生产线有非常相似的设备和工艺。现在，捷孚公司正致力于将其推广到其他生产线上，用于处理大量数据，在工作流程中直接集成新的决策过程。
公司关注的另一个领域是预测性维护，其中面临的挑战是怎样获得所需的数据。
Litvak说：“有很多不同的系统在用，而且有很多不同的设备。有些有自己的维护系统，有些则没有。一些供应商通过电子表格来跟踪维护，有些则使用自己开发的系统。”
他说，捷孚公司的数據科学家正在努力规范这些数据，并与微软的专家一起合作建立预测设备故障所需的深度学习模型。
据麦肯锡的研究，采用了人工智能预测性维护的工业设备的年度维护成本降低了10%，停机时间减少20%，而检查成本则降低了25%。
麦肯锡慕尼黑办公室的合伙人Matthias K?sser说道，最近几个月，人们对人工智能具体应用的试验项目产生了浓厚的兴趣。
最大的影响是在质量检查和预测性维护中使用计算机视觉和传感器数据。 他说：“我们目前在多家公司实施了这种基于视觉的人工智能应用，非常有潜力。然而，为了充分发挥这些潜力，企业应迅速把从这些试验项目上学到的东西应用到各种功能和流程的人工智能整体转型中。这就是真正开始工作的地方。”
有关准确性的问题
另一刚刚开始使用图像识别来发现制造问题的制造公司是Lennox国际——一家总部位于达拉斯的暖通空调系统制造商。
公司的IT、先进和新兴技术主管Sunil Bondalapati说：“准确度比人类高得多。现在，我们的准确率大约是20%。我们不把它看成是一个数量问题，我们把它看成是一个准确性问题。”
Lennox还向企业客户租用设备，和通用电气公司一样，改进维护是其核心需求。
目前，暖通空调设备向云端传送其性能信息，每小时大约有800万条新记录。
增强了智能化水平后，公司能够实时预测设备故障，这在以前是不可能的。
Bondalapati说：“这才是人工智能所擅长的。它能够保存两年前某一设备所处的环境和内存——当湿度处于这一水平时，它在105度温度下是怎样工作的，当时它是怎样工作的，现在又是怎样工作的。”
Lennox四个月前开始了这个项目，结果很有意义，该公司决定未来四个月开始全面推广应用这项技术。
Bondalapati说，很难计算维护方面的投资回报。“当设备没有故障时，怎样计算投资回报？我们明年将不得不为此收集一些数据。”
但Lennox的存储和计算成本已经下降了一半，因为它能够使用DataBrick的技术来整合数据。
他说：“我们从20个内核降到了4个内核。”
人工智能在企业中的另一应用是在财务方面。例如，计算公司应该为履行保修责任留出多少备付金。
Bondalapati介紹说：“以前，我们只是批准了一定的金额——2千万美元或者3千万美元，没有科学的方法知道应该为那些想退货的客户预留多少资金。现在，使用人工智能后，我们能够预测每个部件的故障率，告诉保修部门要留出多少资金，当我们获得了更多的数据后，我们每天都能够随之进行调整。”
他预计所需的备付金将减少10%。
人工智能的力量越来越强
Lennox还利用人工智能来查找会计问题。
Bondalapati说：“我们有数以百万计的总帐。如果是人的话，不可能每天都把这些账本看一遍。”
他说他的部门一直在寻找利用人工智能来帮助业务发展的机会。
“我们就像一个内部咨询机构。我们一直在推广这些。我们每周都与业务部门和其他相关部门进行交流，并提供其他应用案例供他们尝试。”他说。
Lennox涉足人工智能有些早了。“对于像我们这样的行业来说，人工智能是一条艰难的道路，需要不断的给心存疑虑的客户们进行推销。”
人工智能目前的主要局限：技能和数据
机器学习和高级分析在预测性维护和制造过程的其他方面也起着非常重要的作用。
据普华永道最近的一项研究，78%的制造企业已经部署或者计划部署预测性维护技术，而已经部署或者计划部署制造执行系统、数字双胞胎和机器人过程自动化的制造企业的比例分别是73%、60%和59%。
只有29%的制造企业使用或者计划使用人工智能，普华永道将人工智能定义为超越了机器学习和高级分析，能够做出独立的认知决策。
普华永道的IT战略负责人Kumar Krishnamurthy评论说，如今，制造企业之所以关注嵌入式人工智能和机器学习技术，为的是降低成本。“但我的预测是，其中某些技术将帮助企业扩大规模，提高生产力水平。”
他说，客户需求和来自行业颠覆者的压力将迫使制造企业进行变革。然而，这项技术还没有人们想象的那么成熟。此外，缺乏人工智能技能和缺少可用的数据，也阻碍了其走向成熟。
据普华永道的调查，52%实施人工智能的制造企业表示，缺乏技术人员是很大的难题，42%的制造企业则认为数据的可靠性存在问题。
将人工智能融入到设计过程中
Palo Alto研究中心想克服制造过程中非常困难而且耗时的设计阶段中存在的技能和数据问题，施乐公司的很多创新都是源于该中心，例如，激光打印、面向对象编程、图形用户界面、光存储和很多其他基础技术等。
Palo Alto研究中心实验室经理兼研发副总裁Ersin Uzun评论说，人工智能能够承担功能需求、成本、监管和制造约束等工作，并提出人类想不到的设计。
他说：“如果我让你设计一种能让我拿着液体的东西，你可能会首先想到一个杯子，但不一定能马上想到骆驼背设计。”
一旦设计好了，Palo Alto研究中心还致力于开发某种技术，使用增材和减材制造方法来实现设计，并考虑由不同的设计和制造选择所引入的缺陷。
他说：“如今，你设计好一件东西，把它送给制造专家，他们知道怎样制造它，然后工程和分析人员看看制造出来的东西是否能满足操作要求。这需要几个月的时间。”
Uzun说，制造业是一个罕见的领域——其物理能力远远领先于软件的处理能力。
他说：“我们有令人非常兴奋的新材料，新的增材制造技术以及混合制造机器。但当你注意一下人们正在使用的软件时，它远远发挥不出你所拥有的材料和工具的实际能力。我们现在有这些可以同时进行增材制造和减材制造的机器，但在设计上无法真正发挥出制造能力。所以一切都是手动进行的，对于我们目前的大部分复杂制造需求，这基本上超出了任何人类的认知能力。”
Palo Alto研究中心的区域经理Sai Nelaturi说，为了使设计工具能够跟上材料科学和制造技术的快速发展，应该在工具中置入人工智能。
Palo Alto研究中心还致力于建立标准和协议，支持制造工厂中的所有不同系统彼此通信，开发人工智能算法来优化能源的使用、吞吐量、效率和安全。
Uzun说，Palo Alto研究中心本身并不产生技术。“我们是创新合作伙伴和技术提供商。我们一起创造这些技术，使其进入原型阶段，并找到合适的合作伙伴将其推向市场。”
今天，Palo Alto研究中心正在与大型和小型制造企业合作，测试这些技术并将其推向市场。
他说，人工智能技术将帮助中小型制造商提高竞争力，而且有助于让制造业工作岗位回归美国。“如果是这样，将在生态系统中创造出其他类型的工作。”
Maria Korolov过去20年一直涉足新兴技术和新兴市场。
原文网址
https：//www.cio.com/article/3302797/artificial-intelligence/how-ai-is-revolutionizing-manufacturing.html？nsdr=true
人工智能和机器学习正在推动制造业变革。据世界经济论坛去年年底发布的一份报告：人工智能、先进机器人、增材制造（也称为3D打印）和物联网（IoT）的结合将迎来第四次工业革命。
大部分制造企业（80%）认为人工智能项目会产生积极影响，预计收入将增长22.6%，而成本降低17.6%。
事实上，制造商已经在使用人工智能和机器学习技术来减少设备停机时间，发现生产缺陷，改善供应链，缩短设计时间。然而，缺乏技术员工、数据和标准，使得很多企业裹足不前。
通用电气引领潮头
通用电气公司站在了这一波产业转型浪潮的最前沿，由于公司所在领域生产率不断下降，该公司一直在积极探索怎样应用人工智能。
该公司软件研究副总裁Colin Parris评论说：“2010年之前，生产率增幅都在4%至5%之间。”然后，行业发生了变化。经验丰富的工程师面临退休，而通用电气公司所处的新地区（包括印度和中国），以年轻员工为主。
Parris说，同时，客户需求很快变得更加复杂。有些目的地的新航线出现了极端天气条件和空气污染，这也影响了通用电气公司制造的喷气式发动机。社交媒体放大了停运的影响，客户受其影响也会要求提高可靠性，缩短停机时间。
与此同时，客户还希望价格仍会继续降低。
Parris说：“人们说，你无法预测未来。其实，你当然可以。人们想要更便宜的东西。”
要解决这个问题。通用电气公司转而采用人工智能和机器学习，从向客户提供的服务开始，例如，喷气发动机和涡轮机维护。通用电气公司将人工智能应用于内部制造，随后是设计，然后是内部流程，例如数据中心运营和人力资源。
Parris说：“至少在过去的10到15年里，我们在服务中一直使用分析模型和表格。”5年前，通用电气公司开始使用机器学习和数字双胞胎，它们对一些机械设备进行了虚拟化表示，例如风力涡轮机或者风电场等机组。数字双胞胎也可以用来表征装配线、整个工厂或者采购过程。
在通用电气公司，数字双胞胎被用来性能建模、故障预测，并支持对有潜力的改进进行快速测试。
Parris说：“我们能够预测哪些事情会失败，所以我们会配置合适的工程师，库存也会有合适的零件。我们提高了燃油效率，飞机飞行时间更长，而且提供服务时不必携带一些不必要的零部件。我们已经为顾客节省了数百万美元。”
每一设备、系统和工艺都有数字双胞胎的另一个好处是，通用电气公司可以利用增材制造（3D打印）来开发定制部件，而不必依赖于必须在传统生产线上大批量生产的替换零件。
他说：“随着时间的推移，机械设备的性能会劣化。现在我可以说，‘我能设计专门的零件吗，因为以这种方式使用这台机器时，我们看到边缘会出现损伤，或者刀片更容易出现裂纹。’”而利用增材制造，我一次只制造一个零件，就能够解决这台机器在这种环境下特有的问题，而不用建造这些零件的大型工厂，并生产出数百个这样的零件。以前，我不得不花费数亿美元来建造工厂。现在，我可以一次打印一个零件，并且可以不断地调整机器机身和机器的程序。现在我们的机器能不断地进行自我调整，生产效率变得越来越高，我们称之为不朽的机器。”
他补充道：“我认为通用电气公司未来在这方面会非常有趣。”
预测性维护的前景
其他制造公司也在考虑使用人工智能和机器学习来降低成本，提高性能。
总部位于佛罗里达的捷孚（Jabil）公司是一家财富500强企业，为全球很多大品牌提供代工服务，几个月前，开始推动使用人工智能来发现制造缺陷，开展预测性维护工作。
例如，在中国的一家工厂，自动光学检查机上有几个摄像头，用于查找该公司制造的电路板上的缺陷。
虽然已经采用了基本图像识别技术来查找缺陷，但是系统标记有缺陷的电路板被发送给人类操作员进行检查后，发现35%到40%的电路板实际上没有任何问题。
公司的高级经理Ryan Litvak说：“操作员有两秒钟的时间查看每一图像，其中一些电路板可能非常大，上边会有数百个组件。难点在于把握好操作员的直觉，能够非常准确的判断‘是’，这实际上是一个缺陷，或者‘不是’，这不是一个缺陷。”
通过减少被标记的电路板的数量，在不牺牲准确性的前提下，捷孚公司使得操作员能够把更多的时间花在有问题的电路板上，或者把时间重新分配到其他更有价值的任务中。
他说：“我们已经看到了非常好的效果。被标记的电路板中有93%到98%是真正有缺陷的，这一比例相当高，没有缺陷的电路板中，70%以上都能够通过检查。”
他说，概念验证涉及到两条生产线，这些生产线有非常相似的设备和工艺。现在，捷孚公司正致力于将其推广到其他生产线上，用于处理大量数据，在工作流程中直接集成新的决策过程。
公司关注的另一个领域是预测性维护，其中面临的挑战是怎样获得所需的数据。
Litvak说：“有很多不同的系统在用，而且有很多不同的设备。有些有自己的维护系统，有些则没有。一些供应商通过电子表格来跟踪维护，有些则使用自己开发的系统。”
他说，捷孚公司的数據科学家正在努力规范这些数据，并与微软的专家一起合作建立预测设备故障所需的深度学习模型。
据麦肯锡的研究，采用了人工智能预测性维护的工业设备的年度维护成本降低了10%，停机时间减少20%，而检查成本则降低了25%。
麦肯锡慕尼黑办公室的合伙人Matthias K?sser说道，最近几个月，人们对人工智能具体应用的试验项目产生了浓厚的兴趣。
最大的影响是在质量检查和预测性维护中使用计算机视觉和传感器数据。 他说：“我们目前在多家公司实施了这种基于视觉的人工智能应用，非常有潜力。然而，为了充分发挥这些潜力，企业应迅速把从这些试验项目上学到的东西应用到各种功能和流程的人工智能整体转型中。这就是真正开始工作的地方。”
有关准确性的问题
另一刚刚开始使用图像识别来发现制造问题的制造公司是Lennox国际——一家总部位于达拉斯的暖通空调系统制造商。
公司的IT、先进和新兴技术主管Sunil Bondalapati说：“准确度比人类高得多。现在，我们的准确率大约是20%。我们不把它看成是一个数量问题，我们把它看成是一个准确性问题。”
Lennox还向企业客户租用设备，和通用电气公司一样，改进维护是其核心需求。
目前，暖通空调设备向云端传送其性能信息，每小时大约有800万条新记录。
增强了智能化水平后，公司能够实时预测设备故障，这在以前是不可能的。
Bondalapati说：“这才是人工智能所擅长的。它能够保存两年前某一设备所处的环境和内存——当湿度处于这一水平时，它在105度温度下是怎样工作的，当时它是怎样工作的，现在又是怎样工作的。”
Lennox四个月前开始了这个项目，结果很有意义，该公司决定未来四个月开始全面推广应用这项技术。
Bondalapati说，很难计算维护方面的投资回报。“当设备没有故障时，怎样计算投资回报？我们明年将不得不为此收集一些数据。”
但Lennox的存储和计算成本已经下降了一半，因为它能够使用DataBrick的技术来整合数据。
他说：“我们从20个内核降到了4个内核。”
人工智能在企业中的另一应用是在财务方面。例如，计算公司应该为履行保修责任留出多少备付金。
Bondalapati介紹说：“以前，我们只是批准了一定的金额——2千万美元或者3千万美元，没有科学的方法知道应该为那些想退货的客户预留多少资金。现在，使用人工智能后，我们能够预测每个部件的故障率，告诉保修部门要留出多少资金，当我们获得了更多的数据后，我们每天都能够随之进行调整。”
他预计所需的备付金将减少10%。
人工智能的力量越来越强
Lennox还利用人工智能来查找会计问题。
Bondalapati说：“我们有数以百万计的总帐。如果是人的话，不可能每天都把这些账本看一遍。”
他说他的部门一直在寻找利用人工智能来帮助业务发展的机会。
“我们就像一个内部咨询机构。我们一直在推广这些。我们每周都与业务部门和其他相关部门进行交流，并提供其他应用案例供他们尝试。”他说。
Lennox涉足人工智能有些早了。“对于像我们这样的行业来说，人工智能是一条艰难的道路，需要不断的给心存疑虑的客户们进行推销。”
人工智能目前的主要局限：技能和数据
机器学习和高级分析在预测性维护和制造过程的其他方面也起着非常重要的作用。
据普华永道最近的一项研究，78%的制造企业已经部署或者计划部署预测性维护技术，而已经部署或者计划部署制造执行系统、数字双胞胎和机器人过程自动化的制造企业的比例分别是73%、60%和59%。
只有29%的制造企业使用或者计划使用人工智能，普华永道将人工智能定义为超越了机器学习和高级分析，能够做出独立的认知决策。
普华永道的IT战略负责人Kumar Krishnamurthy评论说，如今，制造企业之所以关注嵌入式人工智能和机器学习技术，为的是降低成本。“但我的预测是，其中某些技术将帮助企业扩大规模，提高生产力水平。”
他说，客户需求和来自行业颠覆者的压力将迫使制造企业进行变革。然而，这项技术还没有人们想象的那么成熟。此外，缺乏人工智能技能和缺少可用的数据，也阻碍了其走向成熟。
据普华永道的调查，52%实施人工智能的制造企业表示，缺乏技术人员是很大的难题，42%的制造企业则认为数据的可靠性存在问题。
将人工智能融入到设计过程中
Palo Alto研究中心想克服制造过程中非常困难而且耗时的设计阶段中存在的技能和数据问题，施乐公司的很多创新都是源于该中心，例如，激光打印、面向对象编程、图形用户界面、光存储和很多其他基础技术等。
Palo Alto研究中心实验室经理兼研发副总裁Ersin Uzun评论说，人工智能能够承担功能需求、成本、监管和制造约束等工作，并提出人类想不到的设计。
他说：“如果我让你设计一种能让我拿着液体的东西，你可能会首先想到一个杯子，但不一定能马上想到骆驼背设计。”
一旦设计好了，Palo Alto研究中心还致力于开发某种技术，使用增材和减材制造方法来实现设计，并考虑由不同的设计和制造选择所引入的缺陷。
他说：“如今，你设计好一件东西，把它送给制造专家，他们知道怎样制造它，然后工程和分析人员看看制造出来的东西是否能满足操作要求。这需要几个月的时间。”
Uzun说，制造业是一个罕见的领域——其物理能力远远领先于软件的处理能力。
他说：“我们有令人非常兴奋的新材料，新的增材制造技术以及混合制造机器。但当你注意一下人们正在使用的软件时，它远远发挥不出你所拥有的材料和工具的实际能力。我们现在有这些可以同时进行增材制造和减材制造的机器，但在设计上无法真正发挥出制造能力。所以一切都是手动进行的，对于我们目前的大部分复杂制造需求，这基本上超出了任何人类的认知能力。”
Palo Alto研究中心的区域经理Sai Nelaturi说，为了使设计工具能够跟上材料科学和制造技术的快速发展，应该在工具中置入人工智能。
Palo Alto研究中心还致力于建立标准和协议，支持制造工厂中的所有不同系统彼此通信，开发人工智能算法来优化能源的使用、吞吐量、效率和安全。
Uzun说，Palo Alto研究中心本身并不产生技术。“我们是创新合作伙伴和技术提供商。我们一起创造这些技术，使其进入原型阶段，并找到合适的合作伙伴将其推向市场。”
今天，Palo Alto研究中心正在与大型和小型制造企业合作，测试这些技术并将其推向市场。
他说，人工智能技术将帮助中小型制造商提高竞争力，而且有助于让制造业工作岗位回归美国。“如果是这样，将在生态系统中创造出其他类型的工作。”
Maria Korolov过去20年一直涉足新兴技术和新兴市场。
原文网址
https：//www.cio.com/article/3302797/artificial-intelligence/how-ai-is-revolutionizing-manufacturing.html？nsdr=true