看这4家企业组织怎么利用人工智能彻底变革制造业

人工智能和机器学习正在变革制造业。根据世界经济论坛去年年底发布的报告，人工智能、先进机器人、增材制造和物联网的结合将共同引领第四次工业革命。

大多数制造业企业（80％）预测未来会看到人工智能计划的积极影响，预计收入增长22.6％，成本降低17.6％。

ASP站长网事实上，制造企业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、改善供应链和缩短设计时间了。然而，缺乏技术人员、数据和标准使得许多企业无法继续前行。

通用电气走在前沿

通用电气（General Electric）是走在这一轮产业转型浪潮前沿的企业之一，该领域的生产力下降促使通用电气一直致力于探索人工智能的使用。

“截至2010年，生产力增长率在4％至5％之间，”通用电气软件研究副总裁Colin Parris表示。然后，这个领域发生了变化，经验丰富的工程师们即将退休，而通用电气所在的新兴地区如印度和中国，主要劳动力是年轻人。

同时，客户要求正在迅速变得越来越复杂。通向目的地的多条线路上的极端天气条件和空气污染影响了通用电气生产的喷气发动机。社交媒体放大了任何故障的影响，迫使客户要求更高的可靠性和更少的停机时间。

与此同时，客户预计价格也将继续下跌。

Parris说：“人们会说你无法预测未来。你绝对可以。人们希望价格更便宜。”

为了解决这个问题，通用电气公司转向采用人工智能和机器学习，从给客户提供服务开始，例如对喷气发动机和涡轮机进行维护。然后，通用电气将AI应用于内部制造，然后是设计和内部流程，例如数据中心运营和人力资源。

“在过去至少10到15年中，我们一直在服务中使用各种模型和分析形式，”Parris说。5年前，通用电气开始使用机器学习和数字双胞胎以提供机器的虚拟呈现，例如风力涡轮机或分组、风电场等。数字双胞胎也可用于呈现装配线、整个工厂或采购流程。

在通用电气，数字双胞胎用于模拟性能，预测故障，并对潜在改进进行快速测试。

“我们可以预测会在哪发生故障，这样我们就会派专门的工程师，有针对性地库存零件。我们提高燃油效率，延长飞行时间，不用库存不必要的零件。我们已经为客户实现数百万美元的成本节约。”

为每台设备、每个系统或者每个流程配备数字双胞胎的另一个好处是，通用电气可以利用增材制造（例如3D打印）来生产定制零件，而不必依赖传统装配上的那个批量生产出来的替换零件。

“随着时间的推移，机器的性能会发生降级。现在我可以说，‘因为我看到训练边缘出现的设备损坏或者是这种刀片出现更多的开裂，所以我是否可以设计专门的零部件？’增材制造让我可以一次生产出一个部件，来解决这台机器在环境中遇到的独有问题，而不是必须在大型工厂内生产出数百个部件。以前，我不得不投资数亿美元来建造工厂。现在，我一次只打印一个部件，并且还可以不断调整机器的机身和核心系统。现在我有了这样一台可以不断自适应的、越来越富有成效的机器，我们称之为不朽的机器。”

“我正是我认为对通用电气来说未来会变得非常有趣的原因，”他补充道。

预测性维护前景看好

还有其他一些制造企业也在考虑使用人工智能和机器学习来降低成本、提高性能。

总部位于美国佛罗里达州的Jabil是一家财富500强公司，为全球主要品牌提供合约制造服务。几个月前，Jabil公司开始使用人工智能来发现制造缺陷，以及进行预测性维护。

例如，Jabil在中国开设的一家工厂中，自动光学检测机器配置有多个摄像头寻找制造中的电路板存在的缺陷。

此前Jabil已经使用了基本的图像识别技术来寻找缺陷，但系统标记出要发送给操作人员进行检查的电路板中，有35％到40％实际上根本没有问题。

Jabil公司高级经理Ryan Litvak表示：“操作员对每个图像有两秒钟的时间，其中一些图像可能非常大，有数百个组件。挑战就在于要捕捉操作员的直觉，并且要有很高的准确度，能够判断出这是一个缺陷，或者这不是一个缺陷。”

Jabil通过减少标记的电路板数量而不牺牲准确性，能够让其运营商把更多时间用在研究出问题的电路板上，或者用于其他更有价值的任务上。”

“我们已经能够得出非常好的结果。真实缺陷的捕获率在93％到98％，这是非常高的，不仅如此，还避免了大约70％的误判，也就是那些实际上没有缺陷的组件。”

他说，概念验证涉及两条生产线，这两条生产线在设备和工艺上非常相似。现在，Jabil正在努力将其推广到不同的生产线上，以处理更大量的数据，并将新的决策过程直接纳入工作流中。

Jabil公司关注的另一个领域是预测性维护，最大挑战是要获取所需的数据。

Litvak表示：“在使用中的系统有很多，大量不同的设备。其中一些系统有自己的系统来进行维护，有些则没有。一些供应商通过电子表格来追踪维护情况，有些则是有自己开发的系统。”

他说，Jabil的数据科学家正在努力规范这些数据，并与微软的专家合作，建立预测设备故障所需的深度学习模型。

根据麦肯锡的研究结果，对工业设备进行AI增强的预测性维护将使年度维护成本降低10％，停机时间减少20％，检查成本降低25％。

麦肯锡慕尼黑办事处的合伙人MatthiasKässer表示，最近几个月有几个对人工智能特定用例进行试点项目引起了人们极大的兴趣。

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：“我们目前在几家试图利用人工智能巨大潜力的公司内实施这种基于视觉的AI应用。然而，为了充分利用潜力，企业需要快速将这些试点的学习项目转化为跨职能和流程的整体AI转型。这个时候才真正开始发挥作用。”

准确性问题

另一家刚刚开始使用图像识别来发现制造问题的制造企业是Lennox International，一家位于美国达拉斯的HVAC系统制造商。

Lennox公司IT、高级和新兴技术总监Sunil Bondalapati表示：“准确率远高于人类。现在，我们的准确率提高了大约20％。我们认为这不是人员数量的对比，更多是准确率的对比。”

Lennox公司还向企业客户提供设备租赁，与通用电气一样，改善维护是核心需求。

如今，HVAC设备将有关其性能的信息传输到云端，每小时有800万条新记录。

利用智能来实现实时预测设备故障，这在以前是不可能的。

Bondalapati表示：“这就是人工智能的用武之地，它可以保留两年前特定设备的背景和记忆——设备在105度温度下的性能如何，当湿度达到某个点的时候，性能如何，现在性能又是怎样的。”

Lennox从4个月前开始这个项目，其结果令人鼓舞，Lennox已经决定在接下来的4个月内开始全面推进该技术。

他说，计算维护方面的投资回报是一件棘手的事情。“当设备没有发生故障时，你如何计算投资回报率？我们不得不在明年做一些数据收集方面的工作。”

但Lennox已经把存储和计算成本降低一半了，因为使用了DataBricks技术来整合数据。

“现在20个内核减少到4个内核，”他说。

人工智能在的Lennox另一个用途是财务方面。举例来说，计算公司应该为保修留出多少钱。

（编辑：焦作站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!