焦点速看：人工智能对制造业的革命性影响

上个世纪，工业革命一直是工业制造业效率的关键驱动力。然而，随着工业设备的日益数字化以及车间和工厂车间人工智能(AI)的兴起，我们正在进入一场新的革命，改变着原始设备制造商(OEM)思考和处理制造的方式。

例如，西门子通过使用AI来提高其机器的运营效率和产品质量，节省了大量时间和资源。"机器已经提供了大量数据，而无需额外的传感器。"西门子营销/产品管理总监Bernd Raithel说。

【资料图】

通常，这些数据会被丢弃。但是，可以以相对较低的成本收集它。"在我们的一个站点，我们收集了 11 万个数据集，每个组件都有 4万个数据点，"Raithel 补充道。

有了这些数据，就可以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，从而延长机器的使用寿命。人工智能预测的计划内维护停机可以防止生产线在凌晨3点发生故障。与数小时相比，这可能只会带来15 分钟的生产损失。

AI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某个零件是否能满足质量要求。例如，印刷电路板(PCB)的集成度非常高，需要用X光来评估其质量，而X射线机耗资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产量，并消除X射线这一瓶颈。我们能够预先识别出好的部件，这样我们就可以只对有风险的部件进行更彻底的测试。

对西门子来说，这些早期故障评估使该公司能够减少30%的X射线测试，拥有100%的质量，并减少约55.5万美元的资本投资。"有了这些数据，我们不仅可以了解哪些零件有缺陷，还可以了解原因，了解缺陷的来源。然后我们将这些信息带回生产线，进一步提高质量。" Raithel说。

当然，不是每个人都需要一个部件的4万个数据点。Raithel的建议是，即使在你知道该怎么做之前，也要收集你能捕捉到的数据。然后，当你遇到问题时，弄清楚哪些数据点是相关的。有了数据在手，你可以创建一个AI模型来识别问题。但如果你不收集数据，你将永远不知道你能用它做什么。

人工智能的附加值

虽然西门子在人工智能方面取得了成功，但许多原始设备制造商仍然对AI的价值存有疑问。他们认为已经拥有高产、高效的工厂，那么AI适合应用在哪里?

根据微软制造业首席技术官Indranil Sirca的说法，"你不能将AI视为一项独立的技术。它不是一个神奇的功能，而是一种工作方式。AI从一台机器扩展，并扩展到整个制造生产线和供应链。它通过扩展我们关注的细节水平来彻底改变制造业。"

我们的经验表明，敏捷工厂的实施通常分三个阶段进行，首先是连接工厂以获得可见性。AI在将获取的数据情景化处理并创建工厂的数字孪生方面发挥着作用。在下一阶段，将数据用于分析原因和影响。这些数据还预测了使用 AI、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性功能，推动优化操作并导致自主系统。

以下是 AI 支持的一些高级功能，包括：

· 通过图像识别和其他参数检测质量缺陷;

· 自动控制高速过程，以实现最大产量和最小停机，并减少零件的故障;

· 机器校准和调整自动化，以操作员级别的精度显著加快手动过程;

· 使用图像识别自动调整工业机器人/协作机器人以适应不断变化的位置;

· 生成自动化建议，帮助操作员完成高度复杂、快节奏的流程;

· 动态优化自主移动机器人(AMR)以实现物料移动和仓库利用率。

消除不确定性并了解风险

英特尔工业创新高级总监Irene Petrick对人工智能充满热情。"AI带来的转变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，产品在生产线末端是否符合最低标准存在不确定性。借助AI，我们可以确定哪些产品更有可能面临缺陷风险。这消除了不确定性，使测试更加高效。可靠性来自对不确定性所在的认识。我们对工厂车间了解得越多，我们就能越高效地指导操作，从单台机器一直到供应链。"

AI 提供了对 OEM 目前可能感到完全缺乏控制的领域的可见性和洞察力。有了这种洞察力，OEM 可以在他们以前甚至无法看到的领域做出更好的预测。简而言之，AI减少了不确定性。

随着工业设备的数字化转型，机器会产生大量的数据。今天，这些数据中的大部分都被忽略了(即"暗数据")。但是，当AI收集和分析这些数据时，OEM可以深入了解其运营情况。

第一步是收集和了解暗数据。然后，AI可以评估和分析数据以提高效率，做出有用的预测，并提供有关如何进一步提高质量和可靠性的见解。AI还有助于消除原始设备制造商甚至不知道的盲点，减少不确定性，并更好地了解所涉及的实际生产风险。

"我们从多个来源收集数据(包括激光雷达、声学传感器和摄像头等)，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进步。这些技术可用于制造中以识别现有缺陷，或者通过AI识别倾向于导致生产线下游缺陷的产品特征，这称为前馈循环。" Petrick说。

在标准生产线中，每个零件都在生产线末端进行检查和测试。如果发现涂装缺陷，则该零件将失效，从而降低产量。此外，零件需要特殊处理以识别缺陷并修复它。如果可以在焊接站识别出焊接缺陷，则可以在适应焊接缺陷的喷漆站标记零件以进行特殊处理，并进行适当的调整，以使零件通过测试。生产线的每个阶段都被认为是依赖于其他阶段，而不是将每个单独的阶段视为独立的。因此，可以实现新的生产力水平。

与员工一起高效协作

GE研究院人工智能和计算机视觉技术经理John Karigiannis认为，"通常，引入AI的第一个地方是它可以产生最大影响的地方，通常也是风险最大的地方。对于许多OEM厂商来说，这是零件的检查和测试。AI驱动的检查比人工检查更一致，因为AI不会感到疲倦，也不会偷工减料。"

在更高层次上，AI是关于提高人们的技能，使他们能够利用可能需要数 TB 数据才能发现的见解。AI克服了人类感知的局限性。通过与AI协作，人们可以监控更多操作，将他们灵活的重点和能力带到过于复杂或AI模型无法捕获的太多变化的领域。

简而言之，协作通过扩展人们的可见性和控制力来优化他们带来的价值。西门子的Raithel这样说："有一种误解，认为AI只是自学成才。通常情况下，您需要一位专家来教授AI。随着AI开始处理生产线上的 任务，您现在可以专注于让您的专家教 AI 需要做什么。这是一种乘数效应。现在，一位专家可以更准确、更一致地将他们的专业知识应用于更多领域。"

人是基于AI的生产线的必要组成部分。"AI过程在边界内工作，"Karigiannis说，"你需要一个人在这些边界之外运作。例如，用于确定零件是否有缺陷，有时可能存在超出AI 算法的分布特征。然而，AI仍然可以识别磨损、腐蚀或其他有说服力的因素，假设它有足够的数据进行训练。"

AI可能无法说，"这是一个裂缝"，但它可以说，"这里可能存在问题"。现在，不再由人工检查员查看 1000 个零件，而是由AI识别出最有可能有缺陷的 10 个零件。换句话说，AI使我们有可能确信，"这990个零件没有缺陷"。

AI还可以增强人员并加速他们的学习。例如，National Oilwell Varco(NOV)使用微软自治系统开发"AI教练"来发展和改善他们的员工队伍。以前，新员工需要至少6个月的培训才能学习如何操作设备。有了AI教练，NOV预计新员工需要的时间不到一半。此外，更有经验的操作员可以从培训中解放出来，专注于操作关键机器。

回归复杂性和变化

在AI的发展中看到的一个主要趋势，是从一致性到变化的转变。"一种常见的自动化策略是从装配线上消除变化。虽然这消除了不确定性(这是一件好事)，但它让OEM对他们认为可以控制的东西有一种虚假的安慰感，以为可以控制生产的各个方面。"英特尔的Petrick的说。

在某些方面，生产线越简化和保持一致，其对方差的弹性就越低。他说，"正如从我们新冠疫情中学到的那样，不能假设过去是未来的良好预测指标。相反，我们必须假设我们无法控制每个因素和情况。"

与AI如何增强人类工人的方式类似，AI可以通过处理机器人尚未编程解决的差异来增强机器人。AI使我们能够使机器人更简单、更一致，同时扩展可以使用它们的用例和应用程序。处理更大的复杂性是数字孪生发挥作用的地方。

数字孪生使用AI来模拟机器人单元甚至整个工厂车间。如果您有足够的物理世界数据，则可以模拟日常操作，以便对其进行优化。但是，您也可以模拟差异和中断。这使您可以查看对生产线的影响并评估其弹性，还可以开始制定策略来解决潜在的中断，以最大程度地减少其影响。

"机器人可以在模拟环境中进行训练，而不是手动为机器人编程每个任务。一旦他们学会了该怎么做，他们就可以过渡到现实。最终，机器人可以学会在工厂车间安全移动，而不会与其他物体发生碰撞。" GE公司的Karigiannis说。即使对于复杂的任务，例如可能存在很多变化的焊接，仿真也很有价值。模拟提供了足够的基础，可以帮助人们更快地完成任务的编程。对我们来说，人工智能消除了80小时的手动机器人编程。

AI描绘的愿景远远超出了机器人在装配线上移动零件的范围。微软的Sircar 认为，其愿景包括元宇宙，其中虚拟现实用于通过对现实世界进行建模并找到以全新方式在工厂内进行交互的方式来进行优化。"借助数字孪生和AI的基础，制造商现在能够近乎实时地可视化工厂。除了跟踪过去之外，他们还可以在混合现实环境中分析、预测、模拟和交互操作。"

从机器到工厂车间再到供应链

数字孪生在系统级别提供了最大价值。机器层面的分析范围有限，无法捕获系统范围的影响。整个系统越复杂，系统效应在发生时被放大的程度就越大。通过数字孪生，可以模拟整个工厂。现在，不仅可以使用AI来优化单个工位的切割路径或机器人装配，而是可以优化整个生产线和每个阶段之间的相互依赖关系。

只要您可以访问相关数据，这些见解也可以扩展到工厂之外。OEM 厂商可以分析进入的组件以及它们如何在工厂中移动。在简单的层面上，AI可以识别组件实现中的瓶颈。在更高的层次上，AI可以对整个供应链做出预测。供应蓝可能更难预测，因为您可能没有足够的供应商数据。然而，时代正在到来，你的客户可能会要求你提供详细的生产线信息，以便他们可以预测你会按时交货。

"在短短两年内，我们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，对个人/团队层面的关注较少，更需要从更广泛的公司/行业角度解决问题。" Petrick说。

鉴于新冠疫情期间出现的供应链挑战，保证交付的能力可能成为市场的一个重要差异化因素。这是许多公司经历过的最大中断之一。为了保护他们的运营，OEM厂商愿意将AI从机器级交互扩展到工厂车间和供应链本身。

人为因素：信任

OEM厂商需要考虑的AI难题的最后一块是人为因素。Petrick认为，AI只是一个产生建议的模型。此建议仅在驱动操作时才有用。这突出了AI的基石：信任。因为一旦你把人类员工引入这个回路，就必须考虑信任。因为如果与AI一起工作的人不相信它的建议，AI不一定会提高效率、质量或可靠性。

就像自动驾驶汽车一样，如果人们不相信汽车可以安全地开车送他们下班回家，他们就不会上车。为了解决这个问题，行业需要对AI保持透明。我们必须能够解释它是什么，我们正在使用什么数据，算法如何处理数据，以及它如何得出结果。而且，我们必须用工厂车间人员理解的通俗语言来做到这一点，这样他们才能对与他们合作的AI充满信心和信任。

工业人工智能的未来

AI 是一种强大的技术，可以增强人员、技能和工作流程。借助AI，OEM厂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运营。AI使复杂性和变化性重新回到生产线成为可能，而不会失去自动化的好处。制造企业可以提高产品质量，同时降低测试和生产成本。

AI还促进了人与机器之间更高水平的协作。而且，您无需单独规划可持续性，因为当您提高效率并优化运营时，您会自动减少功耗和其他浪费。

需要注意的是，AI对工业制造的趋势和影响因您的业务所在地而异。并非世界上每个地方都在应对"劳动力短缺"，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AI技术正在以惊人的速度发展，但它每年都变得更容易获得。

西门子的Raithel说："AI可能听起来很复杂。但是，它是在您无需成为数据科学家即可弄清楚的级别上实现的。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，使我们的客户能够使用AI，而无需了解任何关于张量流的信息。"

为此，软件和工具将在人工智能的未来中发挥更大的作用。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6个月改变一次。因此，我们需要更长的时间才能将这些创新带到工厂车间。

随着时间的推移，AI将变得更加强大，也更容易使用。今天，机器人需要针对与之交互的每个对象进行训练。手臂上装有基于AI的摄像头，机器人将快速处理各种变化，并且只需更少的培训。

GE的Karigiannis说："AI的缺点之一是它不能很好地泛化，特别是如果你改变领域。使用 AI，当您更改域时，您可能必须重新训练模型。今天，AI并不理解什么是裂缝。但想象一下，如果它做到了。那么，AI可以在任何地方识别裂缝，而不仅仅是在它被训练过的地方找到它们。在GE，我们正专注于开发这种类型的通用培训(如上图)。未来，OEM将能够把AI的功能轻松扩展到不同的领域，而不是从头开始学习。"

关键词：