為了實(shí)現(xiàn)卓越的經(jīng)營，提高關(guān)鍵績效指標(biāo)，一些資產(chǎn)密集型組織現(xiàn)在正在實(shí)施數(shù)字化轉(zhuǎn)型。(KPI)并在生產(chǎn)和支持過程中解決具體問題。

基于人工智能的預(yù)測(cè)模型是一個(gè)非常有用的工具，可以部署在復(fù)雜的生產(chǎn)環(huán)境中。與一些常用的分析工具相比，預(yù)測(cè)模型更容易放大不同參數(shù)之間的相關(guān)性，在生成大量結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)的復(fù)雜生產(chǎn)環(huán)境中。

人工智能的應(yīng)用正在穩(wěn)步增長。即到2026年，全球2000強(qiáng)組織將使用人工智能為基于風(fēng)險(xiǎn)的運(yùn)營決策提供指導(dǎo)和意見。目前，這個(gè)數(shù)字還不到5%。大多數(shù)典型的人工智能用例都使用嵌入計(jì)劃和調(diào)度工具中的認(rèn)知人工智能，它也用于質(zhì)量和維護(hù)預(yù)測(cè)模型。

利用人工智能發(fā)動(dòng)機(jī)的解決方案，可以提供即時(shí)價(jià)值和合理的投資回報(bào)，這些發(fā)動(dòng)機(jī)可以識(shí)別圖像和聲音，以及振動(dòng)、溫度和過程中的價(jià)值。目前，人們已經(jīng)在試點(diǎn)或獨(dú)立實(shí)施方案中看到了這樣的用例。

標(biāo)準(zhǔn)人工智能驅(qū)動(dòng)的定制解決方案。

從可擴(kuò)展性的角度來看，生產(chǎn)領(lǐng)域使用人工智能的主要數(shù)字項(xiàng)目團(tuán)隊(duì)有兩個(gè)。每個(gè)項(xiàng)目都帶來許多價(jià)值。然而，它們提供了不同的時(shí)間尺度和時(shí)間精度。

定制解決方案是基于復(fù)雜學(xué)習(xí)過程的人工智能驅(qū)動(dòng)解決方案是高度定制的。圖像識(shí)別可以通過神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)來進(jìn)行，也可以通過監(jiān)督學(xué)習(xí)來建立預(yù)測(cè)模型。

即便在高度定制的模型中，問題的根源也可能很難找到。為解決這些問題，分析師和材料工程師必須使用智能解決方案來顯示問題發(fā)生的時(shí)間、方法和原因。為了找到任何有意義的模式，我們決定對(duì)深度學(xué)習(xí)算法進(jìn)行評(píng)估，

基于現(xiàn)代技術(shù)的數(shù)字、硬件工具和解決方案可以由工程師、開發(fā)人員和數(shù)據(jù)分析師使用。但在很多情況下，使用這些工具和解決方案是不夠的。生產(chǎn)環(huán)境可能會(huì)有很大的不同。

為了提高輸出質(zhì)量和模型的最終精度，這不是簡單地捕捉正確的參數(shù)和信號(hào)的問題，它的工作條件也可能不同。不同的維修、調(diào)整和操作生產(chǎn)設(shè)備的方法可能會(huì)嚴(yán)重影響模型輸出的質(zhì)量。追求更高質(zhì)量的過程可能是曲折而艱難的。

標(biāo)準(zhǔn)化解決方案是基于圖像識(shí)別原理的精細(xì)化、高度可擴(kuò)展的解決方案。最終輸出的準(zhǔn)確性很大程度上取決于異常樣本的數(shù)量，因?yàn)闃颖驹蕉?，模型就越?zhǔn)確。

在能否有效利用這一解決方案中，尺寸和表面完整性起著重要作用。越小越簡單，控制輸出越有效。使用人工智能跟蹤和分析每個(gè)組裝步驟(包括周期分析)的解決方案似乎具有很大的發(fā)展前景。這種解決方案可以識(shí)別異常生產(chǎn)和瓶頸，從而提高較高的生產(chǎn)效率。

它們也可以顯著加快發(fā)現(xiàn)質(zhì)量問題的速度，在某些情況下，發(fā)現(xiàn)時(shí)間可以縮短到幾分鐘。標(biāo)準(zhǔn)化解決方案很容易實(shí)現(xiàn)1～兩年的投資回報(bào)目標(biāo)。它的時(shí)間尺度和時(shí)間精度可能只有幾天甚至幾個(gè)小時(shí)。

別浪費(fèi)時(shí)間，從現(xiàn)在開始。

由于人工智能并非解決所有問題的靈丹妙藥，因此組織應(yīng)對(duì)在生產(chǎn)、質(zhì)量控制和維護(hù)中使用人工智能有更現(xiàn)實(shí)的期望。

然而，人工智能可以提供大量的用例。組織的重點(diǎn)應(yīng)該是人工智能驅(qū)動(dòng)的解決方案能夠?qū)崿F(xiàn)的目標(biāo)，以及能夠在這些解決方案中投入多少精力和成本。

在很多情況下，效益不僅是提高可持續(xù)性和質(zhì)量、解決生產(chǎn)過程中的問題和提高客戶滿意度的明顯關(guān)鍵績效指標(biāo)(如生產(chǎn)線可用性或整體設(shè)備效率)。

為了充分發(fā)揮數(shù)據(jù)的力量，人工智能驅(qū)動(dòng)的模型必須與企業(yè)的系統(tǒng)(如制造執(zhí)行系統(tǒng)、企業(yè)資源規(guī)劃和高級(jí)分析工具)集成。數(shù)據(jù)可以根據(jù)具體情況在多個(gè)領(lǐng)域進(jìn)行分析。不同的分析解決方案可以結(jié)合起來獲得意想不到的效果。

回顧過去，我們浪費(fèi)了大量的時(shí)間來采用一些試點(diǎn)項(xiàng)目。我們應(yīng)該更早地開始，更積極地從所有可用的相關(guān)資源中收集數(shù)據(jù)。我們?cè)诜?wù)器、數(shù)據(jù)庫和流程方面面臨許多挑戰(zhàn)，但顯然，我們已經(jīng)開展了協(xié)調(diào)和一致的工作，以快速有效地滿足業(yè)務(wù)需求。

標(biāo)簽：人工智能,智能制造,數(shù)字化轉(zhuǎn)型,AI人工智能