AI如何改变制造业.pdf

AI如何改变制造业 2021，AI如何改变制造业呢？那就得想想如今的制造行业流行 的是什么？自然是少不了“数字转换”、“工业4.0”、“人工智能 (AI)”...下面，就让我们来看看AI将改变制造业的六大应用趋势吧。 一、用于缺陷检测的深度学习 在制造中，生产线中的缺陷检测过程变得越来越智能。深度神经 网络集成使计算机系统可以识别诸如刮擦，裂纹，泄漏等表面缺陷。 通过应用图像分类，对象检测和实例分割算法，数据科学家可以 训练视觉检查系统来来进行给定任务的缺陷检测。结合了高光学分辨 率相机和GPU，深度学习驱动的检测系统将比传统机器视觉具有更好 的感知能力。 例如，可口可乐构建了基于AI 的视觉检查应用程序。该应用程 序诊断设施系统并检测问题，然后把检测到的问题通知给技术专家， 助力专家采取进一步的措施。 二、通过机器学习进行预测性维护 与其在发生故障时进行修复或安排设备检查，不如在发生问题之 前进行预测。 通过利用时间序列数据，机器学习算法可以微调预测性维护系统 以分析故障模式并预测可能的问题。——当传感器跟踪诸如湿度，温 度或密度之类的参数时，这些数据将通过机器学习算法进行收集和处 理。 第 1 页 共 6 页 根据预测目标，如故障之前的剩余时间，获取故障概率或异常等， 有几种机器学习模型可以预测设备故障： ①、预测剩余使用寿命(RUL)的回归模型。通过利用历史数据和 静态数据，此方法可以预测故障之前还有多少天。 ②、用于在预定时间段内预测故障的分类模型。为了定义机器将 要失效的时间，我们可以开发一个模型，该模型将在定义的天数内预 测失败。 ③、异常检测模型可以标记设备。这种方法可以通过识别正常系 统行为和故障事件之间的差异来预测故障。 基于机器学习的预测性维护所带来的主要好处是准确性和及时 性。通过揭示生产设备中的异常，分析其性质和频率，可以在故障发 生之前优化性能。 三、人工智能将打造数字双胞胎 数字孪生是物理生产系统的虚拟副本。在制造领域，存在着由特 定机械资产，整个机械系统或特定系统组件组成的数字双胞胎。数字 双胞胎的最常见用途是生产过程的实时诊断和评估，产品性能的预测 和可视化等。 为了教数字孪生模型了解如何优化物理系统，数据科学工程师使 用了监督和无监督的机器学习算法。通过处理从连续实时监控中收集 的历史数据和未标记数据，机器学习算法可以查找行为模式并查找异 常。这些算法有助于优化生产计划，质量改进和维护。 第 2 页 共 6 页 此外，利用NLP技术可以处理来自研究，行业报告，社交网络和 大众媒体的外部数据。它不仅增强了数字双胞胎的功能，不仅可以设 计未来的产品，还可以模拟其性能。 四、智能制造的生成设计 生成设计的思想是基于机器学习的给定产品的所有可能设计选 项的生成。通过在生成的设计软件中选择重量，尺寸，材料，操作和 制造条件等参数，工程师可以生成许多设计解决方案。然后，他们可 以为将来的产品选择最合适的设计并将其投入生产。 先进的深度学习算法的使用使生成设计软件变得智能。人工智能 的新趋势之一是生成对抗网络(GAN)。GAN依次使用两个网络：生成 器和鉴别器，其中生成器网络为给定产品生成新设计，而鉴别器网络 对真实产品的设计和生成的产品进行分类和区分。 因此，数据科学家开发并教授深度学习模型以定义所有可能的设 计变体。计算机成为所谓的“设计伙伴”，它根据产品设计师给出的 约束条件生成独特的设计思想。 五、基于ML 的能耗预测 工业物联网(IIoT)的增长不仅使大多数生产过程实现自动化，而 且使他们节俭。通过收集有关温度，湿度，照明使用和设施活动水平 的历史数据，可以预测能耗。那时机器学习和人工智能承担了大部分 实施任务。 第 3 页 共 6 页 利用机器学习进行能源消耗管理的想法是检测模式和趋势。通过 处理过去消耗能源的历史数据，机器学习模型可以预测未来的能源消 耗。 预测能耗的最常见机器学习方法是基于顺序数据测量。为了做到 这一点，数据科学家使用自回归模型和深度神经网络。