大数据时代,人工智能是如何颠覆制造业的?
随着先进技术简化了复杂流程的管理方式 , 制造业正在经历着巨大的变革 。 尤其是 , 制造商可以通过最大程度地减少机器停机时间 , 预测维护需求以及优化工厂车间资源来改善其运营 。 正是在这些领域中 , 人工智能(AI)和机器学习通过使其易于收集有关机器性能的数据并立即找到解决方案 , 正在帮助颠覆制造业 。
文章插图
影响制造业的关键AI细分市场AI是学习系统功能的统称 , 被视为代表智能 , 包括图像和视频识别 , 规范性建模 , 智能自动化 , 高级仿真和复杂分析等 。 在制造过程中 , AI用例围绕以下技术展开:
- 机器学习:使用算法和数据自动从基础模式中学习 , 而无需进行显式编程 。
- 深度学习:机器学习的一部分 , 它使用神经网络来分析图像和视频之类的东西 。
- 自治对象:自行管理任务的AI代理 , 例如协作机器人或联网车辆 。
文章插图
重资产制造业的游戏规则改变者在AI的帮助下 , 重型制造商改变了保持运营效率的方式 。 他们过去常常用资本支出来资助改进工作(即 , 他们在新设备上花了很多钱来替换有故障的设备) 。 人工智能是一种成本较低的替代方案 , 使这些公司可以:1、更有效地分析机器数据以找到主动维护解决方案;2、用机器设备状态的自动AI决策代替机器操作员的手动监视活动 。
【大数据时代,人工智能是如何颠覆制造业的?】麦肯锡(McKinsey)最近的一份报告说明了一家水泥制造商的用例 , 该公司创建了一个AI驱动的“资产优化器” , 以提高立式生料磨的产量 。 该解决方案首先从数百个过程变量中快速捕获了数百万行数据 。 然后将数据映射到自动化工作流程 , 并应用神经网络和分析算法来优化过程控制 。 该优化器能够自动驾驶 , 无需操作员干预即可自动控制制造过程 。 结果:八个月后 , 该解决方案比手动模式提高了11.6% , 从而帮助制造商提高了利润 。
预测性维护的重要性持续维护生产机械和设备是制造商的主要费用 , 并且可能对运营利润产生巨大影响 。 计划外停机每年使制造商损失500亿美元 , 而资产故障是造成计划外停机的42%的原因 。
预测性维护的概念使用AI算法来预测何时机器和设备可能发生故障 。 可以训练AI来连续监视设备上的传感器 , 预测它们何时可能出现故障以及建议主动的 , 基于状况的维护计划 。 例如偏离材料配方 , 设备性能的细微变化或原材料的变化 。 结果是减少了停机时间 , 并延长了设备的剩余使用寿命 。
通用汽车公司的一个关键用例强调了预测性维护过程 。 这家汽车公司分析了安装在组装机器人上的摄像机中的图像 , 以识别出机器人部件故障的迹象 。 在一项先导测试中 , 由AI驱动的系统在7,000个机器人中检测到72个组件故障实例 , 并在可能导致计划外停机的情况下影响生产之前发现了问题 。
文章插图
改善产品安全性并启用智能工厂汽车轮胎是安全组件 , 因此普利司通(Bridgestone)等制造商在质量上追求完美 。 为了实现该目标 , 该公司创建了一个机器学习系统 , 以提供对质量保证的自动控制 , 通常取决于人工监控 。 该系统使用传感器测量480个质量项目 , 并实时自动控制机器 。 与人为控制的过程相比 , 产品均匀性提高了15% , 并且通过消除成型过程中的瓶颈使生产率提高了一倍 。
- 集成硅光传感器时代,「意子信息」想用纳米光子晶体结合MEMS做出了极高精度的光量子传感器
- 「技术」这样的思路,让控制器中按键处理数据的方法变得简单了
- 线上线下教育融合“大咖谈”:看这场论坛怎么说
- IPsecVPN(数据通信)
- 学大数据是否有前途 如何系统掌握大数据技术
- 分析|用数据量化方法透视不确定性世界
- 微信官方发布国庆假期消费大数据,来瞧瞧你的钱都花到哪了
- 数据|女生从事数据分析岗位会面临哪些压力
- 海云数据:用AI让不可能变成可能
- 面向销售自动化的基于数据扩增和真实图像合成的鲁棒多目标检测