人工智能在制造业中的现实观点更像是凑集在一起的运用程序,这些运用程序用于紧凑却又离散的系统,管理着特定的制造流程。
它们或多或少地自主操作,并以日益智能乃至人性化的办法对外部事宜做出反应,这些事宜包括工具磨损、系统中断、发生失火或自然磨难等事宜。

制造业中的人工智能是什么?

制造业中的人工智能便是机器自主地实行类似人类任务的智能:对内部和外部事宜做出相应,乃至预测事宜。
机器可以检测到工具磨损或意外的情形(乃至预期会发生的情形),并且可以对问题做出反应并加以办理。

历史学家在追踪人类从石器时期到青铜时期、铁器时期平分歧期间的发展,根据人类对自然环境、材料、工具和技能的节制来衡量人类进化的发展轨迹。
人类目前处于信息时期,也称为“硅谷时期”。
在这个以电子产品为根本的时期,人类能力通过打算机的利用在总体上得到了提升,对自然界施加的影响是前所未有的,在几十年古人们根本无法想象的一些事情现在通过协同能力已经可以完成。

电子数值积分器与打算机(ENIAC)是天下上第一台数字电子可编程打算机,此处显示的是费城弹道研究实验室,大约在1947至1955年之间。

打算机技能越来越有能力做原来由人类自己做的事情,随着这种趋势的发展,人工智能已成为一种迎刃而解的发展成果。
人们可以选择如何利用机器学习和人工智能。
人工智能善于的一件事是帮助有创意的人做更多的事情。
这并不虞味着人工智能一定要取代人工;空想的运用程序可以帮助人们发挥他们在制造过程中的上风,而这种上风可以是在工厂制造一个部件或设计一种产品或部件。

人工智能越来越多地涉及到人类和机器人之间的协作。
尽监工业机器人普遍被视为有自主能力和“智能”,但它们中的大多数还须要人们大量的监督。
通过人工智能的不断创新,这些机器人会变得更加智能,使得人类和机器人之间的协作更加安全和高效。

制造业中的人工智能是如何演化的?

如今,大多数制造业的人工智能被用来进行丈量、无损测试(NDT)和其他流程。
人工智能正在帮忙人们设计产品,不过在实际制造领域的运用仍处于初期阶段。
机器工具仍旧显得相对迟缓。
在车间利用自动化工具已有不少新闻宣布了,但天下上许多工厂仍旧依赖着旧设备,这些设备常日只有一个机器的或非常有限的数字界面。

在较新的制造机器中,工人可以在屏幕上(无论是在系统自己的屏幕上还是通过打算机)直不雅观地看到自己正在实行的操作。
传感器可以供应各种成分的有关信息,包括材料供应和能量花费。

较新的制造系统安装有屏幕(人机协作界面)和电子传感器,可对原材料供应、系统状态、能量花费和许多其他成分供应反馈。
工人可以在打算机的屏幕上或机器上看到自己正在实行的操作。
人工智能在制造业的运用范围越来越广泛,未来的发展方向也越来越明确。

近期的发展前景包括对实时加工流程和包括工具磨损在内的状态信息显示进行监控。
此类运用属于“预测性掩护”的范畴。
这对人工智能来说是一个明显的机会:读懂来自传感器的连续数据流的算法,找到故意义的模式,通过剖析来预测问题,并提醒掩护团队在问题发生前把问题办理掉。
机器内部的传感器可以监控正在发生的情形。
它可能是一个用于监听皮带或齿轮开始磨损的声学传感器,也可能是一个用于监听工具磨损情形的普通传感器。
这些信息将与一个可以预测该工具剩余寿命的剖析模型连接在一起。

在车间里,增材制造正在成为一种主要的生产模式,并匆匆使在系统中添加了许多新型传感器,监控影响材料和制造技能的新情形,而这些新的制造技能在过去10年中才被广泛引用。

人工智能在制造业中的现状

当制造过程涌现毛病时,人工智能正在通过利用数字孪生的手段,实现更精确的制造工艺设计,以及对问题的诊断和解决。
数字孪生是对实际部件、机床或者正在制作的部件进行精确的虚拟复制。
这不仅仅是一种打算机赞助设计(CAD)模型。
它是对部件以及在涌现毛病的情形下该部件会表现出的行为进行的精确的数字表示。
(所有部件都有缺陷,这便是为什么它们会涌现故障。
)将数字孪生运用于制造流程设计和掩护离不开人工智能。

另见: 创新者集结!远程协作平台可实现职员、流程和数据的互联

大型企业拥有对这些创新活动进行帮助的财务实力,同时也可从人工智能的采取中得到巨大的收益。
但是,一些最具想象力的运用程序是由中小型企业帮助的,例如为技能密集型行业(如航空航天)供应做事的条约设计师或制造商。

许多中小企业正试图通过迅速引用新的机器或技能来超越更大的竞争者。
供应这些做事在制造领域显示出分歧凡响,但有时,它们是在没有必要的知识或履历的情形下履行新的工具和流程。
从设计或制造的角度来看,这种情形可能是真实的;因此,要想进入增材制造,寻衅相称大。
在这种情形下,与大型企业比较,中小企业引用人工智能的动力可能更大:利用能够供应反馈并帮忙设置和操作的智能系统可以帮助小型初创企业在市场上抢占一席之地。

实际上,端到端工程专业知识可以融入到制造过程中。
举例来说,在交付装有人工智能的工具时,可以采纳打包的办法,将辅导安装、引用的知识、传感器以及对检测操作和掩护问题的剖析手段一并供应给买方。
(这些剖析可能包括所谓的“unsupervised models”(“无人监督模型”),这种模型经由培训,可通过探求奇怪的或“缺点的”表现来查找与已知问题无关的传感器的反馈模式。
)

这一观点的一个真实例子是DRAMA(用于航空航天的数字化可重构增材制造举动步伐),这是一个于2017年11月启动的,耗资1940万美元的互助研究项目。
欧特克是与制造技能中央(MTC)互助以建立“digital learning factory”(“数字学习工厂”)原型的公司同盟成员之一。
全体增材制造流程链都采取了数字孪生手段;该举动步伐将进行重新配置以知足不同用户的哀求,并许可对不同的硬件和软件进行测试。
开拓职员正在构建一个增材制造的“知识库”,以帮助人们对技能和流程的利用。

航空航天只是浩瀚行业的一个例子,它们可以从制造流程链创建的数字孪生中获益。

在前边谈到的DRAMA中,欧特克在设计、仿真和优化方面发挥着关键浸染,同时充分考虑到制造过程的下贱流程。
理解制造流程对每个零件的影响是非常关键的,人类可对这一信息进行自动化处理,然后通过衍生式设计将其引入设计流程,从而使数字设计的性能更靠近实际零件。

人工智能在制造业中的发展前景如何?

上述情形表明,有关厂商有机会有效地对端到端事情流程进行打包,然后发卖给制造商。
它可以包括从软件到工厂的实际机器、对机器制作的数字孪生、与工厂供应链系统交流数据的订购系统,以及在输入的信息通过系统时监控流程并网络数据的剖析手段。
实际上,这便是要创建“盒装工厂”系统。

盒装工厂

这样的系统可以让制造商查看此生成产的部件,将其与昨天生产的部件进行比较,确保质量担保方法正在得到履行,并剖析生产线上每个流程的无损测试。
这种反馈将帮助制造商准确理解制造这些部件所用的参数,然后从传感器数据中查看什么地方存在毛病。

此处展示的是增材制造“工具箱”的一个示例:集装箱内的机器人正在建筑工地待命作业。

该过程的乌托邦构想便是,在一端装入材料,在另一端取出部件,人们只须要对系统进行掩护。
只管终极该系统中的大部分事情可以由机器人完成,但在目前的观点中,在设计、决策、监督制造以及一系列生产线的事情仍由人工来完成。
该系统可帮助人们理解他们的决策带来的实际影响。

机器学习和自主的人工智能

人工智能的力量在很大程度上来自机器学习、神经网络、深度学习和其他自我组织系统在没有人为干预的情形下从自己的履历中进行学习的能力。
这些系统可以从大量数据中快速创造主要发模式,而处理这样海量的数据是人类剖析师无法完成的事情。
不过,在当今的制造业中,人类专家仍在在很大程度上辅导着人工智能运用程序的开拓,把他们从之前的工程活动中得到的专业知识编码到新的程序中。
在该过程中,人类专家借鉴已经发生的情形、涌现缺点的情形以及事情良好的情形。

只管人工智能在制造业变得越来越普遍也越来越主要——由于它能够比人类更快地在大量数据中检测模式,但人工智能运用程序的开拓仍须要人类专家的辅导。

由于人工智能可对机载传感器的数据进行剖析以进行预防性掩护和改进工艺流程,终极,自主人工智能将利用这一专业知识体系,使工人(如增材制造领域的新员工)从操作反馈中受益。
这是迈向创新(如自我校正机器)的中间步骤,当工具磨损时,系统会自行调度以保持事情性能,同时建议工人改换磨损的组件。

工厂方案和布局优化

人工智能运用程序并不局限于制作流程本身。
让我们从工厂方案的角度看一下这个问题。
工厂布局是由多种成分决定的,从操作员的安全到流程的效率。
这可能须要对工厂进行重新配置以适应短期的系列项目或常常变革的流程。

频繁的变革可能导致原来没有把稳到的空间和实际冲突,从而产生效率或安全问题。
但是,这些冲突可以利用传感器进行跟踪和丈量,人工智能在优化工厂布局方面可以发挥浸染。

人工智能可以在工厂的车间布局和优化方面发挥浸染,帮助创造潜在的操作员安全问题并提高流程效率。

传感器可为人工智能的实时剖析捕获数据

在采取存在着大量不愿定性的新技能时(如增材制造),有一个主要的步骤便是在产品生产后进行无损测试。
采取无损测试可能非常昂贵,特殊是当它包含固定设备CT扫描仪(用于对制造部件构造完全性进行剖析)的时候。
在特殊零件的制造过程中会得到大量的数据集,机器中的传感器可以链接到建立在该资源之上的一些模型之上。
一旦可以利用传感器的数据,便可进行很多故意义的活动,例如通过将该数据与CT扫描中不雅观察到的毛病联系在一起的方法,构建机器学习模型。
传感器数据可以对剖析模型认为可能存在毛病的零件进行标记,而不须要对该零件进行CT扫描。
只有那些有可能存在毛病的零件才会被扫描,而不是在所有零件脱机时都进行例行扫描。

这种操作还可以监控职员利用设备的办法。
制造工程师在设计机器时要对将来该机器如何操作作一些假设。
人工剖析时,有时可能多出一个步骤,而有时却又会漏掉一个步骤,而传感器可以准确捕获这些信息以供人工智能剖析。

在对可能被运用的制造流程和工具作业进行调度以适应各种环境条件方面,人工智能也可以发挥浸染。
以湿度为例,增材制造技能的开拓职员创造,某些机器在某些国家并不能按照设计那样正常地事情,于是,在工厂中利用了湿度传感器对有关条件进行监测,有时还会创造一些意想不到的情形。
有一次,事情职员创造,在本来被认为是湿度掌握的环境中涌现了湿度问题,后来创造,是有人到室外吸烟时没有随手把门关住。

有效地利用传感器数据须要开拓有效的人工智能模型。
这些模型必须经由演习才能理解它们在数据中看到的内容,比如导致这些问题的缘故原由是什么,如何检测这些缘故原由以及要采纳什么方法。
如今,机器学习模型可以利用传感器数据,预测问题会在何时发生,并提醒打消故障的事情职员采纳行动。
终极,人工智能系统将能够预测问题并对其做出实时反应。
人工智能模型不久将被哀求创建主动办理问题和改进制造流程的方法。

衍生式设计

人工智能在衍生式设计中扮演着重要的角色,在这个过程中,工程师首先输入一组项目哀求,然后由设计软件创建出多个迭代。
最近,欧特克网络了大量材料数据用于增材制造,并利用这些数据来驱动一种衍生式设计的模型。
对付物料属性如何根据制造过程对单个特色和几何体产生的影响而变革,该原型有一种“理解”能力。

借助人工智能,衍生式设计软件在自动实行日常任务的同时,还可以在相同的韶光内比设计师创建出更多的设计迭代。

衍生式设计是一种具有适应性的优化技能。
许多传统的优化技能把着眼点放在了更普通的部件优化方法上。
基于对材料的测试和与大学的协作,衍生式设打算法可以更加详细,侧重于单个功能,充分运用对该功能的力学性能的理解。
只管设计是空想化的,但制造过程是在现实天下中进行的,因此生产条件可能不尽相同。
有效的衍生式设打算法须要考虑这一实际情形。

衍生式设计可以在软件中创建最佳设计和规格,然后利用兼容的工具将该设计分发到多个工厂。
这意味着规模较小、地理位置分散的工厂也可以制造更多型号的零件。
这些工厂可能离须要它们的地方很近;一个工厂本日还在为航空航天制造部件,而第二天就可为其他主要产品制造部件,从而节约了分销和运输本钱。
这正在成为制造业的一个主要观点,例如在汽车制造业。

灵巧且可重新配置的制造流程和工厂车间布局

人工智能还可用于优化制造流程,并使这些流程更加灵巧和可重新配置。
当前的需求可以确定工厂车间的布局并天生一种流程,而这种布局和流程也可以根据未来的需求来调度。
那些模型可用来对其进行比拟和比较。
然后,该剖析将判断出最好是利用较少的大型增材制造机器还是利用大量较小的机器,这大概会降落本钱,并在市场需求放缓时将其转移到其他项目中。
“假设剖析”是人工智能常见的运用。

模型将用于优化车间布局和流程排序。
例如,可以直接通过3D打印机对增材部件进行热处理。
材料进来时可能已经预回火,或者须要重新回火,从而须要另一个热循环。
工程师可以运行各种假设剖析方案来确定工厂该当拥有何种设备,将流程的几个部分转包给附近的另一家公司可能更故意义。

这些人工智能运用程序可能会改变业务构造,该构造决定工厂将专注于一个封闭的工艺流程,还是接管多个产品或项目,后者将使工厂更具弹性。
以航空航天业为例,这一行业正经历着衰退,其制造业务也可能转业制造医疗部件来适应目前的疲软状况。

制造业和人工智能:运用和益处

设计、流程改进、减少机器磨损和优化能耗都是可以运用人工智能的制造业领域。
这一演化已经开始。

机器变得越来越智能,机器之间以及机器与供应链和其他业务自动化之间,也变得越来越集成。
空想的情形是,进入的是材料,出来的是部件,传感器可以监控链条中的每个环节。
人们对流程保持掌握,但不一定非要在该环境中事情。
这将解放出主要的制造资源和事情职员,让他们专注于创新而不是那些可以被自动化代替的重复性事情,从而创造出新的设计和制造组件的方法。

与任何根本性的转变一样,人们对人工智能的采取也不是没有阻力的。
人工智能所需的知识和技能可能是昂贵的,而且是稀缺的;许多制造商内部并没有这种能力。
他们认为自己的上风在专业能力方面,因此为了证明投资是为了创造新的东西或改进流程,他们须要详尽的证据,并害怕承担由于扩大工厂规模而带来的风险。

这可能使“盒装工厂”的观点对这些公司更有吸引力。
更多的企业,特殊是中小企业,可以自傲地采取端到端打包流程,在该流程中,软件可以与工具作业无缝合营,并利用传感器和剖析手段来改进事情。
通过增加数字孪生的功能,工程师可以对新仿照的制造流程进行考试测验,这也降落了决策的风险。

人工智能在制造业的另一个重点运用领域是预测性掩护。
这使工程师能够为工厂机器配备经由预先演习的人工智能模型,这些模型领悟了累积多时的对该工具作业的知识。
根据机器的数据,这些模型可以学习现场创造的因果关系的新模式,以防止涌现问题。

在质量检讨中,人工智能也扮演着重要角色。
这一过程会天生大量数据,因此非常适宜机器学习。
就拿增材制造来说,就机器如何生产零件、现场条件以及在生产过程中创造的任何问题,一次建造可天生高达万亿字节(TB)的数据。
如此海量的数据超出了人类剖析的能力范围,但人工智能系统现在已经能够做到这一点。
原来适用于增材制造工具的剖析可以轻松地用于减材制造、铸造、注塑成型和其他各种制造流程。

如果与人工智能相结合,虚拟现实(VR)和增强现实(AR)可以通过提高生产线工人的速率和精度来帮助缩短设计韶光并优化妆配线流程。

有了虚拟现实和增强现实这类互补技能,人工智能为虎傅翼,可以为缩短设计韶光并优化妆配线流程供应办理方案。
生产线上的工人已经配备了虚拟现实和增强现实系统,他们能够看到装置的过程,从而供应可视化辅导以提高事情的速率和精度。
操作员可以戴上增强现实的眼镜,这种眼镜可以投射出图表以阐明如何组装零件。
这一系统可以监控事情并供应提示:扳手的迁徙改变已足够,扳手的迁徙改变尚不敷,或者扳机尚未拉下。

在采取人工智能方面,大型企业和中小企业有着不同的关注点。
中小企业每每会制造大量的零部件,而大型企业常日会从其他地方采购大量的零部件进行组装。
不过也有例外:汽车制造公司对底盘进行大量点焊,但购买并组装像轴承和塑料部件那样的其他零件。

说到零部件本身,目前正涌现一个新的趋势,即利用智能部件:这种部件带有嵌入式传感器,可对其自身状况、应力、扭矩等情形进行监控。
不过,这种想法对汽车制造还是有一定的寻衅性的,由于上述功能更多地取决于汽车的驾驶办法,而不是行驶的公里数;如果每天要在大量的坑坑洼洼的道路上行驶,汽车很可能须要更多的掩护。

Tri-D Dynamics利用冷金属熔融增材制造技能将传感器嵌入机器中。
这种嵌入式传感器(如上图所示)可以发送各种数据,例如温度和环境的其他条件。
Tri-D Dynamics供图。

智能部件可以见告人们它已到达利用寿命的尽头或已经到了须要检修的韶光。
这些部件本身不需在外部监控数据点,而是偶尔地用人工智能系统从内部进行检讨,以报告一下状态正常;当涌现非常情形时,部件才提醒人们把稳。
这种方法减少了系统内的数据流量,这种流量如果到了一定规模可能会对剖析处理性能造成重大影响。

人工智能为厂家增值的最大和最直接的机会在增材制造领域。
增材制造流程是紧张的目标,由于它们的产品价格更高,而体积更小。
未来,随着人工智能的增长和成熟,它在全体制造业代价链中可能变得非常主要。

本文作者:ANDY HARRIS 来源:redshift

CIO之家 www.ciozj.com 微信"大众号:imciow