根據(jù)Business Insider的數(shù)據(jù)，制造業(yè)即將看到物聯(lián)網(wǎng)(IoT)和AI(人工智能)應(yīng)用再度大幅增長，到2027年，物聯(lián)網(wǎng)市場的年估計額將達到2.4萬億美元。

除了自動化和機器人等明顯的用例之外，人工智能系統(tǒng)還能夠優(yōu)化制造流程，發(fā)送早期警報，促進質(zhì)量檢查和質(zhì)量控制并預(yù)測機械設(shè)備的故障。關(guān)鍵是收集正確的數(shù)據(jù)，然后制造商可以開發(fā)創(chuàng)新的AI應(yīng)用，從而使其與眾不同。

許多組織在其工業(yè)物聯(lián)網(wǎng)(IIoT)應(yīng)用中采用了各種AI算法來做出實時決策。了解基于AI的應(yīng)用中的數(shù)據(jù)是至關(guān)重要的。聚集、清理和準(zhǔn)備獨特的數(shù)據(jù)是利用AI來優(yōu)化組織并獲得見解的最重要方面。

在AI工程師開始訓(xùn)練他們的機器學(xué)習(xí)模型之前，他們通常只花費75%的時間來簡單地處理起始數(shù)據(jù)。請記住，要訓(xùn)練在IIoT設(shè)備上運行的機器學(xué)習(xí)模型，必須具有一個或多個數(shù)據(jù)集，以反映應(yīng)用上線時的實際條件。

創(chuàng)建數(shù)據(jù)集的過程是多部分的-從經(jīng)常收集多年的數(shù)據(jù)開始，工程師將需要確定數(shù)據(jù)的總體結(jié)構(gòu)。他們需要消除數(shù)據(jù)中的任何缺陷、差異或差距，然后將這些數(shù)據(jù)轉(zhuǎn)換為算法需要與之進行有效交互的形式。

嵌入式系統(tǒng)的邊緣人工智能

邊緣人工智能是制造業(yè)整體AI開發(fā)的重要組成部分。 Edge AI在硬件設(shè)備上本地處理數(shù)據(jù)，而不是依靠通過互聯(lián)網(wǎng)連接的集中式數(shù)據(jù)庫或處理節(jié)點。

對于大多數(shù)物聯(lián)網(wǎng)解決方案，后端服務(wù)器通過多個設(shè)備和通過互聯(lián)網(wǎng)連接的傳感器接收數(shù)據(jù)。一臺或多臺服務(wù)器托管用于處理數(shù)據(jù)的機器學(xué)習(xí)算法，從而創(chuàng)造AI解決方案提供的任何價值。

這種AI架構(gòu)的問題在于，許多設(shè)備可能開始超載網(wǎng)絡(luò)流量，或者您可能正在使用已經(jīng)大量使用的網(wǎng)絡(luò)。在這些情況下，將數(shù)據(jù)發(fā)送回中央服務(wù)器會導(dǎo)致處理時間過長，這是令人無法接受的。這是Edge AI發(fā)揮其價值的地方，因為可以在硬件設(shè)備上本地執(zhí)行較不復(fù)雜的機器學(xué)習(xí)和AI流程。

Edge AI對許多行業(yè)至關(guān)重要。一個例子是自動駕駛汽車，其中Edge AI可以減少電池的電量消耗。監(jiān)視系統(tǒng)、機器人技術(shù)和其他幾個行業(yè)也將從Edge AI模型中受益。

知識蒸餾的概念具有極大地改善Edge AI解決方案的潛力。

知識蒸餾通過知識壓縮的原理進行。使用諸如強化學(xué)習(xí)之類的技術(shù)，神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)如何產(chǎn)生預(yù)期的結(jié)果。在這一點上，較小的網(wǎng)絡(luò)將學(xué)習(xí)創(chuàng)建與較大的網(wǎng)絡(luò)已經(jīng)開創(chuàng)的結(jié)果相似。較小的網(wǎng)絡(luò)規(guī)模更適合移動設(shè)備、傳感器和類似硬件等邊緣設(shè)備。知識蒸餾可以將邊緣設(shè)備的空間負擔(dān)減少多達2000%，從而減少了運行網(wǎng)絡(luò)所需的能源、物理約束以及設(shè)備本身的成本。

正在應(yīng)用的知識蒸餾的一個實例是使用視頻源在監(jiān)視系統(tǒng)上實時檢測性別。通常，識別性別需要相當(dāng)大的基于云的神經(jīng)網(wǎng)絡(luò)。但是在實時系統(tǒng)中，跳回云并不總是一種選擇。知識蒸餾可以將整個過程精簡為一個較小的網(wǎng)絡(luò)，該網(wǎng)絡(luò)可以在安裝到邊緣設(shè)備的同時準(zhǔn)確地識別性別。如果沒有知識蒸餾技術(shù)，這可以實現(xiàn)幾種不可能的應(yīng)用。

機器學(xué)習(xí)以進行預(yù)測性維護

預(yù)測性維護是機器學(xué)習(xí)和AI對制造產(chǎn)生影響的特別富有成果的領(lǐng)域。實際上，根據(jù)凱捷(Capgemini)的研究，將近30%的制造業(yè)AI實施與機械和生產(chǎn)工具維護相關(guān)。這使得預(yù)測性維護成為當(dāng)前制造中使用最廣泛的用例。

基于ML的預(yù)測性維護的兩個最重要的好處是它的快速性和準(zhǔn)確性。 AI可以足夠快速、準(zhǔn)確地識別機械問題，以便在發(fā)生故障和故障之前進行糾正。例如，通用汽車使用安裝在裝配機器人上的攝像頭，通過使用，它能夠在5000多個機器人中檢測出數(shù)十個組件故障，從而避免了停機的可能性。

機器學(xué)習(xí)預(yù)測性維護方法可以使用各種模型和方法，從使用歷史數(shù)據(jù)來預(yù)測故障的回歸模型和分類模型到分析系統(tǒng)和組件以尋找應(yīng)變或異常跡象的異常檢測模型。

用于質(zhì)量控制的計算機視覺

汽車和消費品行業(yè)面臨監(jiān)管機構(gòu)的苛刻要求，而遵守這些法規(guī)是AI和機器學(xué)習(xí)的一大亮點。高質(zhì)量攝像機的成本每年都在下降，而AI圖像識別和處理軟件仍在不斷快速改進。因此，基于AI的檢查方法對企業(yè)越來越有吸引力。

特別是在汽車行業(yè)，德國汽車制造商寶馬(BMW)率先采用了這項技術(shù)。寶馬將AI應(yīng)用作為檢查過程的最后一步，將新制造的汽車與訂單數(shù)據(jù)和規(guī)格進行了比較。日產(chǎn)是另一家在將AI視覺檢查模型納入其質(zhì)量檢查流程方面取得顯著進步的汽車制造商。

視覺檢查算法越來越受歡迎的部分原因是這些算法的發(fā)展日趨成熟?，F(xiàn)在，基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)可以識別出各種潛在問題，例如裂紋、泄漏、劃痕、翹曲以及許多其他異常。根據(jù)復(fù)雜的規(guī)則映射，可以調(diào)整或調(diào)整應(yīng)用程序要檢查的參數(shù)以適合給定的情況。與GPU和高分辨率攝像頭搭配使用時，基于AI的檢測解決方案在準(zhǔn)確性和速度上可以大大超過傳統(tǒng)的視覺檢測系統(tǒng)。

制造業(yè)的未來

毫不夸張地說，制造業(yè)的未來幾乎是基于物聯(lián)網(wǎng)的AI的同義詞。在2019年，估計有80億個IoT設(shè)備，但到2027年，預(yù)計將有410億個(https://www.businessinsider.com/internet-of-things-report)，增長的最大份額將在制造業(yè)。制造業(yè)中AI的估值將增長15倍以上，從目前的約11億美元增長到2026年的160億美元以上。

機器學(xué)習(xí)和人工智能解決方案大大提高了高效生產(chǎn)的所有標(biāo)志-標(biāo)準(zhǔn)化、規(guī)模經(jīng)濟、任務(wù)自動化、專業(yè)化。因此，在未來幾年中，嵌入在物聯(lián)網(wǎng)設(shè)備中的AI將不可避免地繼續(xù)緊密地融入所有主要制造流程中。