隨著ChatGPT和生成式人工智能（AI）進入到大眾的視線，突然之間，它成為世界上最熱門的討論話題之一。

不過，在制造業(yè)，這并不完全是件新鮮事。十多年來，機器學(xué)習(xí)（ML）技術(shù)一直在削減成本并改善測試和測量操作的結(jié)果，希望利用過程數(shù)據(jù)來收集可操作的見解是工業(yè)4.0的基礎(chǔ)原則。

由于制造業(yè)對人工智能的認識和經(jīng)驗方面可能領(lǐng)先于其他一些領(lǐng)域，人們很容易忽視最新一波的"新聞炒作"，但羅克韋爾自動化Kalypso數(shù)據(jù)科學(xué)與人工智能實踐高級經(jīng)理Mithun Nagabhairava表示，人工智能對制造業(yè)的革命性影響才剛剛開始。

AI/ML的進步引領(lǐng)制造業(yè)的新時代

這些最先進的技術(shù)正在徹底改變工廠的運營方式，釋放出前所未有的效率、生產(chǎn)力和質(zhì)量水平。從支持人工智能的決策系統(tǒng)（為不斷發(fā)展的勞動力提供支持）到優(yōu)化運營的自主系統(tǒng)，AI/ML 正在引領(lǐng)制造業(yè)的新時代。Nagabhairava認為，值得注意的是，人工智能在推動工業(yè)制造商的自動化實現(xiàn)自主化方面發(fā)揮著關(guān)鍵作用，類似于自動駕駛汽車改變汽車領(lǐng)域的變革性影響。

我們發(fā)現(xiàn)特別引人注目的進步是那些將AI/ML的力量與最優(yōu)控制理論的成熟基石協(xié)同起來的領(lǐng)域。最優(yōu)控制理論起源于18世紀，經(jīng)過幾個世紀的發(fā)展，與制造過程的確定性非常吻合。

創(chuàng)新的 AI/ML 技術(shù)、高性能計算基礎(chǔ)設(shè)施和經(jīng)濟高效的大規(guī)模數(shù)據(jù)采集，正在幫助解決涉及多變量、非線性和時間動力學(xué)的更復(fù)雜的制造挑戰(zhàn)，并以前所未有的規(guī)模推動創(chuàng)新。

通過處理和分析大量數(shù)據(jù)集，AI/ML 算法有助于得出分析模型，這些模型描述了系統(tǒng)在不斷變化的環(huán)境中的歷史行為，并確定制造商為提高資產(chǎn)可用性、優(yōu)化運營、加強質(zhì)量控制和減少能源使用而采取的最佳行動。

以下是幾項顯著的進步：

• 自主控制：利用 AI/ML，制造過程正在從自動化向自主控制的方向發(fā)展，使系統(tǒng)能夠在沒有人為干預(yù)的情況下做出實時決策和調(diào)整。
• 機器視覺系統(tǒng)：將先進的閉環(huán)控制策略與先進的感官機器視覺AI反饋相結(jié)合，使PLC能夠采取自動糾正措施，以實時減少缺陷。
• 演化建模：在數(shù)據(jù)科學(xué)實踐的早期，單點解決方案是常態(tài)，其中根據(jù)從可用數(shù)據(jù)中得出的各種標(biāo)準(zhǔn)選擇單個模型。然后，這種方法演變?yōu)閺臐撛诤蜻x模型的集合中構(gòu)建模型。演化模型（evolutionary model）正在興起，這種方法要求每個模型在每一次迭代中都要成功適應(yīng)，以求生存，從而開發(fā)出更加符合實際物理過程和各自系統(tǒng)動態(tài)的高精度和穩(wěn)健的模型。

AI/ML 的進步與最優(yōu)控制理論的原理相結(jié)合，在過程、混合和離散制造行業(yè)中都帶來了很多創(chuàng)新應(yīng)用。

• 消費品制造：在食品、飲料、紙漿和造紙制造中，原材料的可變性是一個常見的問題，通常會導(dǎo)致不可預(yù)測的產(chǎn)品和機器性能問題。此外，工廠的環(huán)境條件會顯著影響原材料的性能，從而使工藝進一步復(fù)雜化。

傳統(tǒng)上，操作員和工程師使用試錯法來解決這些類型的問題。這種方法雖然有時很成功，但非常耗時，高度依賴專業(yè)領(lǐng)域的知識且不規(guī)范，導(dǎo)致廢品率和吞吐率參差不齊。利用自主控制策略，企業(yè)能夠構(gòu)建可靠的模型，將操作員的知識與從歷史數(shù)據(jù)中獲得的經(jīng)驗相結(jié)合，以確定需要如何調(diào)整系統(tǒng)以獲得最佳結(jié)果。

• 輪胎制造：由于每一步都有數(shù)百種材料成分、錯綜復(fù)雜的化合物相互作用和嚴格的質(zhì)量控制要求，整個過程中原材料、生產(chǎn)條件和流變特性的變化可能導(dǎo)致輪胎質(zhì)量不一致。

在 AI/ML技術(shù)的支持下，領(lǐng)先的輪胎制造商正在利用先進的閉環(huán)優(yōu)化和機器視覺功能來優(yōu)化生產(chǎn)流程，從而克服這些挑戰(zhàn)。其中包括開發(fā)工藝模型和優(yōu)化功能，以實現(xiàn)混合時的最佳門尼粘度，在擠出時更接近設(shè)定點的一致重量測量，減少輪胎成型機的超差事件，固化時的最佳硫化性能以及最終檢查時的自動缺陷檢測。

• 醫(yī)療器械制造：在整個生產(chǎn)過程中防止污染和實現(xiàn)每個最終產(chǎn)品的一致性是該行業(yè)的兩個重大挑戰(zhàn)。機器視覺為保證合格證書  提供了新的途徑，通過利用 2D/3D 成像系統(tǒng)和深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，整合了精確計量和缺陷檢測功能。這些功能可實現(xiàn)高度自動化，使制造商能夠在完全封閉的環(huán)境中運營。

這種方法消除了需要操作員直接接觸的階段，而操作員通常是污染的主要來源。此外，AI技術(shù)的進步使機器人運動更加精確和準(zhǔn)確，當(dāng)與先進的機器視覺功能相結(jié)合時，可以最大限度地提高設(shè)備的吞吐量和一致性，從而推動巨大的商業(yè)價值。

AI如何助力IT/OT融合？

利用AI分析OT環(huán)境，在源頭自動捕獲并與IT信息配對，揭示OT層面的分布式和戰(zhàn)術(shù)決策之間的最佳協(xié)同作用，以及IT級別的集中和戰(zhàn)略規(guī)劃。這種洞察力使組織能夠?qū)崿F(xiàn)IT/OT融合，從而最大限度地提高價值和效率。

根據(jù)我們與一家領(lǐng)先的CPG制造商合作的經(jīng)驗，利用 AI 的一個引人注目的應(yīng)用是識別運營效率低下、遇到瓶頸和需要改進的領(lǐng)域。

考慮將來自多個來源的物料流組合在一起的輸送系統(tǒng)，然后將這些相同的材料分配到多個工作站或機器，通常在每個主要部分之間有旁路，以確保材料的整體平衡。

雖然這些主要輸送段的OT控制系統(tǒng)裝備精良，可以戰(zhàn)術(shù)性地調(diào)整路段內(nèi)的速度以確保源源不斷的物料流，但它缺乏對IT數(shù)據(jù)的認識，這些數(shù)據(jù)協(xié)調(diào)物料流入每個段，配備勞動力或裝載由輸送機送入的機器。

通過將這些 IT 數(shù)據(jù)與有關(guān)每個主要召集區(qū)段當(dāng)前庫存水平的 OT 數(shù)據(jù)相結(jié)合，人工智能可以在主要區(qū)段之間設(shè)置有效的旁路，以緩解瓶頸問題，創(chuàng)造更穩(wěn)定的流出量，并對計劃的輸入失衡進行調(diào)整。

以最少的努力啟動和維護ML 解決方案

盡量減少數(shù)據(jù)科學(xué)家的工作量涉及重要的組織和技術(shù)考慮。在組織方面，最重要的方面是將過程專家或操作員納入從創(chuàng)建到部署的整個建模流程中。通常情況下，要在工廠環(huán)境中使用人工智能解決方案，必須由流程操作專家驗證或批準(zhǔn)。要確保模型有機會部署，通常需要了解歷史操作原理，并確保AI結(jié)果可以在此背景下進行解釋。

此外，適當(dāng)?shù)慕M織參與還能確保AI活動的重點是優(yōu)先考慮那些能帶來實際價值的決策，而不去考慮或忽略影響較小的流程方面。以最小的努力啟動 ML 解決方案涉及數(shù)據(jù)科學(xué)家和流程專家之間的協(xié)作。這可確保 AI 解決方案適合運營。

在技術(shù)方面，采用無縫適應(yīng)自帶模型 （BYOM） 的平臺極大地簡化了部署，特別是隨著時間的推移而開發(fā)和成熟的 OT 模型。這些平臺提供了微調(diào)模型參數(shù)以匹配特定設(shè)備和產(chǎn)品特性的能力，例如溫度、壓力、電機速度等。

選擇技術(shù)堆棧非常重要：提供易于配置的標(biāo)準(zhǔn)連接協(xié)議以與 PLC 和 IT 業(yè)務(wù)系統(tǒng)進行通信，靈活地將關(guān)鍵功能打包為微服務(wù)以分離彈性組件，以及內(nèi)置功能以建立工作流管道，從而簡化大規(guī)模部署和維護。

AI/ML 技術(shù)的日益普及，以及將ML模型集成到關(guān)鍵制造過程中的復(fù)雜性日益增加，促使 MLOps （是Machine Learning Operations的縮寫，它是一種將機器學(xué)習(xí)模型應(yīng)用到生產(chǎn)環(huán)境中的方法和實踐）的開發(fā)要能夠有效地管理這些模型從開始到維護的整個生命周期。

利用 OT 系統(tǒng)內(nèi)部經(jīng)驗所奠定的堅實基礎(chǔ)。工廠中的 OT 系統(tǒng)往往經(jīng)過了長期的發(fā)展，在很大程度上已經(jīng)組織了信息的關(guān)聯(lián)和語境化。在創(chuàng)建時，確保將 OT 系統(tǒng)的 I/O 架構(gòu)映射到 ML 模型中，是實現(xiàn)價值的第一步。將 OT語境與 ML 模型相匹配，可以在部署后擴展和維護這些功能。這一基礎(chǔ)實踐將起到催化劑的作用，加速AI/ML 計劃的實施。

整合 MLOps 方法，將其作為監(jiān)控和維護模型與機器性能的成熟 OT 實踐的自然延伸，并與成熟的變更管理和標(biāo)準(zhǔn)操作程序保持一致，對于采用這些實踐至關(guān)重要。這些功能的擴展應(yīng)與業(yè)務(wù)價值保持一致，包括生產(chǎn)環(huán)境中部署的 ML 模型數(shù)量、衡量其對業(yè)務(wù)投資回報率的影響以及衡量持續(xù)的維護工作。

工業(yè)AI的八個發(fā)展趨勢

根據(jù)一份最新的市場報告，2020年全球工業(yè)人工智能市場規(guī)模為169億美元，預(yù)計到2026年將達到1022億美元。Nagabhairava認為，隨著我們對這一趨勢的發(fā)展軌跡的展望，越來越明顯的是，AI/ML將在未來五年或十年內(nèi)對工業(yè)制造過程帶來重要的影響，并在以下領(lǐng)域帶來前所未有的商業(yè)成果。

• 自主制造的廣泛采用：AI/ML 技術(shù)將推動自主功能的廣泛采用，為更多自動化控制器配備智能 AI 代理，以實現(xiàn)卓越的控制水平并優(yōu)化制造流程。
• 塑造下一代勞動力：AI支持的自主能力將成為企業(yè)從退休勞動力中保留數(shù)十年的經(jīng)驗并塑造未來勞動力的核心。
• 賦能操作員2.0：AI對于將操作員的關(guān)鍵角色，從重復(fù)操作提升到管理機器性能。
• 利用機器視覺增強質(zhì)量控制：在制造過程的每個關(guān)鍵步驟中，將先進的閉環(huán)控制策略與機器視覺反饋相結(jié)合，使PLC能夠采取自動糾正措施，最大限度地減少缺陷，從而實現(xiàn)更卓越的產(chǎn)品質(zhì)量。
• 先進的視覺引導(dǎo)機器人技術(shù)：固定機器人系統(tǒng)（如關(guān)節(jié)式機械臂、三角形機器人和龍門系統(tǒng)）和移動機器人平臺（如AGV和AMR）的高級感知功能，將使它們能夠在復(fù)雜的環(huán)境中導(dǎo)航，確定最佳路徑，處理精密材料并精確執(zhí)行復(fù)雜的任務(wù)。
• 采用生成式 AI 以加速價值實現(xiàn)：這種創(chuàng)新形式的 AI 將通過生成用于數(shù)據(jù)增強的合成數(shù)據(jù)，并快速訓(xùn)練強大的 AI/ML 模型來徹底改變制造業(yè)，從而推動巨大的創(chuàng)新。
• 具有人類反饋的強化學(xué)習(xí)（RL）：這些功能將強化學(xué)習(xí)算法的決策能力與人類操作員的專業(yè)知識和直覺相結(jié)合，進入一個在人類指導(dǎo)下不斷學(xué)習(xí)和發(fā)展的智能系統(tǒng)的新時代。
• 能源優(yōu)化：AI將在有效優(yōu)化能源使用和降低成本方面發(fā)揮關(guān)鍵作用，同時最大限度地提高能源密集型流程的吞吐量和質(zhì)量。

AI系統(tǒng)在制造業(yè)中的成功開發(fā)和應(yīng)用，將取決于深厚的行業(yè)專業(yè)知識和所需的特定應(yīng)用知識。擁有這些專業(yè)知識以及應(yīng)用AI技術(shù)的專業(yè)知識的企業(yè)將成為推動創(chuàng)新、釋放AI系統(tǒng)全部潛力并在制造運營中帶來革命性成果的先鋒。