以最低的成本生產更高質量的更多產品是制造業一個永恒的目標。智能制造革命已經使制造商比以往任何時候都更成功地實現了這一目標。推動這波創新浪潮的核心技術之一是人工智能。數據已經成為一種非常有價值的資源，而且獲取和存儲數據的成本比以往任何時候都要低。如今，由于采用人工智能技術(特別是機器學習)，越來越多的制造商利用這些數據來顯著提高他們的收入。

對許多人來說，這意味著通過消除生產損失和其他相關成本的主要原因，顯著地提高生產效率和產能。當然，從人工智能中獲得切實的商業價值往往說起來容易做起來難。這是一項復雜的技術，有許多不同的應用。制造商如何才能看穿炒作和空洞的承諾，投資于真正能給他們帶來競爭優勢的工業人工智能?

人工智能和機器學習成功的關鍵

人們不可能錯過人工智能技術的快速崛起，無論是在制造業的總體背景下，還是在制造業的背景下。因此，人們對人工智能的期望往往非常偏離基礎，從解決業務問題的全面解決方案，到一提到人工智能就產生深深的懷疑。

找到正確的用例

但是，與任何技術一樣，真相確實介于兩者之間。在合適的環境下，人工智能可以非常有效。了解這些環境，以及適用于這些環境的人工智能技術，是為人工智能應用設定現實的商業目標的關鍵。

人工智能不是靈丹妙藥。沒有任何解決方案能解決你所有或大部分的問題。根據經驗，當人工智能被應用于解決特定問題或非常密切相關的一系列問題時，它的效果最好。

一般的人工智能是需要警惕的：如果一家人工智能供應商聲稱可以做所有的事情，那么他們可能什么都做不好。現在回到了人工智能在制造業中的話題。人工智能和機器學習在制造業中有許多潛在的應用，每個用例都需要一種獨特類型的人工智能。

以下的指南提供了一個簡單有效的公式，用于選擇正確的工業人工智能解決方案，以應對特定的制造挑戰和目標。

重點仍然是機器學習和人工智能，因為這是最令人興奮和最有影響力的創新發生的地方。這個公式可以用一個簡單的圖表和方法來概括，稱為“工業人工智能象限”。

基于機器學習的下一代優化

機器學習在制造業中的兩個主要用例是預測性質量和產量和預測性維護。

（1）只在必要時進行維護

預測性維護是兩者中更常見的一種，因為維護問題和相關問題可能會產生巨大的成本，這就是它現在是制造商的一個相當普遍的目標的原因。

預測性維護使用算法來預測組件/機器/系統的下一次故障，而不是根據預定的時間表執行維護，或使用帶有人工編碼閾值、警報規則和配置的SCADA系統。然后可以提醒人員執行重點維護程序以防止故障，但不要太早，以免浪費不必要的停機時間。

相比之下，傳統的人工和半人工方法沒有考慮到機械更復雜的動態行為模式，或者與制造過程相關的場景數據。例如，生產機器上的傳感器可能會檢測到溫度突然升高。基于靜態規則的系統不會考慮到機器正在進行滅菌的事實，并且會繼續觸發假陽性警報。

預測性維護的優點很多，可以顯著降低成本，同時在許多情況下消除計劃停機時間的需要。

通過使用機器學習算法來預防故障，系統可以在沒有不必要中斷的情況下繼續運行。當需要維修時，它是非常集中的，技術人員被告知需要檢查、維修和更換的部件;使用哪些工具，遵循哪些方法。

預測性維護還可以延長機器和設備的剩余使用壽命(RUL)，因為可以防止二次損壞，同時需要更少的勞動力來執行維護程序。

（2）找到損失的隱藏原因

預測質量和產量（有時被稱為預測質量）是工業人工智能的一個更高級的用例，它揭示了制造商每天面臨的許多基于流程的長期生產損失的隱藏原因。例子包括質量、產量、浪費、吞吐量、能源效率、排放等等，在本質上是由過程效率低下造成的任何損失。

預測質量和產量使用連續的多變量分析，由機器學習算法提供支持，通過獨特的訓練來密切了解每個生產過程，自動識別過程驅動生產損失的根本原因。

然后可以生成自動建議和警報，通知生產團隊和流程工程師即將出現的問題，并無縫地共享有關如何在損失發生之前防止損失的重要知識。

減少這類損失一直是所有制造商的難題。但在當今的市場中，這一使命至關重要。一方面，消費者的期望處于歷史最高水平;全球消費習慣正在逐漸發生變化，盡管人口增長仍在繼續。

根據多項調查，到2050年，全球人口將增長25%。另一方面，消費者從未有過如此多的選擇，幾乎所有能想到的產品都能買得到。

最近的調查顯示，如此豐富的選擇意味著，消費者越來越有可能永久性地拋棄他們最喜歡的品牌。

在這樣的背景下，制造商再也無法承受流程效率低下以及由此帶來的損失。在浪費、產量、質量或產量方面的每一次損失都會減少他們的收入。

許多制造商面臨的挑戰是，他們最終在流程優化方面遇到了瓶頸。有些效率低下沒有任何明顯的原因，流程專家無法解釋這些原因。這就是機器學習尤其是自動化根本原因分析發揮重要作用的地方。

人工智能和機器學習對制造業的好處

人工智能和機器學習的引入代表了一場翻天覆地的變化，帶來了許多好處，這些好處遠遠超出了效率的提高，為新的商業機會打開了大門。

機器學習在制造業中的一些直接好處包括:

• 減少常見的、痛苦的過程驅動的損失，如產量、浪費、質量和吞吐量
• 通過優化生產流程提高產能。
• 通過更優化的流程，實現產品線的大規模增長和擴張。
• 通過預測性維護降低成本，導致更少的維護活動，這意味著更低的勞動力成本，減少庫存和材料浪費。 預測剩余使用壽命(RUL)。更多地了解機器和設備的行為可以創造條件，在保持機器健康的同時提高性能。預測RUL消除了導致計劃外停機的“不愉快的意外”。
• 通過高效的庫存管理和良好的監控和同步的生產流程改善供應鏈管理。
• 改善質量控制，提供可操作的見解，不斷提高產品質量。
• 改善人機協作，改善員工安全條件，提高整體效率。
• 以消費者為中心的制造業——能夠對市場需求的變化做出快速反應。

為了充分利用工業人工智能/機器學習解決方案，制造商需要知道哪種人工智能解決方案最適合應對他們面臨的挑戰。