制造商經常將AI視為高度復雜且昂貴的軟件，需要整個公司的端到端系統才能正常工作。現實情況是，AI更加專注和可實現。它可以以最小的結構在工廠車間工作，并通過工業物聯網（IIoT）連接到機器。在本文中，作者提出了有關在實際環境中如何使用制造智能的關鍵建議和三種方案。

在最近一項關于人工智能（AI）的制造業洞察調查中，來自汽車和制造業的44%的受訪者將人工智能列為未來五年對制造業功能“非常重要”的一類，而近一半至49%的受訪者認為人工智能“對成功絕對至關重要”。

但是，在很多情況下，制造商很難理解AI，因為技術行業已經使用了如此廣泛的工具，幾乎沒有人真正理解它是如何被實例化的，除了一些提供更好的商業結果的萬能資源之外。

制造商實際上可能認為人工智能非常復雜和昂貴，需要整個公司的端到端系統正常工作，這就意味著要對整個IT/OT操作進行代價高昂的更新。事實是，人工智能更專注，更容易實現。人工智能可以在工廠以最小的結構工作，并通過工業物聯網（IIoT）與機器連接。

當涉及到人工智能的實現時，原始設備制造商首先需要了解的是要關注的用例類型。作為物聯網的一部分，生產車間的大多數邊緣機器正在進行重組，以便通過無線傳感器發送數據。然后，這些數據被輸入到軟件套件中進行處理。數據輸入過程將成為一個持續的過程，以創建一個不斷擴展的數據網絡。所有這些數據都可以存儲在云中以獲取洞察力，從而使人工智能驅動的模型成為可能。

以下三個用例可以幫助消除制造商對人工智能能力的疑慮：

1. 機器正常運行時間

消費品包裝生產線為24×7，生產數百萬個大小不同的紙箱，用于包裝不同的消費品。保持生產無任何故障或任何質量問題至關重要。速度和質量至關重要。手動監控容易出錯，成本高昂且效率低下。

通過IIoT系統收集的數據可通過量身定制的可視化和警報，提供有關生產線吞吐量和設備故障的24/7實時洞察。AI最終可以幫助您了解要收集的大量數據。這些數據在邊緣網關上進行處理，以快速識別異常并發送即時警報。更大的數據聚集在基于云的IoT平臺中，以進行進一步的預測分析以及已定義的基于行為和規則的模型。 該系統將提供一個自定義的儀表板，并報告機器空閑時間，故障原因代碼和總體OEE數據。這樣，管理人員可以更好地計劃操作計劃，從而避免機器閑置時間并進行預測性維護。

2. 成本優化

美國傳感器制造商SpectraSymbol一直在生產業內最好的線性傳感器和電位器之一，以應對能源市場。作為一個過程，在遙遠的油井中，當油和水被泵入油罐時，需要測量油和水的水平。關于這項石油鉆探作業，該公司迫切需要通過利用IIoT數據來更經濟地延長邊際油井的使用壽命，從而持續優化成本，最大的問題是，這些油井的產油量不足，不值得對數據傳感器進行統一投資，因此必須降低它們的成本模型。這些油井也位于偏遠地區，增加了成本和時間挑戰。這些油井的傳感器安裝成本也非常高，增加了60%的成本。對于較小的操作和較遠的報廢井，快速投資回報率是物聯網實施的關鍵。

為SpectaSymbol的多口油井建立了一個用于存儲和處理所有機器數據的IIoT軟件平臺。它創建了一個“數據湖（data lake）”，相關數據存儲在云中。通過AI驅動的機器學習進行分析的數據已成為針對業務的定制應用程序的推動力，該應用程序明確設計用于評估油井性能并通過AI分析進行狀態監控。結果，所有利益相關者都可以獲得特定的報告，并且邊際油井的運行時間和性能都得到了優化。

3. 提高預測質量

一家化學公司SRF希望通過基于IoT的數字化轉型來提高其生產率和制造運營。為了實現這一目標，SRF必須在其包裝薄膜和工業用紡織品的生產中連接關鍵過程。 目標是通過分析對制造過程至關重要的參數來提高質量，改善其燃料消耗并降低功耗，以及減少任何線路中斷。SRF的工廠生產率可以通過使用狀態監視來預測停工來提高。通過制造過程的輸入創建的結果“數據湖”已與SRF的ERP集成在一起，以閉合整個制造價值鏈上的循環。

人工智能是該項目的核心，因為利用了機器學習技術來支持一組靈活的多元統計分析。具體來說，實時機器數據被用作反饋回路，以更準確地定義機器的最佳設置，以確保產品質量和機器可靠性。結果就是SRF能夠監視和分析對機器健康至關重要的參數，并通過在發生故障之前進行預測來優化機器停機時間。

從一個可以達到的實驗或試驗開始

在思考AI如何精確地提高制造智能時，關鍵是要從可以實現的方向開始，如此處的三個用例所示。無論您是要實現機器正常運行，最大程度地降低成本還是提高運營效率，通過云托管數據進行機器學習都可以發揮重要作用。

責任編輯：ct