人工智能
当前位置:时讯网 > 人工智能 >

AI赋能万物,2021年AI将改变制造业的6大应用趋势

2021-04-08 01:50:24 钛灵创新 浏览数: 时讯网

如今制造行业流行的是什么?AI又是如何改变制造业的呢? ▍一、用于缺陷检测的深度学习 在制造中,生产线中的缺陷检测过程变得越来越智能。深度神经网络集成使计算机系统可以识别诸如刮擦,裂纹,泄漏等表面缺陷。 通过应用图像分类,对象检测和实例分割算法,...

  如今制造行业流行的是什么?AI又是如何改变制造业的呢?

  ▍一、用于缺陷检测的深度学习

  在制造中,生产线中的缺陷检测过程变得越来越智能。深度神经网络集成使计算机系统可以识别诸如刮擦,裂纹,泄漏等表面缺陷。

  通过应用图像分类,对象检测和实例分割算法,数据科学家可以训练视觉检查系统来进行给定任务的缺陷检测。结合了高光学分辨率相机和GPU,深度学习驱动的检测系统将比传统机器视觉具有更好的感知能力。

  例如,可口可乐构建了基于AI的视觉检查应用程序。该应用程序诊断设施系统并检测问题,然后把检测到的问题通知给技术专家,助力专家采取进一步的措施。

  ▍二、通过机器学习进行预测性维护

  与其在发生故障时进行修复或安排设备检查,不如在发生问题之前进行预测。通过利用时间序列数据,机器学习算法可以微调预测性维护系统以分析故障模式并预测可能的问题。当传感器跟踪诸如湿度、温度或密度之类的参数时,这些数据将通过机器学习算法进行收集和处理。

  根据预测目标,如故障之前的剩余时间,获取故障概率或异常等,有几种机器学习模型可以预测设备故障:

  预测剩余使用寿命(RUL)的回归模型。通过利用历史数据和静态数据,此方法可以预测故障之前还有多少天。

  用于在预定时间段内预测故障的分类模型。为了定义机器将要失效的时间,我们可以开发一个模型,该模型将在定义的天数内预测失败。

  异常检测模型可以标记设备。这种方法可以通过识别正常系统行为和故障事件之间的差异来预测故障。

  基于机器学习的预测性维护所带来的主要好处是准确性和及时性。通过揭示生产设备中的异常,分析其性质和频率,可以在故障发生之前优化性能。

  ▍三、人工智能将打造数字双胞胎

  数字孪生是物理生产系统的虚拟副本。在制造领域,存在着由特定机械资产,整个机械系统或特定系统组件组成的数字双胞胎。数字双胞胎的最常见用途是生产过程的实时诊断和评估,产品性能的预测和可视化等。

  为了教数字孪生模型了解如何优化物理系统,数据科学工程师使用了监督和无监督的机器学习算法。通过处理从连续实时监控中收集的历史数据和未标记数据,机器学习算法可以查找行为模式并查找异常。这些算法有助于优化生产计划,质量改进和维护。

  此外,利用NLP技术可以处理来自研究,行业报告,社交网络和大众媒体的外部数据。它不仅增强了数字双胞胎的功能,不仅可以设计未来的产品,还可以模拟其性能。

  ▍四、智能制造的生成设计

  生成设计的思想是基于机器学习的给定产品的所有可能设计选项的生成。通过在生成的设计软件中选择重量、尺寸、材料、操作和制造条件等参数,工程师可以生成许多设计解决方案。然后,他们可以为将来的产品选择最合适的设计并将其投入生产。

  先进的深度学习算法的使用使生成设计软件变得智能。人工智能的新趋势之一是生成对抗网络(GAN)。GAN依次使用两个网络:生成器和鉴别器,其中生成器网络为给定产品生成新设计,而鉴别器网络对真实产品的设计和生成的产品进行分类和区分。

  因此,数据科学家开发并教授深度学习模型以定义所有可能的设计变体。计算机成为所谓的“设计伙伴”,它根据产品设计师给出的约束条件生成独特的设计思想。

  ▍五、基于ML的能耗预测

  工业物联网(IIoT)的增长不仅使大多数生产过程实现自动化,而且使他们节俭。通过收集有关温度、湿度、照明使用和设施活动水平的历史数据,可以预测能耗。那时机器学习和人工智能承担了大部分实施任务。

  利用机器学习进行能源消耗管理的想法是检测模式和趋势。通过处理过去消耗能源的历史数据,机器学习模型可以预测未来的能源消耗。

  预测能耗的最常见机器学习方法是基于顺序数据测量。为了做到这一点,数据科学家使用自回归模型和深度神经网络。

  自回归模型非常适合定义趋势,周期性,不规律性和季节性。但是,仅应用一种基于自回归的方法并不总是足够的。为了提高预测准确性,数据科学家使用了几种方法。最常见的补充方法是要素工程,该工程有助于将原始数据转换为要素,从而为预测算法指定任务。

  深度神经网络非常适合处理大型数据集和快速找到模式。可以对它们进行培训,以从输入数据中自动提取特征,而无需进行特征工程。

  为了使用内部存储器存储以前输入的数据的信息,数据科学家利用递归神经网络(RNN),它擅长跨越较长序列的模式。具有循环的RNN可以读取输入数据,并同时跨神经元传输数据。这有助于理解时间依赖性,定义过去观察中的模式,并将它们链接到将来的预测。此外,RNN可以动态学习定义哪些输入信息有价值,并在必要时快速更改上下文。

  因此,通过利用机器学习和人工智能,制造商可以估算能源账单,了解能源的消耗方式,并使优化过程更加由数据驱动。

  ▍六、人工智能和机器学习驱动的认知供应链

  当意识到数据量与物联网一起增长的速度时,很明显,智能供应链只是选择正确解决方案的问题。

  人工智能和机器学习不仅使供应链管理自动化,而且使认知管理成为可能。基于机器学习算法的供应链管理系统可以自动分析诸如物料库存、入站装运、在制品、市场趋势、消费者情绪和天气预报等数据。因此,他们能够定义最佳解决方案并做出数据驱动的决策。

  整个认知供应链管理系统可能涉及以下功能:

  需求预测。通过应用时间序列分析,功能工程和NLP技术,机器学习预测模型可以分析客户行为模式和趋势。因此,制造商可以依靠数据驱动的预测来设计新产品,优化物流和制造流程。

  运输优化。利用机器学习和深度学习算法可以评估运输和可交付成果,并确定对其性能有何影响。

  物流路线优化。通用ML算法会检查所有可能的路线并定义最快的路线。

  仓库控制。基于深度学习的计算机视觉系统可以检测到库存短缺和库存过剩,从而优化了及时的补货。

  人力资源规划。当机器学习算法收集并处理生产数据时,它可以显示执行某些任务需要多少员工。

  供应链安全。机器学习算法分析有关请求信息的数据:需要谁,在哪里以及什么信息,并评估风险因素。因此,认知供应链可确保数据隐私并防止黑客入侵。

版权与免责声明:

凡未注明"稿件来源"的内容均为转载稿,本网转载出于传递更多信息的目的;如转载稿涉及版权问题,请作者联系我们删除,同时对于用户评论等信息,本网并不意味着赞同其观点或证实其内容的真实性;

转载本站原创文章请注明来源:时讯网

行业聚焦

苹果CEO库克谈造车:热衷整合软硬件及服务,将探索无人驾驶

苹果CEO蒂姆·库克周日在播客“Sway”上暗示该公司正在从事无人驾驶汽车开发工作,库克称:“在我看来,自动化是一项核心科技。从许多方面看,汽车就是一台机器人,无人驾驶汽车也是如此。我们将探索苹果在无人驾驶汽车领域的前景。”在被问到苹果是否在开发...[详细]

AIOps如何转变IT管理

在过去的几年中,AIOps是简化IT运营的一种途径。本文将探讨机器学习(ML)和AIOps在现代网络管理中的作用,以及它可以帮助IT管理员转变网络以应对当今挑战的多种方式。...[详细]

京东发布2020年全年财报 电话会徐雷提到这条第二增长曲线

作为位于第二增长曲线上的成长业务,京东工业品在2020年成长明显。2020年5月,京东工业品完成A轮融资,投后估值超20亿美元,成为国内工业品领域内估值最高的公司。...[详细]

全球顶尖人工智能学者陶大程加入京东 担纲探索研究院

3月8日,京东集团宣布陶大程出任京东探索研究院院长。京东探索研究院秉承京东集团“以技术为本,致力于更高效和可持续的世界”的使命,立足于基础研究,力求提出全新的数字技术,构建新的理论框架,从全新的角度对人类的推理、归纳、联想等领域发起冲锋,从...[详细]

云计算之外的思考:智能边缘是计算和人工智能的未来

基于云计算的人工智能系统的平均推理速度大约为1 5秒。智能边缘可以将其速度降低到1~15毫秒。延迟大幅减少将使得许多未来的技术应用(例如自动驾驶汽车)成为可能。智能边缘正在将人工智能技术应用于边缘计算设备,以近实时地收集、分析和响应数据。...[详细]

一周排行每月关注