制造领域的机器学习如何改变工作流程

介绍

几十年来，生产运营经理和工程技术人员在固定生产计划、被动维护和人工检查上浪费了大量资金。数十年前，上述工作都是现成的，但现在却超出了当今的生产要求。判断失误、响应滞后和数据孤岛往往会造成代价高昂的瓶颈。然而，利用机器学习实现的智能自动化正在改变今天的工厂流程。

欢迎来到机器学习、改进甚至预测的时代。本文将讨论制造业遇到的实际问题、机器学习开发服务如何促进创新解决方案、其背后的数学原理以及成功实施的实际方法。

人为错误和工作流程瓶颈

https://unsplash.com/photos/a-computer-circuit-board-with-a-brain-on-it-_0iV9LmPDn0

车间是高风险场所。一个小细节的疏忽，目视检查中的一个磨损和疏忽，装配线上的一个错放零件，或关键工件上材料的时间滞后，都可能造成大量停机时间或不良产品。

人为错误在所难免，尤其是在重复性操作或海量信息的情况下。与此同时，如果系统不能及早发现效率低下的问题，或在关键任务发生之前预测中断情况，就会出现瓶颈。

结果如何？反应性补丁、更高的费用和参差不齐的产品质量。

实现更智能工作流程的四个步骤

机器学习能使系统对海量数据进行分类、从模式中学习并做出决策，有时甚至比人脑更快更好地做出决策，从而迎头应对这些挑战。以下讨论的四项创新正在改变制造业：

传感器数据采集和实时监控

智能制造依赖于数据。当今设备中的传感器实时记录有关设备状况的数据流--温度、振动、压力和速度。这些持续不断的实时信息为机器学习模型提供了支持，机器学习模型可以观察到预示着磨损、故障或性能不佳的微小变化。

强大的数据聚合层还可以在制造业中创建机器学习，根据特定的工厂环境、机器和生产目标校准模型。

预测性维护模型

预测性维护利用历史数据和现有数据来预测故障，而不是对机器故障做出反应。预测性维护模型会研究导致故障的模式，例如电机温度的轻微升高，并在问题出现之前向团队发出警报。

这样做的回报是：停机时间缩短、设备寿命延长、维护计划更积极。预测性维护并不一定要预先设置缺陷，而是要创建一种准备就绪的文化。

质量控制成像和自动检测

质量控制一直是一项人力密集型工作，需要依靠人类敏锐的视觉来检测故障。但在工厂车间，有了计算机视觉和机器学习，计算机图像处理系统就能立即检测出故障。

它们从成千上万张贴满划痕、凹痕和位置错误的图片中学习，并随着时间的推移不断提高准确性。这种方法比前一种方法更精确，而且速度更快，可以在不中断生产线的情况下检查每个部件。

需求预测和规划要求

需求波动、供应短缺和交货延迟破坏了生产计划。现在，由机器学习驱动的算法可以根据历史订单、天气、地缘政治公告和市场动向预测供应链趋势。

这些预测模型使制造商能够保持正确的库存量，避免生产过剩，并快速应对变化，从而使供应链变得被动而非灵活。

熟悉主要技术

作为应用这些解决方案的先决条件，熟悉机器学习解决方案的理论是很有帮助的：

监督学习：这种技术通过标记数据来教授算法。在商业领域，它可以根据以前的例子，教给一个模型什么是 "有缺陷 "产品，什么是 "无缺陷 "产品。

无监督学习：利用无标记数据发现模式，例如检测传感器信息中的异常情况，或根据相似的特征对机器进行分组。

**数字双胞胎：**是物理系统的虚拟复制品。工程师可以让机器或生产线在模拟环境中表现出与现实生活中相同的行为，并在真实世界中试验各种变化，而无需承担风险。当与机器学习相结合时，数字孪生可以随着时间的推移自行学习和改进。

实施建议

机器学习的部署不是算法问题，而是准备就绪、步调一致和不断改进的问题。请牢记以下最佳实践，以确保成功部署：

检查数据基础设施：确保传感器数据准确、干净、可靠。开发强大的数据存储和处理架构，无论是云还是内部架构。

计划重新训练模型：随着条件的变化，您的 ML 模型的准确性会降低。使用新数据和监控性能来执行重新训练计划。

找到重要的集成点：确定 ML 结果如何与 MES（制造执行系统）、ERP 或其他制造系统对话。使用 APIS 和中间件实现开放式通信。

教育您的员工：为员工提供数据，让他们根据机器学习的输出结果采取行动。让工程师和操作员了解学习输出和基于学习输出的决策。

这些建议为短期的成功、灵活性和长期的适应性奠定了完美的基础。

效果：效率节约及应注意的事项

机器学习将制造活动从被动反应型转变为预测型，从人工操作型转变为自动操作型，从固定型转变为灵活型。其优势包括减少时间浪费、提高产品质量、降低库存和加快决策速度。

但这一旅程尚未结束。下一个概念验证可能是实时自适应调度、人工智能采购到付款，甚至是完全自主的质量检查。作为制造业的领导者，现在是时候考虑当前流程中的瓶颈问题，并询问：机器学习能增强什么？