人工智能(AI)迅速成为制造业和主流技术超级明星 - 确实是一个罕见的成就。考虑最近的一些互联网故事突出了AI对日常生活的适用性。据报道,该技术现在可以:

  • 促进消费品销售,实时防止采购欺诈;
  • 帮助美国邮政服务加快客户订单的包装过程;
  • 指挥无人机检查和维修韩国的海上风电场;
  • 警告燃烧建筑闪络的消防员,其中房间或区域由于热辐射反馈而突然被火焰吞没;乃至
  • 客观地测量公众对Covid-19疫苗的情感信心。

人工智能的这些和许多其他商业用途补充了其在制造业中日益增长的用途(以及更为可靠的记录)。不同行业的几家公司经常依赖人工智能进行预测性维护,通过增强的视觉检查提高零件和产品质量,优化装配过程,并提高其存储数据的网络安全性。

例如,在生产线上,AI在福特电机公司的Livonia,MI,工厂可以实现六轴机器人以组装变速箱。机器人与机器人agnostic AI软件编程,以构建Bronco Sport,逃生和边缘的传输。

在AI软件的帮助下,机器人实际上可以根据先前的性能预测它们在下次传输中的组件。与以前的制造方法相比,福特工厂经理观察到循环时间的提高15%,并减少了50%以上,对新产品进行了50%。

“AI并不意味着黑匣子,”Leandna首席执行官Richard Lebovitz说。“其主要目的是在清晰的旅程中占用最终用户来自动化手动流程,并通过步骤逐步进行更智能的操作决策。我们与我们合作的制造商专注于实现这一结果,这带来了IT公司的特定福利,如生产过程中的库存优化和成本节省。“

然而,实现人工智能以获得这些好处并不总是一条容易的道路。无论行业或公司规模如何,实施通常都会带来许多挑战。好消息是,越来越多的制造商正在克服这些挑战,这使他们成为有抱负的公司如何在其设施中实施人工智能的典范。

一些非常大的障碍

AI开发人员,最终用户和行业分析师引用了各种各样的障碍,可以防止正确实施该技术。一个是无法连接的遗留设备。

“在制造机械市场,缺乏系统互操作性是很常见的,”dotData公司的创始人兼首席执行官Ryohei Fujimaki博士说,dotData是一家专门提供数据科学自动化的公司。“解决此问题的正确方法是安装使用标准规则和框架连接PLC和企业资源规划(ERP)、制造执行系统(MES)以及监控和数据采集(SCADA)软件的组件。”

Fujimaki说,另一个障碍是核电站关键人员无法访问和利用数据。恶劣的操作条件可能是制造商的IT和OT团队向云发送数据的一个很好的原因,而安全问题可能是他们将数据保留在现场的一个原因。当生产现场位于远程时,可能会出现进一步的数据存储问题。

无论情况如何,人员必须始终完全访问计算机维护管理系统中的数据,以执行基于AI的高级分析。该系统可能需要数据库连接器或自定义脚本。

洛克希德·马丁航天公司负责业务创新、转型和企业卓越的副总裁乔纳森·考德威尔解释说:“制造前零件物流决不能被最小化或忽视。”。“制造商需要确保其来料零件符合所有规格和公差,以便准确获得AI分析所需的数据。同样重要的是,正确培训您将要使用的机器学习算法,并尽早这样做,以确保可靠的分析。”

往往通常,AI新的制造商具有科幻类或不切实际的技术观点。Neurala Inc.的创始人Massimiliano Versace表示,他的几位首次AI客户希望该技术在应用中提供100%的准确性。betway在线游戏平台

例如,随着视野检查,Versace将指出,人类通常以大幅低于100%的准确性来表现出来的公司。ai更好;它以90%的准确度执行,而一个人平均只需86%。

富士菊表示,制造商在获得数据时更好地了解实时理念是重要的。基于云的数据分析需要分析现场数据之间的延迟时段,并且管理员可操作的见解。

当延迟不可接受时,Fujimaki建议实施基于AI的边缘计算,这涉及最接近组装或测试过程的数据收集和分析。他说,这种方法最适合需要毫秒级快速分析的应用,比如零件的预测质量。betway在线游戏平台

“数据必须是准确的,并通过用户获得有效的用户,”Notes Lebovitz。“供应商提供的关键因素,订单策略和供需数据应该是一个首要任务。我们通过执行自动化健康检查和清理数据来帮助公司解决此问题。这为成功部署AI技术和自动化工作流程创造了基础。“

制造商可能还希望在培训AI算法时考虑使用合成数据增强其数据集。迈克尔Naber,Simerse的联合创始人表示,生成了合成数据以模仿真实数据,并且可以采用许多形式,包括用于计算机视觉(3D图形)或表格目的(文本或数字表)。imperse专注于计算机视觉应用程序的数据集。betway在线游戏平台

与实际数据相比,生成大量合成数据更容易、更快、更便宜。此外,综合训练集只受计算时间而不受大小的限制。合成数据还解决了手动标记的问题,因为它是自动标记的。公司永远不必担心数据集被错误标记。

最后,与真实数据不同,合成数据不受隐私法的约束,如欧盟的一般数据保护条例。随着新法规在全球范围内的推出,这可能会成为公司的一大长期利益。“合成数据保护了人们的隐私,同时增强了人工智能的实施,”纳伯说。

航天器生产和运营

被告知,洛克希德马丁公司(LMC)已成功实施AI在多种设施中会惊喜,在制造中几乎没有人。自1993年以来,该公司在某种形式下,该公司已经与某种形式合作,但是,举起了很多眉毛。

“我们已经通过各种内部比赛在机器人中使用了一些早betway在线游戏平台期的AI早期应用,这是关于1993年的各种内部比赛,”Caldwell说明。“据说,我们在生产中使用机器学习和较大的AI套件以来自2015年以来大幅增加。”

在过去的几年中,LMC已经使用人工智能来增强其几个卫星项目的制造、检查和测试过程。考德威尔说,该技术在卫星发射前的关键测试阶段大大提高了检查和分析的准确性。人工智能还应用于PCB组装等阶段blies和部件、子系统或完整物体(如卫星)的热真空测试。

AI目前福利LMC的另一个领域是卫星生产。Caldwell引用了需要一种方法来速度生产新卫星的方法 - 以及AI是实现这种速度的必要工具。2018年,GPS III卫星客户延长了合同。结果,LMC需要加速生产。

通过应用人工智能,工程团队能够维持客户当前和后续合同的卫星生产计划。这也让团队有更多时间专注于开发下一代GPS技术,而不是监控重复数据。

自2017年以来,LMC与美国NEC公司密切合作,将AI和机器学习(ML)应用于航天器生产的系统诊断。这项合作涵盖了美国宇航局新的猎户座飞船在LMC正在建造的阿耳特弥斯任务中的应用。同样的AI和ML技术将用于阿尔忒弥斯III任务期间的实时分析,该任务计划在2024年作为2028年后某个时候的火星任务的试运行。betway在线游戏平台

根据Caldwell的说法,该项目涉及将NEC的系统不变分析技术(SIAT)软件集成为LMC,为通用人工智能(T-TAURI)AI平台进行遥测分析。T-TAURI已被用来分析各种生产过程中的数据,并取得了巨大的成功。

考德威尔指出,目标是在航天器的设计、开发、生产和测试过程中实现“主动异常检测”。SIAT分析引擎使用放置在各种工业系统(计算机、电厂、工厂、建筑物)中的IIoT传感器的数据自动检测不一致性并规定解决方案。

考德威尔建议:“在人工智能方面,做一个知情的买家。”。“花点时间将其理解为一个生态系统并加以实施,包括引入能够将正确的算法与正确的应用程序相匹配的人员。betway在线游戏平台

“这需要适当平衡耐心和不耐烦,”他继续说。“在建立团队时要有耐心,让AI最适合你的业务。但是,不要急于将其付诸实践并收获其诸多好处。”

从火星到火星

2006年,在Boston University工作,Neurala Inc.的创始人Versace,Anatoli Gorchet和Heather Ames开始分包与惠普在国防高级研究项目局(DARPA)项目上分包。该项目的目标是开发能够模仿人类神经系统的低功耗计算机和软件。2010年,一名NASA兰利研究中心工程师在阅读了由IEEE杂志的Versace写道之后,在阅读一篇文章后发现了团队的DARPA研究工作。

这位工程师随后要求范思哲和他的团队与美国宇航局合作,签订一份分两阶段的小型企业技术转让(STTR)合同。在第一阶段,纽拉拉与波士顿大学的神经形态实验室合作,研究火星探测车如何自行导航。换句话说,它能在不熟悉的环境中无监督地学习吗?第二阶段于2013年结束,使Neurala能够进一步开发其商业化技术。

据范思哲介绍,如今,Neurala的技术已应用于全球数百万机器人、无人机、智能设备和工业机器。几家公司已经实施了该公司的全视觉检查自动化(VIA)软件套件或精简版。还提供了Neurala的Brain Builder软件开发工具包,该工具包可根据VIA定制,也可用于在边缘计算中实现神经网络和深度神经网络。

VIA的长期用户包括组装集成电路(IC)的大型电子合同制造商。这些制造商为其客户小批量生产标准和定制集成电路。这些批次由频繁更换的部件组成,这些部件以难以用传统机器视觉进行检查而闻名。组装、检查和测试在其工厂完成,同时制造产品原型。

范思哲指出,目视检查通常与X射线检查和功能测试一起进行。VIA使公司能够仔细检查IC是否有任何车身标记,并识别不完整的焊接痕迹、缺失的部件或方向错误的部件。

有些人喜欢仅在较低体积的定制产品上使用。在这种情况下,软件通过应用程序接口收集图像,而不是标准的GigE vieion一个。betway在线游戏平台

注塑公司是普通的另一个普通用户。他们使用该技术在模制和后处理后检查塑料零件。

“通常,当涉及大客户时,人类运营商的视觉检查是由人类运营商完成的,”Versace解释道。“然而,这只能确保一般而言,模塑商正在发送良好的部件。然后客户在任何组件中使用它之前[它自己]手动检查每个部分。“

基于VIA的检查需要安装在装配线上的GigE相机,以及控制在去毛刺后传输零件的传送带的开关。随着每个部分在相机下移动时,它需要多个部分的照片,软件快速分析它们。

当通孔点有缺陷部分时,PLC闪烁信号。这告诉操作员从传送带中删除有缺陷的部件,仔细检查它们并确定哪些用于废料,可以重新加工。

“如果没有需要了解AI的操作员,则会发生这种情况,”添加了Versace。“而且,这是一个巨大的加号。”

萨塞斯福方法

LeanDNA是一个软件即服务(SaaS)平台,它与工厂现有的ERP软件集成,以优化装配中使用的库存管理。照片由LeanDNA提供

首字母缩略词比比皆是,其中AI实现所关注的是,为什么不添加另一个:SaaS,它代表软件作为服务。Leandna是一个萨斯平台,与工厂现有的ERP软件集成,以优化组装中使用的库存管理。

根据Lebovitz的说法,许多行业的制造商已经实施了Leandna。一家公司是英国赛马队席位,是飞机内部产品市场的全球领导者。

几年前,Safran经理在运营和购买中实现了更换过时的材料采购过程。原始过程定期导致Safran的三个设施在正确的时间内没有足够的正确部件,以及坐在库存中的错误零件。

“业务供应团队每周花费10到15个小时,在Excel电子表格中创建手动报告,”Lebovitz说。“这个问题是它限制了库存数据的准确性,并导致交付时间为3至六个月,平均。”

Safran转向Leandna以自动化和标准化其短缺管理工作流程。在几个月内,Safran取得了36%的库存减少。另一个福利是提高整个采购团队的效率和响应性。在将过量或过时的库存转移到其他部门或售后市场之前,Safran分析师现在可以轻松检查每个设施的库存需求。

LeanDNA还帮助赛峰确定更正物料主数据、供应商交付周期和物料清单的机会。现在,这些项目的任何异常都会立即标记、标记和纠正,使团队能够准确预测未来需求并找到合适的库存。

Lebovitz解释道:“LeanDNA中的每一项库存行动都会根据其所带来的价值大小进行优先级排序。”。“这让买家竞相看谁能为企业带来最大的价值,谁能在库存行动指标中名列前茅。”

2017年3月,每年亿美元收入的医疗器械制造商在试点部署Leandna。在此之前,Excel广泛用于管理供应链。每个月,每个买家都将其数据发送到其经理,又将汇总数据发送到分部级别分析师。

不幸的是,编制所有这些数据都是一个月长的努力,所以一旦报告最终确定,它已经过时了。Lebovitz表示,这一情况使公司难以平衡新技术的发展,并满足客户准时交付要求,实现其库存减少目标。

Leandna帮助公司解决了这个问题。该软件自动向负责关键性能指标的团队成员发送每周提醒,以确保及时跟踪每个度量。该软件帮助制造商在第一个月内保存超过700,000美元。

“试点网站的积极成果表示,制造商在整个公司的18个地点实施Leandna,”lebovitz总结道。“今天,所有这些网站都在整个层面都有高用户参与。”