制造商經(jīng)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(tǒng)才能正常工作?，F(xiàn)實情況是，AI更加專注和可實現(xiàn)。它可以以最小的結構在工廠車間工作，并通過工業(yè)物聯(lián)網(wǎng)（IIoT）連接到機器。在本文中，作者提出了有關在實際環(huán)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(yè)洞察調(diào)查中，來自汽車和制造業(yè)的44%的受訪者將人工智能列為未來五年對制造業(yè)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(yè)已經(jīng)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(yè)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(tǒng)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(xiàn)。人工智能可以在工廠以最小的結構工作，并通過工業(yè)物聯(lián)網(wǎng)（IIoT）與機器連接。
當涉及到人工智能的實現(xiàn)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(lián)網(wǎng)的一部分，生產(chǎn)車間的大多數(shù)邊緣機器正在進行重組，以便通過無線傳感器發(fā)送數(shù)據(jù)。然后，這些數(shù)據(jù)被輸入到軟件套件中進行處理。數(shù)據(jù)輸入過程將成為一個持續(xù)的過程，以創(chuàng)建一個不斷擴展的數(shù)據(jù)網(wǎng)絡。所有這些數(shù)據(jù)都可以存儲在云中以獲取洞察力，從而使人工智能驅(qū)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(chǎn)線為24×7，生產(chǎn)數(shù)百萬個大小不同的紙箱，用于包裝不同的消費品。保持生產(chǎn)無任何故障或任何質(zhì)量問題至關重要。速度和質(zhì)量至關重要。手動監(jiān)控容易出錯，成本高昂且效率低下。
通過IIoT系統(tǒng)收集的數(shù)據(jù)可通過量身定制的可視化和警報，提供有關生產(chǎn)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(shù)據(jù)。這些數(shù)據(jù)在邊緣網(wǎng)關上進行處理，以快速識別異常并發(fā)送即時警報。更大的數(shù)據(jù)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(guī)則的模型。 該系統(tǒng)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(shù)據(jù)。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(yōu)化
美國傳感器制造商SpectraSymbol一直在生產(chǎn)業(yè)內(nèi)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(yè)，該公司迫切需要通過利用IIoT數(shù)據(jù)來更經(jīng)濟地延長邊際油井的使用壽命，從而持續(xù)優(yōu)化成本，最大的問題是，這些油井的產(chǎn)油量不足，不值得對數(shù)據(jù)傳感器進行統(tǒng)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(qū)，增加了成本和時間挑戰(zhàn)。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(lián)網(wǎng)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(shù)據(jù)的IIoT軟件平臺。它創(chuàng)建了一個“數(shù)據(jù)湖（data lake）”，相關數(shù)據(jù)存儲在云中。通過AI驅(qū)動的機器學習進行分析的數(shù)據(jù)已成為針對業(yè)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(tài)監(jiān)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(yōu)化。
3. 提高預測質(zhì)量
一家化學公司SRF希望通過基于IoT的數(shù)字化轉(zhuǎn)型來提高其生產(chǎn)率和制造運營。為了實現(xiàn)這一目標，SRF必須在其包裝薄膜和工業(yè)用紡織品的生產(chǎn)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(shù)來提高質(zhì)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(chǎn)率可以通過使用狀態(tài)監(jiān)視來預測停工來提高。通過制造過程的輸入創(chuàng)建的結果“數(shù)據(jù)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(huán)。
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(tǒng)計分析。具體來說，實時機器數(shù)據(jù)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(chǎn)品質(zhì)量和機器可靠性。結果就是SRF能夠監(jiān)視和分析對機器健康至關重要的參數(shù)，并通過在發(fā)生故障之前進行預測來優(yōu)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(xiàn)的方向開始，如此處的三個用例所示。無論您是要實現(xiàn)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(shù)據(jù)進行機器學習都可以發(fā)揮重要作用。
下載文檔
