机器人和其他自动化技术在当今的工厂中大大提高了生产力。但是，他们仍然有一个重大限制：他们要求人们告诉他们该怎么做。

但是，如果机器人和其他工业机械如何教授自己如何执行任务？这是由日立，扇源和首选网络，专门从事人工智能（AI）的创业公司的合资企业的目标。

这家名为“智能边缘系统”(Intelligent Edge System)的新公司将为联网机器人和机床开发快速、实时的控制系统。通过利用深度学习的人工智能技术，这些控制系统将学习和变得更智能的联动机器制造产品。

深度学习是一种人工智能技术，旨在模仿人类大脑的功能，更有效地筛选信息，加快数据分析。这项技术有望通过让机器人识别不同的零件并相应地调整动作来提高装配线的生产率。它还可以使机器人自动承担装配线上相邻机器人的任务，如果它出现故障。

边缘计算也将在合资企业的控制系统中发挥重要作用。该技术而不是中央处理数据，该技术处理网络边缘处的任务，让装配线上的机器立即处理从视觉系统，传感器，夹具和工具收集的大量数据。

已经，新公司的努力正在偿还。例如，FANUC推出了基于AI的系统，以使机器人能够从盒子，托盘或输送机的成功率拾取零件。利用深度学习和3D对象的评分系统，机器人自动确定要拾取的部分，如何选择它们，以及序列。没有AI，这样的应用程序将需要经验丰富的工程师详细参数调整。

随着AI，机器人列车本身。每次机器人成功或未能拿起部分时，它会记住对象的样子。然后使用该数据来改进控制机器人动作的深度学习模型。通过几个小时的练习，机器人最终学习挑选部分，精度为90％或更高。

发那科还应用深度学习软件自动调整和控制驱动数控加工中心刀具的伺服电机;在电火花加工应用中自动补偿热位移;并准确预测何时需要更换注塑机上的阀门等“磨损”部件。

人工智能不仅仅应用于机器人。它也被应用于机器人周边设备。例如，在今年的德国汉诺威展览会上，SCHUNK和法国人工智能初创企业AnotherBrain宣布达成协议，将在明年开发世界上第一个自动动作抓取系统。该抓手将能够独立操作，不需要手动编程。

“这一有希望的合作将帮助我们推进在处理和装配领域的人工智能推进人工智能，并在智能工厂创造新的处理情景 - 以及服务机器人领域，”Schunk Ceo Henrik A.Schunk。

不是具有工程师通过步骤定义位置，速度和抓握力，而是自主抓握系统将通过摄像机检测其目标物体，然后独立地接管夹持过程的规划并连续改进。根据需要检测，评估把手的质量，评估和重新调整。夹钳的电机和手指中的传感器将为车载智能提供数据。

机器变得聪明

2018年调查福布斯杂志调查发现，一半的美国制造商认为人工智能和机器学习对未来5年他们的成功“绝对至关重要”。这些技术不仅仅是从连接的系统中收集数据。他们将创造出能够利用数据感知、理解、学习并独立于人类方向采取行动的智能机器。

虽然AI和机器学习通常互换使用，但它们并不相同。AI是通过机器和计算机系统模拟人类智能的更广泛的概念。机器学习是AI的一种形式，使系统能够从数据中学习而不是通过编程。算法构建样本数据的数学模型，称为“培训数据”，以进行预测或决策，而不明确地编程以执行任务。这就是垃圾邮件过滤器如何在电子邮件软件中工作。

在制造业，人工智能和机器学习已经被应用于视觉系统、CAD软件和预测性维护。这些技术还被用于帮助需求预测、个性化制造、优化制造流程、自动化材料采购，甚至屏幕销售线索。

例如，IBM的制造软件的规定保修将高级分析应用于保修相关的数据，以帮助确定有资格符合条件的缺陷，并确定其为什么正在发生的原因，使公司能够更快和更有效地回应。

该软件寻找导致加速和更换保修产品的磨损和更换的条件。这种条件可能包括产品的制造过程中的变化，产品中使用的部件和材料的质量的变化，或者使用产品的方式。

通过ai更好的电池

3月份，马萨诸塞州理工学院的科学家斯坦福大学和丰田研究所发现，结合综合实验数据和人工智能可以准确地预测锂离子电池的使用寿命，然后在它们的能力开始衰落之前。

在研究人员用几亿个数据点培训他们的机器学习模型之后，该算法预测了每次电池的每个电池循环有多少，基于在早期循环期间测量的电压下降和其他因素。预测是在实际循环寿命的9％以内。

另外，该算法仅根据前五个充放电周期将电池分为寿命长短两类。在这里，预测的正确率高达95%。

该机器学习方法可以加速新电池设计的研发，减少生产的时间和成本。

“测试新电池设计的标准方法是充电和放电，直到它们死亡。由于电池寿命长，这一过程可能需要多个月甚至几年，“斯坦福材料科学与工程师博伊特候选人副领导作者彼得蒂亚表示。“这是电池研究中昂贵的瓶颈。”

该项目的另一个重点是找到一种能在10分钟内给电池充电的更好方法
加速电动汽车的大规模采用。为了为该申请生成培训数据，团队收取和放电电池，直到每个人到达其使用寿命的结束，它们定义为容量损失20％。然而，研究人员想知道是否有必要将电池运行到地面上。可以在仅早期循环中找到电池问题的答案吗？

“计算能力和数据生成的进步最近使机器学习能够加速各种任务的进展，包括材料特性预测，”理查德布拉兹，博士，博士学位，博士学队的化学工程教授说。“我们的结果展示了如何预测复杂系统进入未来的行为。”

研究人员的机器学习算法在电池制造中有很多应用。例如，他们可以缩短用新化学物质验证电池的时间，这在材料快速发展的情况下尤为重要。此外，制造商还可以使用他们的软件对电池进行分级。寿命更长的电池可以在要求更高的用途上以更高的价格出售，比如为电动汽车供电。回收者可以利用这种方法在使用过的电动汽车电池组中找到有足够的寿命用于二次使用的电池。

另一个用途是优化电池制造。“制造电池的最后一步叫做‘形成’，这可能需要几天到几周的时间，”Attia说。“采用我们的方法可以显著缩短这一时间，并降低生产成本。”