人工智能(AI)正迅速成为制造业和主流技术的超级明星——这的确是一项罕见的成就。想想最近一些突出人工智能在日常生活中的适用性的互联网故事。据报道，这项技术现在可以:
- 促进消费品销售，实时防范采购欺诈;
- 帮助美国邮政服务加快客户订单的包装过程;
- 指挥无人机检查和修复韩国的海上风力发电场;
- 警告消防队员着火建筑物闪络，即由于热辐射反馈，房间或区域突然被火焰吞没;甚至
- 客观衡量公众对新冠疫苗的情绪信心。
这些，和许多其他的商业AI的用途补充其在全球制造业越来越多地使用（和更良好的记录）。有几家公司在不同行业经常依赖于AI进行预测性维护，提高通过增强视力检查其存储的数据的一部分和产品质量，优化装配流程，提高网络安全。
例如，在生产线上，人工智能正在让福特汽车公司(Ford Motor Co.)位于密歇根州利沃尼亚(Livonia)的工厂的六轴机器人组装变速器。这些机器人由机器人不可知的人工智能软件编程，为野马运动(Bronco Sport)、逃脱(Escape)和边缘(Edge)建立传输。
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％。
LeanDNA首席执行官理查德•莱博维茨(Richard Lebovitz)表示:“人工智能不应该成为一个黑匣子。“它的主要目的是让终端用户走上一条清晰的道路，逐步实现人工流程的自动化，并做出更明智的运营决策。与我们合作的制造商始终专注于实现这一结果，这将为公司带来特定的利益，如库存优化和生产过程中的成本节约。”
然而，通过使用人工智能来获得这些好处并不总是一件容易的事。无论行业或公司规模如何，实施经常会遇到许多挑战。好消息是，越来越多的制造商正在克服这些挑战，使它们成为有抱负的公司如何在其设施中实施人工智能的很好的例子。
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，缺乏系统的互操作性是常见的，”藤牧良平，dotData的博士，创始人兼首席执行官，该公司主要提供数据科学自动化公司说。“解决这个问题的正确方法是安装使用标准的规则和框架连接到PLC和企业资源规划（ERP）成分，制造执行系统（MES）和监控与数据采集（SCADA）软件。”
藤牧说，另一个障碍是关键的工厂人员无法访问和利用数据。恶劣的工作环境可能是一个很好的理由，一个制造商的IT和OT团队将数据发送到云中，而安全问题可能是他们保持现场数据的一个原因。当制造现场是远程可能出现的进一步的数据存储的并发症。
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。
“预制造部分物流绝不应尽量减少或忽视，”乔纳森·考德威尔，在洛克希德·马丁空间业务创新，转型和精益求精的企业副总裁说。“制造商需要确保他们进入的部分符合所有规格及公差，为了准确地获得所需的AI分析的数据。同样重要的是正确地训练机器学习算法，你要使用，而且做得这么早，以确保可靠的分析“。
很多时候，刚接触人工智能的制造商对这项技术的看法都是基于科幻小说或不切实际的。Neurala公司的创始人Massimiliano Versace说，他的一些首次使用人工智能的客户希望这项技术在应用中提供100%的准确率。
例如，通过视力检查，范思哲会向公司指出，人类的视力检查准确率通常远远低于100%。人工智能是更好;它的准确率高达90%，而人的平均准确率只有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。
当等待时间是不可接受的，藤卷建议实施基于AI的边缘计算，其涉及数据收集和分析最接近到装配或测试过程。他说，这种方法是最适合那些需要毫秒快速分析，类似的部分预测质量的应用。
莱博维茨指出:“要想让人工智能发挥作用，数据必须是准确的，并得到用户的信任。”关键因素，如供应商交货期、订单政策和供求数据应该是最优先考虑的。我们通过执行自动运行状况检查和清理数据来帮助公司解决这个问题。这为成功部署人工智能技术和自动化工作流程奠定了基础。”
制造商在训练人工智能算法时，可能还想考虑使用合成数据来扩充他们的数据集。Simerse的联合创始人迈克尔·纳伯(Michael Naber)说，合成数据是为了模拟真实数据而生成的，它可以有多种形式，包括计算机视觉(3D图形)或表格目的(文本或数字的表格)。Simerse专门从事计算机视觉应用的数据集。
生成大量合成数据比生成实际数据更容易、更快、更便宜。此外，综合训练集只受计算时间的限制，而不受大小的限制。由于合成数据是自动标注的，因此也解决了人工标注的问题。公司永远不必担心数据集被错标。
最后，综合数据，不像真实的数据，并不受隐私法，如欧盟的通用数据保护条例。这可能会被证明是公司的主要长期受益的新法规推出全球。“综合数据保护人们的隐私，同时增强AI的实现，”纳贝尔说。
航天器生产与运行
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使用了AI来加强它的几个卫星节目的制造，检验和测试流程。考德威尔说，这项技术有助于显著在关键的测试阶段检查和分析的准确性发射卫星之前。AI也被应用到像PCB组件和部件，子系统或一个完整的对象的热真空试验，像一个卫星阶段。
人工智能目前使澜湄合作受益的另一个领域是卫星生产。考德威尔举例说，需要一种方法来加速新卫星的生产，而人工智能是实现这一速度的必要工具。2018年，GPS III卫星客户延长了合同。因此，LMC需要提高产量。
通过应用AI，工程团队能够保持客户当前的卫星生产进度和后续合同。这也给了球队更多的时间专注于开发下一代GPS技术，而不是监视重复数据。
自2017年以来，LMC与美国NEC公司密切合作，将人工智能和机器学习(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的新猎户座飞船的应用，该飞船用于LMC正在建造的阿耳特弥斯任务。在执行任务期间，同样的人工智能和ML技术将用于实时分析阿耳特弥斯III号。阿耳特弥斯III号计划于2024年执行任务，作为2028年后火星任务的演练。
据Caldwell介绍，该项目涉及将NEC的系统不变分析技术(SIAT)软件集成到LMC的通用人工智能(T-TAURI)人工智能平台的遥测分析技术。T-TAURI已经被用于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、生产和测试期间实现“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、发电厂、工厂、建筑物)中的工业物联网传感器的数据，自动检测不一致并给出解决方案。
“当涉及到人工智能，是一个明智的买家，”考德威尔建议。“花时间去理解和执行它作为一个生态系统，其中包括引进谁可以匹配正确的算法正确的应用程序的人。
“这涉及到正确平衡的耐心和不耐烦，”他继续说。建立团队，可以充分利用AI为您的企业时，“要有耐心。不过，心急约付诸实践，并收获了很多好处。”
从火星到造型
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，签订一份两阶段的小企业技术转让(STTR)合同。在第一阶段，Neurala与波士顿大学神经形态学实验室合作，研究火星上的漫游者如何自行导航。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，允许Neurala进一步开发其商业化技术。
范思哲称，如今，Neurala的技术被用于全球数以百万计的机器人、无人机、智能设备和工业机器。一些公司已经实施了该公司的全视觉检测自动化(VIA)软件套件或精简版。还有Neurala的Brain Builder软件开发工具包，可以定制VIA，以及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。这些制造商为客户生产小批量的标准和定制集成电路。这些批次由频繁变化的部件组成，传统机器视觉很难检测这些部件。装配、检查和测试在他们的设施中完成，并制造产品原型。
目视检查通常与X射线检测和功能测试一起进行，Notes Versace。通过使公司能够仔细检查任何身体标记的IC，并识别不完整的焊料痕迹，缺少组件或错误的方向。
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。
注射成型公司是VIA的另一个常见用户。他们使用这种技术来检查成型后和后处理后的塑料部件。
“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的检测需要在装配线上安装一个GigE摄像头，以及一个开关来控制去毛刺后的部件输送。当每个部件在相机下移动时，它会拍下该部件的多张照片，然后软件会快速分析这些照片。
当VIA检测到有缺陷的部件时，PLC发出闪烁信号。这告诉操作人员从传送带上移除有缺陷的部件，仔细检查它们，并确定哪些部件可以报废，哪些部件可以返工。
范思哲补充称:“所有这一切都发生在运营商不需要了解人工智能的情况下。”“这是一个巨大的优势。”
SaaSessful方法
LeanDNA是一个软件即服务(SaaS)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。照片由LeanDNA
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，赛峰的运营供应和采购经理意识到有必要更换陈旧的材料采购流程。最初的流程经常导致赛峰的三个工厂在正确的时间没有足够的正确部件，并且库存中有太多的错误部件。
“运营供应团队每周要花10到15个小时在Excel电子表格中创建手工报告，”莱博维茨说。“这样做的问题是，它限制了库存数据的准确性，导致交货平均延迟3至6个月。”
赛峰求助于LeanDNA，以实现其短缺管理工作流程的自动化和标准化。在短短几个月内，赛峰就将库存减少了36%。另一个好处是提高了整个采购团队的效率和响应能力。赛峰的分析师现在可以轻松地检查每个工厂的库存需求，然后将过剩或过时的库存转移到其他部门或售后业务。
LeanDNA还帮助赛峰识别纠正项目主数据、供应商交货期和材料清单的机会。这些项目的任何异常现在都被立即标记、标记和纠正，使团队能够准确预测未来的需求，并找到合适的库存。
“在LeanDNA每个清查行动是由价值会带来量优先，” Lebovitz解释。“这使得买家竞争，看看谁能够提供最大价值的业务，并在库存行为度量的顶部。”
2017年3月，一家年收入10亿美元的医疗设备制造商在试点地点部署了LeanDNA。在此之前，Excel被广泛用于管理供应链。每个月，每个买家将其数据发送给经理，经理再将汇总数据发送给部门级的分析师。
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帮助该公司解决了这个问题。该软件每周自动向负责关键绩效指标的团队成员发送提醒，以确保每个指标都被及时跟踪。该软件帮助制造商在第一个月内节省了70多万美元。
Lebovitz总结道:“试验现场的积极结果说服了制造商在公司的18个额外地点实施LeanDNA。”“如今，所有这些网站在各个层面都有很高的用户参与度。”
