人工智能(AI)在推动工业制造的数字化转型和提供工业4.0的好处方面发挥着重要作用。AI在制造业中的两个关键应用包括预测性维护，以及用于缺陷检测和产品质量的机器视觉。AI还能够在从产品开发的衍生式设计到售后和保修支持的整个产品生命周期内提供好处。
然而，有许多挑战阻碍了AI进入工业领域。其中一些障碍仅仅是由于工业领域的组成涉及到各种各样的用例、公司规模和缺乏专业知识，因此就增加了实施的复杂性。
AI在工业制造中的应用情况如何？预测性维护和机器视觉两类应用分别要用到哪些关键元器件？2022年11月10日，IIC Shenzhen同期举办的“国际工业4.0技术与应用论坛”将邀请兆易创新和意法半导体等公司的技术专家出席演讲，与观众们交流和分享行业趋势及最新技术。点击这里或扫描下方二维码报名参加！
人们对AI和机器学习(ML)很感兴趣，但工业制造市场存在很多分裂，ABI Research公司工业和制造研究总监Ryan Martin表示。
“鉴于制造商的多样性及其各自面临的问题，很难广泛谈论这些技术。”Martin表示，“中小型企业和机器车间有着庞大的基础，尤其是在美国，它们可能雇佣1到10名或1到50名关键员工。在使用这些技术后，它们就可以从中受益，而不一定非要雇佣这些员工或者对其进行充分利用。”
Martin表示，只有少数几家家喻户晓的大公司，例如迪尔、卡特彼勒、通用汽车、特斯拉、苹果和三星，正在推动大量创新。
(图片来源：Shutterstock)
对于这些类型的大型公司，它们通常会将AI用于其业务的信息技术和运营技术两个方面——前者用于数据管理，后者用于监控工业设备。
这两个主要领域是与数据相关的，可能是数据规范化、数据清理或数据分析，从而从数据中获得深刻理解并使这些数据可以访问，Martin表示。另一个领域是质量，可以是产品质量或机器质量，包括预测性维护类型的应用，他补充说。
机器视觉是AI在异常检测等应用中得到更广泛部署的另一个领域。“这里正在发生变化的是AI与机器学习型应用正在寻找未预先确定的异常之间的差异。”Martin指出。
这真的很重要，因为从历史上看，这些系统擅长发现已知问题，但最大的挑战之一是发现和解决你不知道自己在寻找的问题，这就是AI更广泛地发挥作用的地方，他补充说。“理想情况下，可以将该异常与原因联系起来，然后从中启动行动。也许可以确定缺陷是由于生产它的机器出现问题而发生的，或者可能缺陷是由于供应商问题而发生的，然后就可以自动采取行动。
“如今，更有可能是一个人或几个人参与到这些过程中来识别问题，然后采取纠正措施。”他继续补充说。
也可以将AI用于设计阶段，将AI嵌入到设计软件中，Martin表示。通过衍生式设计，设计人员就能输入他们的关键产品参数，使用AI的软件就可以理想地生成许多设计，他补充说。
然后，设计人员可以根据他们的标准从可能性列表中缩小设计范围。
一个典型指标可能是针对可持续性的，即产品的选择根据本地采购的最少材料数量，Martin表示。“这为设计人员节省了大量的时间和精力。”
然而，工业制造商在实施AI模型方面仍面临挑战。其中很大一部分挑战是准入的知识壁垒。
“我们不可能在一夜之间建好一个AI模型。”Martin指出，“你需要了解自己所有的投入，更重要的是，了解自己想要达到的目标是什么。这通常需要进行大量的设置，即使在公司可以在24至48小时甚至一周内启动并运营的情况下(有可能发生)，你仍然需要高技能人才。”
Martin表示，AI解决方案不太可能在一夜之间建立起来，因为需要收集和分析数据，并且必须开发算法。“即使目前常见的情况是，供应商可能会提供让你完成80%工作的算法，但你必须定制最后一英里或最后的20%——这是一个很好的方法，但它仍然需要最后一英里的定制，这需要时间或合作伙伴。”
但是由于新的软件交付选项，行业正在发生变化。软件即服务(SaaS)和云服务使新技术更易于访问。
“以云作为架构，以SaaS作为交付机制，意味着准入门槛要低得多，制造商也可以在非常短的时间内启动并运行，并且在理想情况下也无需进行大量培训，因为所有基础设施都将由其他合作伙伴或提供者提供支持和使能。”Martin表示。
一些例子包括西门子公司最近推出的“Xcelerator即服务”产品组合、PTC公司在其Atlas SaaS平台上不断发展的产品组合以及AutoDesk公司的Fusion 360。
元器件制造商也致力于减少准入门槛。一个例子是森萨塔科技(Sensata)的森萨塔IQ平台(如图所示)，它可以更轻松地部署资产健康监控，以防止生产环境中的意外停机。这个基于云的平台使用AI处理来自森萨塔传感器以及合格的第三方传感器的数据来监控来自任何地方的资产，包括PC、智能手机或平板电脑。
森萨塔的解决方案针对的是目前未受监控的工厂中85%的资产。“目前我们监控的大部分内容都是工厂中非常关键的资产，其中许多解决方案都非常昂贵，不使用云，并且集成到控制系统中。”森萨塔工业传感和工业物联网产品组合产品线总监Bryan Siafakas表示，“我们的重点是工厂资产的平衡，我们不必绑定到现有的控制基础设施。对于你可能希望在工厂中监控的任何资产，都可以很容易地对其进行改进。”
建立资产基线的学习期可能需要一到两周。然后，就可以利用AI/ML(用于监控某些类型的故障)将该信息存储在森萨塔IQ中并进行趋势分析，森萨塔就会根据基准将其故障表征准确度定为95%。
一些异常检测是在边缘上通过传感器来完成的，但当需要时，还会将数据发送到云端进行更复杂的分析，这就需要额外的计算能力。这取决于故障表征需要使用哪种数据，Siafakas表示。
他表示，部署Sensata的传感器首先能够带来易用性，这种传感器无需工具即可配置或安装。例如，它的一个无线振动传感器上带有一个磁铁支架，因此可以将它放置在电机或泵上，并使用Sensata IQ移动app进行配置。
“只要回答几个简单的问题，就可以在平台中对其进行可视化。”Siafakas表示，“此外，AI机器学习还可以从客户那里获得所需的领域专业知识，并将其打包到系统中运行的模型中。”
“使用AI后，系统就能承担该领域的专业知识，以便维护经理或工厂管理人员能够以简单的方式解释这些信号，从而提醒系统中将会出现异常或特定故障。”他补充说。
关键是要避免停机，在故障实际发生并使工厂停机之前中断故障，Siafakas表示。
图：森萨塔IQ使工厂经理和维护工程师能够从任何地方(包括在PC、智能手机或平板电脑上)监控他们的所有资产。(图片来源：森萨塔科技)
这些类型的解决方案还可以帮助解决制造工厂的一些熟练劳动力短缺问题。
工业4.0正在寻求解决的主要趋势之一，是随着婴儿潮一代的退休和制造商努力取代熟练劳动力而出现的技能差距，Siafakas表示。其中一个例子是，“已经在工厂工作了30年的维护人员，他们可以从资产旁路过，然后说：‘这听起来不太对劲’。新进入职场的员工没有同样水平的经验或知识深度，现在就可以感知这些资产，利用AI来预测这些故障。”
AI非常适合于可以自动化的冗余任务。”Martin表示，“正是它在软件驱动的自动化和人类驱动的行动理解之间取得了正确的平衡，才使人们能够做自己想做的事情，同时也让他们能够获得正确的信息，以便当他们需要在某处而以高效、优化的方式做事时，他们就在他们所需要的地方。这可能不仅包括实体产品的制造，还包括整个设计或售后服务和支持。”
（原文刊登于EDN姐妹网站Electronic Products，参考链接：AI's growing role in industrial manufacturing，由Franklin Zhao编译。）
本文为《电子技术设计》2022年10月刊杂志文章，版权所有，禁止转载。免费杂志订阅申请点击这里。
最前沿的电子设计资讯
