工业制造领域开始拥抱人工智能(Artificial intelligence；AI)和机器学习(Machine learning；ML)技术，但仍然存在诸多进入门坎。人工智能在推动工业制造的数字化转型以及提供工业4.0 (Industry 4.0)的好处方面发挥着重要作用。
人工智能在制造业的两个关键应用包括预测性维护，以及用于检测缺陷和产品质量的机器视觉(machine vision)。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，人工智能均提供了潜在优势。
然而，有许多挑战阻碍了人工智能进入工业领域。其中一些障碍仅仅是由于工业领域的组成涉及到各种用例、公司规模和缺乏专业知识，因而增加了实施的复杂性。
人们对于人工智能和机器学习的兴趣浓厚，但ABI Research工业和制造研究总监Ryan Martin指出，工业制造市场极其分散。
“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，“中小型企业和机器厂房有着庞大的基础，尤其是在美国，它们可能雇用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，而不一定非要雇用这些员工或者对其进行充份利用。”
Martin表示，只有少数几家家喻户晓的大公司，例如John Deere、Caterpillar、通用汽车(GM)、特斯拉(Tesla)、苹果(Apple)和三星(Samsung)正在推动大量创新。
对于这些类型的大公司，通常会将人工智能用于其业务的信息技术(information technology；IT)和营运技术(operational technology；OT)两方面——前者用于数据管理，后者用于监控工业设备。
Martin指出，这两个主要领域都与数据相关，可能是数据规范化、数据清理或数据分析，因而得以从数据中取得洞察力并使这些数据可以存取利用。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。
机器视觉是人工智能在异常检测等应用中取得更广泛部署的另一个领域。Martin说：“这里正在发生变化的是人工智能与机器学习类型的应用正在寻找未预先确定的异常间之差异。”
这真的很重要，因为从历史上看，这些系统擅长查找已知问题，但最大的挑战之一在于发现并解决你不知道且在自行寻找的问题，而这正是人工智能得以广泛发挥作用之处。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货商问题而发生的，然后就可以自动采取行动。”
他并补充说：“如今，更可能是一个人或几个人参与到这些过程中来辨识问题，然后采取纠正措施。”
Martin表示，人工智能也可以用于设计时间，将人工智能嵌入于设计软件中。透过衍生设计，设计人员能输入其关键产品参数，配置人工智能的软件就能理想地产生许多设计。然后，设计人员就能根据其标准从可能列表中缩小设计范围。
典型指标之一可能是“可持续性”，即产品的选择根据本地采购的最少材料量，Martin表示，“这为设计人员节省了大量的时间和精力。”
然而，工业制造商在实施人工智能模型方面仍面临挑战。其中很大一部份挑战在于进入的知识门坎。
“我们不可能在一夜之间建好一个人工智能模型。”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，即使公司可以在24至48小时甚至一周内启动并营运的情况下(有可能发生)，你仍然需要具备高度技能的人才。”
Martin表示，人工智能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货商可能提供完成80%工作的算法，你仍然必须客制最后一英哩或最后的20%——这是很好的方法，但仍然需要最后一英哩的客制化，因而需要时间或合作伙伴。”
然而，由于新的软件交付选项，产业正在发生变化。软件即服务(SaaS)和云端服务使新技术更易于存取。
“以云端作为架构，SaaS作为交付机制，这意味着进入门坎降低了，制造商也可以在非常短的时间内启动并运行，而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供货商提供支持。”
一些例子包括西门子(Siemens)最近推出的“Xcelerator即服务”(Xcelerator as a Service)产品组合、PTC在其Atlas SaaS平台上不断发展的产品组合以及AutoDesk的Fusion 360。
组件制造商也致力于降低进入门坎。案例之一是森萨塔科技(Sensata Technologies)的Sensata IQ平台(如下图所示)，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。这个基于云端的平台使用人工智能处理来自Sensata传感器以及合格第三方传感器的数据，以监控来自任何地方的资产，包括PC、智能型手机或平板计算机。
Sensata的解决方案针对目前未受监控的工厂中约85%的资产。Sensata工业感测和工业物联网产品组合产品线总监Bryan Siafakas表示，“目前我们监控的大部份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，不必上传至云端，而且整合到控制系统中。Sensata着重于工厂资产的平衡，而不必绑定到现有的控制基础设施。针对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，就可以利用人工智能/机器学习(用于监控某些类型的故障)将该信息储存在Sensata IQ中并进行趋势分析，Sensata就会根据基准将其故障表征准确度定为95%。
Sensata IQ让工厂经理和维护工程师能从任何地方(包括PC、智能型手机或平板计算机上)监控其所有资产。(图片来源：Sensata Technologies)
Siafakas表示，一些异常检测是在边缘上透过传感器来完成的，但当需要时，还会将数据发送到云端进行更复杂的分析，这就需要额外的运算能力。这取决于故障表征需要使用哪种数据。
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，因而能将它放置在马达或泵上，并使用Sensata IQ行动app进行配置。
“只要回答几个简单的问题，就可以在平台上对其进行可视化。”Siafakas表示，“此外，人工智能/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。”
他补充说：“人工智能让系统能具备该领域的专业知识，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讯号，从而提醒系统中将会出现异常或特定故障。”其关键在于避免停机，在实际发生故障造成工厂停机之前中断故障。
这些类型的解决方案还有助于解决制造工厂中一些有经验的劳动力短缺问题。
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，“案例之一是已在工厂工作了30年的维护人员从发生问题的资产旁经过时会说：『这感觉不太对劲』。但新进入职场的员工却没有同样程度的经验或知识深度，那么就可以感知这些资产，利用人工智能来预测这些故障。”
人工智能非常适合能进行自动化的冗余任务。Martin表示，“正是因为它在软件导向的自动化和人类导向的行动洞察力之间取得了理想均衡，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，以便当他们得在所需之处以高效、优化的方式做事时，即已到位且准备就绪了。这可能不仅包括实体产品的制造，也涵盖了整个设计或售后服务与支持。”
(原文发表于ASPENCORE旗下EDN姐妹媒体Electronic Products，参考链接：AI’s growing role in industrial manufacturing，本文同步刊登于EDN Taiwan 2022年11月号杂志)
最前沿的电子设计资讯
