机器之魂:论 AI 在未来工厂中的应用

www.xf187.com

2018-06-22 13:39:15

2018-5-9 14:46| 发布者: | 查看: 144| 评论: 0

摘要: 中国是 AI 战略最积极的国家之一。

        未来的工厂会是什么样子的呢?在AI作为关键驱动力的作用下,工厂会变得更敏捷更定制化。这方面以及有一些国家(比如美国、中国)和公司开始捷足先登。但是绝大部分国家和公司对此仍然认知不足,或者能力不足。AI未来将如何变革工厂?在未来的工厂会有哪些用例?理想与现实的差距在哪里?工厂实施AI应该采取什么样的策略?波士顿咨询集团对此进行了分析

机器之魂:论 AI 在未来工厂中的应用

AI将变革企业

AI让计算机和机器有能力用聪明的方式去执行任务。AI帮助制造商决定最好的动作序列来实现目标,也能让他们远程实时对运营进行管理。

运营AI的基础

AI在运营中的许多使用都用到了机器学习――这是数据挖掘与数据科学的算法家族。这些算法不是按照静态、预设的规则或者指令,而是通过分析数据来学习,然后利用所得洞察生成预测或者训练预测模型。

AI技术在运营当中有若干应用:

  • 机器视觉。通过可见光、x射线或者激光信号感应生产环境――比方说,用摄像头对零件和产品进行分类。

  • 语音识别。处理语音等听觉信号――比方说,用类似Alexa或者Siri的虚拟助手处理操作员有关质量问题的评论。

  • 自然语言处理。分析文本,解释最可能的意思――比方说,从不同的绩效报告生成摘要。

  • 信息处理。从非结构化文本中析取知识并获取查询答案――比方说,通过搜索产品相关的文字报告。

  • 从数据学习。根据生产相关的经验数据对值进行预测或者分类――比方说,利用机器和流程产生的历史数据来预测事件。

  • 规划与探索。选择一系列的行动让特定目标最大化――比方说,让自动导引车(AVG)识别最佳的下一步。

  • 语音生成。通过文本或语音跟人沟通――比方说,大声朗读指令。

  • 处理与控制。操纵物体――比方说,让不需要特殊培训的机器人从储存箱中捡起未分类的零件。

  • 导航与运动。在物理环境下机动――比方说,让AGV在工厂内自主移动并优化路线。

很多行业领袖期望AI能从端到端(包括工程、采购、供应链管理、工业作业(生产及相关功能)、营销、销售以及客户服务)变革流程以及价值链。在最近的一次研究中,产业公司高管认为运营可能是受到AI影响最大的环节。

AI的用例

AI体现了工厂的范式转移。今天的工厂自动化流程和工具采用的是规则导向的做法,今天的机器人编程处理的是固定的场景。相反,未来的工厂会利用AI来支持自动化流程和机械制造以响应不熟悉或者意外情况,从而做出明智决定。因此,技术系统会变得更加灵活适应性更强。比方说,在基于规则的做法下,机器人无法从一批未整理的零件中识别和选择所需的零部件,因为它缺乏必要的详细编程去处理零件无数可能的方向。相比之下,有AI支持的机器人可以从一堆乱糟糟的零件中挑出想要的零件,不管其方向如何。

各种AI用例包括改善工厂内外不同运营领域的生产力。在调查受访者当中,有37%认为AI对工厂运营中生产的生产力改进发挥了最重要的杠杆作用。而12%的人选择了物流是AI作用最大的地方。跟这些发现一致的是,公司把自优化机器、质量缺陷检测以及效能损失预测视为最重要的AI用例。尽管不同的公司对不同用例的价值看法胡有所不同,但制造商唯有应用AI并集成内部不同职能以及供应商与客户的数据池才能重返发挥其作用。

工厂之外。在工厂外围,工程和供应链管理是AI应用最重要的运营领域:

  • 工程:制造商可以利用AI促进研发努力,从而优化设计,改进对客户需求和期望的响应并且简化生产。AI支持生成式产品设计,根据既定目标和约束利用算法探索各种可能的设计解决方案。通过迭代式测试和学习,AI算法优化设计,推荐在人类看来非传统的解决方案。一些航天公司正在利用生成式设计以全新的设计开发飞行器部件,比如提供跟传统设计功能相同但是却轻便许多的仿生学结构。

  • 供应链管理。需求预测是供应链管理领域应用AI的关键主题。通过更好地预测需求变化,公司可以有效地调整生产计划改进工厂利用率。AI通过分析和学习产品发布、媒体信息以及天气情况等相关数据来支持客户需求预测。一些公司还利用机器学习算法识别需求模式,其手段是将仓库、企业资源计划(ERP)系统与客户洞察的数据合并起来。

工厂内部。在工厂内部,AI会把各种好处带给生产以及诸如维护、质量与物流等支持职能:

  • 生产。我们的研究涵括了所有的生产环境,包括连续加工(比如生产化学和建筑材料的)以及离散型生产(比如装配任务)。在所有的环境中,制造商都会利用AI来降低成本提高速度,从而提升生产力。他们还会用它来改善灵活性应对生产的复杂性――比方说客户定制产品的生产。AI还可以让机器和部件成为自优化的系统,通过对当前和历史数据进行连续分析和学习实时调整自身参数一些钢铁厂已经在利用AI让熔炉自动优化设置了。AI分析铸沟的材料构成,识别稳定工艺条件的最低温度,从而降低整体的能耗。在另一个重要的生产用例中,得到智能图像识别能力增强的机器人可以从未定义的位置(比如箱子里或传送带上)里捡起未分类的零件。这已经在汽车业有了实际应用。

  • 维护。制造商会利用AI减少设备故障提高资产利用。AI支持预测性维护――比方说,通过根据实际情况替换磨损部件来避免故障。AI会持续分析和学习机器和部件产生的数据(比方说传感器数据和产品结构)。这一技术对加工业尤其有好处,因为故障会导致销售损失。比方说,一些炼油厂已经实现了在设备失效前估计剩余时间的机器学习模型。这种模型会考虑超过1000个与材料投入、材料输出、工艺参数以及气候条件有关的变量。

  • 质量。制造商可以利用AI帮助尽早检测出质量问题。视觉系统利用图像识别技术识别缺陷以及产品功能的偏差。因为这些系统可以持续学习,其性能会随着时间转移而改善。汽车供应商已经开始利用带机器学习算法的视觉系统识别有质量问题的部件,包括检测没有出现在用于训练算法的数据集内的缺陷。AI还可以持续分析和学习由机器和生产环境产生的数据。比方说,AI可以将材料属性和行为与钻床设置信息比较,预测钻孔超出耐受度的风险。

  • 物流。我们的研究关注于产内物流和仓储,而不是外部供应链的物流。AI会促进场内材料供应的自动转移和效率,这对于管理制造多种产品衍生和定制产品所带来的日益增长的复杂性是必不可少的。在工厂和仓库内运输物品的无人车会利用AI感应障碍调整车辆路线从而实现最佳路线。医疗包建设部制造商已经开始在自己的维修中心利用无人车。在不需要磁条或者传送带引导的情况下,这些车辆可以在遇到障碍时停下来然后自动确定最佳路线。机器学习算法会利用物流数据――比如材料进出的数据、库存量、零件的周转率等――来促进仓库自主优化运营。比方说,有一个算法会建议将低需求的零件转移到更远的地方,并且将高需求的零件放到可以更快获取的附近区域。

一些AI用例还可以应用到多个运营领域。比方说,能够生成语言并进行处理的虚拟助理(类似苹果的Siri和Amazon的Alexa)可向操作员提供源自IT系统的相关背景信息。一些公司已经在利用语音分拣系统处理分拣、打包、接收以及补给事务。在这些应用中,语音系统会连接到ERP系统的物料清单引导操作员去到正确的箱子那里。

AI系统会根据事件报告(比如图片和书面报告)建议相应事件(比如机器故障、质量离差、性能损失)的解决方案,而且还会持续分析和学习这些报告。飞机制造商已经实现了利用事件报告识别生产问题模式的自学习算法,然后将当前事件与过去类似事件进行匹配,并且提出解决方案建议。

在研究参与者中国,期望上述用例到2030年会变得非常重要的人占比在81%到88%之间,但是认为这种能力已经在生产的多个领域完全实现的占比就相当低(6%到8%)。

相关新闻