3BHE022291R0101 PCD230A 3BHE032025R0101 PCD235A101
智能工厂中的人工智能
维护、需求预测和质量控制是可以通过使用人工智能来优化的过程。为了实现这些用例，从智能互联设备和/或系统(如SCADA、MES、ERP、QMS和CMMS)获取数据。这些数据被带入云端或边缘的机器学习算法，以提供可操作的见解。根据物联网分析(参考文献14)，最热门的人工智能应用是:
预测性维护(22.2%)
质量检查和保证(19.7%)
制造流程优化(13%)
供应链优化(11.5%)
人工智能驱动的网络安全和隐私(6.6%)
自动化物理安全(6.5%)
资源优化(4.8%)
自主资源勘探(3.8%)
自动化数据管理(2.9%)
人工智能驱动的研发(2.1%)
智能助手(1.6%)
其他(5.2%)。
基于视觉的人工智能系统和机器人技术帮助开发了机器自动检测解决方案。这些自动化系统不仅被证明拯救了人类生命，而且大大减少了检查时间。已经有一些人工智能超过人类的重要例子，可以肯定地说，一些人工智能应用使人类能够做出明智而快速的决定(参考文献15)。
鉴于制造业中无数额外的人工智能应用，我们无法涵盖所有这些应用。但是需要深入研究的一个很好的例子是预测性维护，因为它对工业有很大的影响。
一般来说，维护遵循以下四种方法之一:反应式，或修复故障；计划的或预定的维护活动；主动或消除缺陷以提高性能；预测，使用先进的分析和传感数据来预测机器的可靠性。
预测性维护有助于标记异常，预测剩余使用寿命，并提供缓解措施或维护(参考文献17)。与前三种维护方法的简单纠正或基于条件的性质相比，预测性维护是预防性的，并考虑到更复杂的动态模式。随着环境的变化，它还可以随时调整自己的预测。一旦建立了准确的故障模型，公司就可以建立数学模型来降低成本，并根据生产时间表、团队带宽、替换件可用性和其他因素选择最佳维护计划。
