从预测性维护到数字孪生，人工智能正在迎来下一次制造革命——如果不是技能、数据、标准短缺的话。
如今，人工智能和机器学习正在改变制造业。根据世界经济论坛去年年底发布的报告，人工智能、机器人、物联网(IoT)的结合将共同引领第四次工业革命。
大多数制造业厂商(80%)表示将会看到人工智能计划的积极影响，预计收入增长22.6%，成本降低17.6%。
事实上，制造行业厂商已经在使用人工智能和机器学习技术来减少设备停机时间，发现生产缺陷，改善供应链、并缩短设计时间。然而，由于技术人员、数据和标准的短缺使许多企业无法继续更好地发展。
通用电气将引领行业发展
处于这新一轮产业转型浪潮前沿的企业之一是通用电气(General Electric)，由于该行业的生产力日益下降，该公司一直致力于探索人工智能的使用。
“截至2010年，生产率增长率在4%至5%之间，”该公司软件研究副总裁Colin Parris说。制造行业发生了变化。经验丰富的工程师正在退休，而通用电气所进入的新市场，其中包括印度和中国，有着更年轻的劳动力。
同时，Parris说，客户需求正迅速变得更加复杂。由于极端的天气条件和空气污染，通用公司生产的喷气式发动机受到影响，新航线开往目的地。社交媒体放大了停电的影响，迫使客户要求更高的可靠性和更少的停机时间。
与此同时，客户预计价格将继续下跌。
Parris说，“人们表示无法预测未来，但当然可以进行预测，因为人们想要更便宜的东西。”
为了解决这个问题。通用电气公司转向人工智能和机器学习，从提供给客户的服务开始，如喷气发动机和涡轮机维修和维护。然后，通用电气将人工智能应用于内部制造，然后是设计，接着是内部流程，例如数据中心运营和人力资源。
Parris说：“至少在过去的10到15年里，我们一直在使用服务中的模型和分析形式。”五年前，通用电气开始使用机器学习和数字孪生，它们提供一块机器的虚拟表示，如风力涡轮机和风电场。数字孪生也可以用来表示装配线、整个工厂或采购过程。
而在通用电气的应用中，数字孪生用于模拟性能，预测故障，并允许快速测试潜在的改进。
Parris说：“我们可以预测哪些事情会失败，所以我们有合适的工程师，库存中有合适的零件。我们可以获得更好的燃油效率，延长飞机的飞行时间，而不必为不必要的服务带来零件。我们已经为顾客节省了数百万美元的成本。”
每件设备、系统或工艺都有一个数字孪生的另一个好处是，通用电气可以利用增材制造，采用3D打印技术来创建定制零件，而不必依赖在传统的装配线上批量生产的替换零件。
“随着时机的推移，机器的性能会有所不同。”他说，“现在我可以说，‘我是否可以专门设计零件，因为在这种方式下使用的机器我们看到了一些设施的损耗，增材制造允许我们一次构建一个部件，以解决这台机器在这种环境中遇到的独特问题，而不是花费大量费用建造这些大型工厂，并生产出数以百计的部件。’现在可以一次打印一个部件，并且可以不断调整机器的功能。现在我们就有这样一台机器，它可以不断地使自己变得越来越有生产力，我们称之为不朽的机器。”
“我认为通用电气的未来将变得非常有趣。”他补充道。
预测性维护的承诺
其他生产制造厂也在考虑使用人工智能和机器学习来降低成本和提高性能。
总部位于佛罗里达州的Jabil公司是一家财富500强公司，为全球主要品牌进行合约制造，Jabil公司在几个月前开始使用人工智能来发现制造缺陷和预测性维护。
例如，在中国的一家工厂中，自动光学检测机器有几台摄像头正在寻找该公司正在制造的电路板缺陷。
基本的图像识别技术已经到位以寻找缺陷，但系统标记的35%到40%的电路板发送给操作人员进行检查，实际上根本没有问题。
“每个图像的操作员有两秒钟，其中一些可能非常大，有数百个组件，”该公司高级经理Ryan Litvak说，“挑战在于捕捉操作员的直觉，并且具有高准确度，这实际上是一个缺陷。”
通过减少标记的电路板数量而不会牺牲准确性，Jabil公司将能够让其运营商在问题的电路板上花费更多时间，或者重新分配给其他更有价值的任务。
“我们已经能够显示出非常好的结果，”他说，“捕获93%至98%的真实缺陷，这是非常高的比率，并且能够消除大约70%检测的组件，也就是那些没有缺陷的组件。”
他说，概念验证涉及两条生产线，这些生产线具有非常类似的设备和工艺。现在，Jabil公司正在努力将其推广到不同的路线，处理更加大量的数据，并将新的决策过程直接纳入工作流程。
该公司关注的另一个领域是预测性维护，其中挑战是获取所需的数据。
“有许多不同的系统和很多不同的设备在使用。”Litvak说，“其中一些设备有自己的系统进行维护，有些则没有。一些供应商跟踪电子表格的维护，有些提供本地系统。”
他说，Jabil公司的数据科学家正在努力规范这些数据，并与微软公司专家合作，建立预测设备故障所需的深度学习模型。
根据麦肯锡公司的研究，人工智能增强的工业设备预测性维护将使年度维护成本降低10%，停机时间减少20%，检查成本降低25%。
麦肯锡慕尼黑办事处的合伙人MatthiasKässer表示，最近几个月对人工智能的特定用例的试点项目引起了用户的极大兴趣。
最大的影响是在质量检查和预测性维护中使用计算机视觉和传感器数据。
“我们目前在几家公司实施这种基于视觉的人工智能应用程序，释放出巨大的潜力。”他说。 “然而，为了充分利用潜力，企业需要快速将这些试点的学习转化为跨职能和流程的整体人工智能转换。这是真正的工作开始的地方。”
精确性问题
另一家刚刚开始使用图像识别来发现制造问题的制造公司是Lennox国际公司，这是一家位于达拉斯的HVAC系统制造商。
该公司IT、高级和新兴技术总监Sunil Bondalapati表示，“精确度水平远高于人类，现在，我们的精确率提高了大约20%。我们认为它更像是一个准确的价值主张。”
Lennox公司还向企业客户租赁设备，与通用电气一样，改善维护是一个核心需求。
如今，HVAC设备将有关其性能的信息传输到云端，每小时有800万条新记录。
增加智能使公司能够实时预测设备故障，这在以前是不可能的。
“这就是人工智能的用武之地。”Bondalapati说，“它可以保留两年前特定设备的背景和记忆，当湿度水平达到这个水平时，它在摄氏105度温度下的表现如何，当时它是如何工作的，现在又是如何工作的。”
Lennox在四个月前开始这个项目，其结果很有希望，它决定在接下来的四个月内开始全面推出该技术。
他说，计算维护方面的投资回报将是棘手的。 “当设备没有发生故障时，将如何计算投资回报率?我们将不得不在明年收集一些数据。”
但Lennox公司已经将其存储和计算成本降低了一半，因为它能够使用DataBricks的技术来整合数据。
“我们从20个核心处理器减少到4个核心处理器。”他说。
人工智能在公司的另一个用途是财务方面。
例如，计算企业应该为保修负债留出多少资金。
Bondalapati说：“以前，我们只是批准了一定数额的金额，例如2000万美元或3000万美元，没有科学的方法可以知道需要多少费用来为客户退货。如今，使用人工智能，我们能够预测每个组件的故障率，并告诉保修部门预留多少，我们每天都可以调整，因为可以获得更多数据。”
他说，预计所需的设置减少10%。
人工智能的力量扩散
Lennox公司也在使用人工智能来处理会计问题。
“我们做了数以百万计的总分类账，每天都要完成所有的帖子，这是不可能的。””他说。
他说其团队一直在寻找利用人工智能来帮助企业的机会。
他说，“我们就像一个内部咨询机构，我们一直在销售这种产品。我们每周与业务部门和其他利益相关方进行沟通，并提出其他用例供他们试用。”
他说Lennox在人工智能方面已经取得成功还有点早。“对于像我们这样的行业来说，人工智能是一条艰难的道路，而且需要向持怀疑态度的观众进行大量销售。”
人工智能如今的主要局限：技能和数据
机器学习和高级分析在预测性维护和制造过程的其他方面发挥着重要作用。
根据普华永道公司最近的一项研究，78%的制造公司已部署或计划部署预测性维护技术，其次是制造执行系统的73%，数字孪生的60%，机器人过程自动化的59%。
只有29%的公司正在使用或计划使用人工智能，而普华永道公司将其定义为超越机器学习和高级分析，以制定独立的认知决策。
如今，大多数关注于嵌入人工智能和机器学习技术以降低成本，普华永道负责IT战略的负责人Kumar Krishnamurthy表示，“我的预测是，其中一些技术将帮助企业扩大规模，并提高生产力水平。”
他说，客户的需求和行业颠覆者的压力将迫使制造业企业发生变化。
然而他说，这项技术并不像人们所认为的那样成熟。此外，缺乏人工智能技能和缺乏可用数据也阻碍了这一过程。
根据普华永道的调查，52%的实施人工智能的制造企业表示，缺乏技术人才是一项重大挑战，42%的企业指出数据的可靠性是一项重大挑战。
将人工智能融入到设计过程中
Palo Alto研究中心是试图克服制造过程中困难且耗时的设计阶段中的技能和数据问题的一个团体，这是施乐公司背后的创新后盾，如激光打印、面向对象编程、图形用户接口、光存储和许多其他基础技术。
Palo Alto研究中心实验室经理兼研发副总裁Ersin Uzun说，人工智能可以考虑功能要求，成本，监管和制造约束，并提出人类无法想到的设计。
他说：“如果我让你设计一些能让我存放液体的东西，你可能会从一个杯子开始。”
一旦设计完成，Palo Alto研究中心还致力于创造技术，使用减材和增材制造方法，并考虑不同设计和制造选择引入的缺陷，找出如何构建它的技术。
他说，“如今，你设计了一些东西，发送给制造专家，他们将知道如何制造它，然后工程和分析人员看看制造的部件是否满足我们的操作要求。这需要几个月的时间。”
Uzun说，制造行业是一个罕见的领域，其物理能力远远领先于软件可以处理的领域。
“我们拥有非常令人兴奋的新材料，新的增材制造技术，混合制造机器，”他说，“但是当你看到人们正在使用的软件时，可以用拥有的材料和工具来实现这一目标。我们现在拥有的这些机器可以同时进行增材和减材制造，但可以真正为这种制造能力而设计。所有这一切都是人工完成的，基本上超出了任何人类的认知能力，满足了我们当今的大多数复杂制造需求。”
Palo Alto研究中心区域经理Sai Nelaturi表示，为了使设计工具能够跟上材料科学和制造技术的变化步伐，人工智能需要建立在工具本身中。
Palo Alto研究中心还致力于创建标准和协议，使制造工厂中的所有不同系统能够相互通信，并创建人工智能驱动算法，以优化能源使用、吞吐量、效率和安全性。
Uzun说，Palo Alto研究中心并不会开发制造技术。“我们是创新合作伙伴和技术提供商，我们创造这些技术，让他们进入原型阶段，并找到合适的合作伙伴将其推向市场。”
如今，Palo Alto研究中心正在与各种规模的制造公司合作，测试这些技术并将其推向市场。
Uzun说，人工智能技术可以帮助中小型制造商提高竞争力。“当这种情况发生时，在这个生态系统周围会创造出各种类型的工作。”他说。
