 圖片來源：CEChina 作者 | Kevin McClusky 人工智能和機(jī)器學(xué)習(xí)可以為制造商帶來許多好處，并在優(yōu)化、預(yù)測(cè)性維護(hù)等方面提供積極成果。 仿佛就在不久前，機(jī)器學(xué)習(xí)（ML）和人工智能（AI）對(duì)于制造業(yè)中的許多人來說還只是相當(dāng)新的概念。許多公司正在加快步伐，緩慢而系統(tǒng)地采用這些技術(shù)。幸運(yùn)的是，這一領(lǐng)域的產(chǎn)品近年來有了很大的改進(jìn)。不過，基本概念是相同的。 人工智能（AI）是一個(gè)包羅萬象的術(shù)語，它涵蓋了讓計(jì)算機(jī)或系統(tǒng)看起來更智能的任何技術(shù)。從圖像識(shí)別到飛機(jī)自動(dòng)駕駛系統(tǒng)，這一切最早可以追溯到 1914 年。機(jī)器學(xué)習(xí)（ML） 是 AI 的一個(gè)子集，專注于機(jī)器提取數(shù)據(jù)洞察力的能力。過去，機(jī)器學(xué)習(xí)的研究通常是關(guān)于 普通的 ML 算法，這些算法被用來開發(fā)關(guān)于數(shù) 據(jù)的見解。 機(jī)器學(xué)習(xí)為制造商帶來的好處 近年來，人們的關(guān)注點(diǎn)已經(jīng)從 ML 算法本身轉(zhuǎn)向 ML 應(yīng)用成果。以下是今天很多企業(yè) 正在尋求的 ML 應(yīng)用成果 ： 1. 預(yù)測(cè)性故障和警報(bào)可能是企業(yè)節(jié)省成本的最重要領(lǐng)域之一。如果一條生產(chǎn)線將要停產(chǎn)，那么盡早關(guān)閉它并進(jìn)行維護(hù)要比中途停產(chǎn)更具成本效益。根據(jù)算法預(yù)測(cè)故障并生成警報(bào)可以幫助企業(yè)節(jié)省大量資金。 2. 過程優(yōu)化是另一個(gè)受歡迎的領(lǐng)域。通常采取的形式是讓系統(tǒng)為調(diào)整系統(tǒng)的設(shè)定點(diǎn)和變量提供建議。有兩種主要的過程優(yōu)化類型 ：開環(huán)和閉環(huán)。開環(huán)優(yōu)化涉及用戶互動(dòng)，系統(tǒng)可能建議改變以優(yōu)化一個(gè)過程，工程師或其他專家審查建議并選擇是否應(yīng)用它們。閉環(huán)優(yōu) 化將任何人工干預(yù)完全排除在流程之外，調(diào)整建議會(huì)自動(dòng)應(yīng)用。 通常，企業(yè)會(huì)先以開環(huán)方式運(yùn)行優(yōu)化算法，對(duì)結(jié)果感到滿意后，便會(huì)切換到閉環(huán)。盡管閉環(huán)優(yōu)化通常需要每隔幾分鐘、幾小時(shí)或幾天才執(zhí)行一次，但是在某些情況下，運(yùn)行速度更快可能很有用。這將提供恒定的過程調(diào)整，而使用傳統(tǒng)方法（例如 PID 回路）進(jìn)行調(diào)整可能非常困難或不可能實(shí)現(xiàn)。大多數(shù)執(zhí)行高速 ML 過程調(diào)整的人最終都會(huì)在 PLC 旁邊的嵌入式 PC 或類似硬件上運(yùn)行 ML 算法以進(jìn)行調(diào)整。 3. 異常檢測(cè)可以發(fā)現(xiàn)偏離正常操作條件的情況。這可以讓人了解過程何時(shí)處于次優(yōu)狀態(tài)下運(yùn)行，或者及時(shí)預(yù)測(cè)不良生產(chǎn)運(yùn)行或設(shè)備的錯(cuò)誤。這些系統(tǒng)通常提供一組數(shù)字，表明一個(gè)過程有多接近正常運(yùn)行條件。結(jié)果可以被認(rèn)為是額外的“傳感器”，并且異常檢測(cè)算法的結(jié)果可以用于從警報(bào)異常狀態(tài)到關(guān)閉進(jìn)程的任何事情。盡管與預(yù)測(cè)性故障和警報(bào)類似，但異常檢測(cè)可提供有關(guān)當(dāng)前過程運(yùn)行情況的信息，而不是預(yù)測(cè)將來的運(yùn)行情況。 4. 缺陷分析通常是通過圖像識(shí)別算法完成的，對(duì)于零件分類和檢測(cè)異常非常有用。 開啟機(jī)器學(xué)習(xí)項(xiàng)目的 3 個(gè)步驟 雖然上面這些好處聽起來都很棒，但是到底如何開啟一個(gè)機(jī)器學(xué)習(xí)項(xiàng)目呢？以下是適用于每個(gè) ML 項(xiàng)目的一些初始步驟 ： 1. 確定一個(gè)可以從上述結(jié)果之一中受益的系統(tǒng)。 2. 明確要使用該系統(tǒng)進(jìn)行分析的內(nèi)容以及要實(shí)現(xiàn)的結(jié)果。 3. 驗(yàn)證你是否有為該系統(tǒng)收集的大量歷史數(shù)據(jù)。大多數(shù) ML 算法需要大量的數(shù)據(jù)才能從中 " 學(xué)習(xí) "。如果你的系統(tǒng)沒有這些數(shù)據(jù)，可以添加歷史記錄，并在幾周或幾個(gè)月后重新訪問。 如何建立機(jī)器學(xué)習(xí)模型？ 接下來是生成機(jī)器學(xué)習(xí)模型。模型是為獲得所需結(jié)果而執(zhí)行的程序 。建立一個(gè) ML 模型通常需要如下 3 個(gè)步驟 ： 1 準(zhǔn)備數(shù)據(jù)。 所有的 ML 模型都需要數(shù) 據(jù)來生成。大多數(shù)從歷史數(shù)據(jù)庫導(dǎo)出的數(shù)據(jù)并不完美，需要進(jìn)行清理。這通常意味著識(shí)別來自壞的傳感器的數(shù)據(jù)并將其排除，并確保數(shù)據(jù)看起來合理。熟悉系統(tǒng)的過程工程師可以查看數(shù)據(jù)并幫助確定它是否是一個(gè)干凈的數(shù)據(jù) 集。 2 訓(xùn)練該模型。 這是通過向其提供清潔的數(shù)據(jù)并選擇一些訓(xùn)練選項(xiàng)來完成的。 3 對(duì)模型進(jìn)行評(píng)分，以查看其效果如何。 通過訓(xùn)練總是會(huì)產(chǎn)生一個(gè)模型，但這個(gè)模型可能在預(yù)測(cè)方面非常糟糕。查看分?jǐn)?shù)以檢測(cè)模型的性能，并確保模型得分良好。  3 種類型的 AI / ML 軟件 盡管用戶可能知道如何準(zhǔn)備數(shù)據(jù)，但他們可能不知道如何訓(xùn)練模型或?qū)ζ溥M(jìn)行評(píng)分。如果是這樣的情況，是時(shí)候選擇適合的 AI / ML 軟件了。 1 AI 軟件供應(yīng)商 在這一領(lǐng)域有許多 AI 軟件公司涌現(xiàn)出來，其中一些供應(yīng)商可以為某些類型的設(shè)備構(gòu)建模型或提供預(yù)構(gòu)建的模型。 1 低代碼或無代碼 ML 平臺(tái) 越來越多的平臺(tái)可以幫助人們創(chuàng)建自己的ML 模型。例如 Google Cloud AutoML， AWS ML 和 Microsoft Azure 機(jī)器學(xué)習(xí)工作室等。通常會(huì)建議您有一定的機(jī)器學(xué)習(xí)算法的基本知識(shí)，但是入門并不是那么棘手。對(duì)聚類、回歸和分類算法的基本了解對(duì)于初學(xué)者來說是一個(gè)很好的起點(diǎn)。 1 編碼 ML 平臺(tái) 這些平臺(tái)是最常見的。如果您已經(jīng)有數(shù)據(jù)科學(xué)家或信息技術(shù)（IT）部門正在執(zhí)行 ML 項(xiàng)目，則可以依靠他們?yōu)槟赋稣_的方向。Google、AWS 和 Azure 都提供相關(guān)產(chǎn)品。此外，TensorFlow 和 Scikit-learn 等許多免費(fèi)選項(xiàng)都可以在本地運(yùn)行。 考慮從低代碼的 ML 平臺(tái)開始，然后再過渡到完整的編碼平臺(tái)，這種想法并沒有什么錯(cuò)。編碼平臺(tái)使用起來更復(fù)雜，通常由數(shù) 據(jù)科學(xué)家使用，但增加的靈活性往往導(dǎo)致更高的得分模型。模型越好，結(jié)果越好，就越有可能實(shí)現(xiàn)既定目標(biāo)。 在最初的探索之后，許多企業(yè)聘請(qǐng)了數(shù)據(jù)科學(xué)家來幫助進(jìn)行機(jī)器學(xué)習(xí)工作，但這并不是必須的。想要嘗試這項(xiàng)新技術(shù)并追求其帶來成果的任何人都可以使用和訪問這些技術(shù)。 毫無疑問，AI 和 ML 在未來將繼續(xù)成為控制和自動(dòng)化領(lǐng)域的一個(gè)重要組成部分。尋求運(yùn)營(yíng)成本或效率優(yōu)勢(shì)的公司可能會(huì)發(fā)現(xiàn)，對(duì)可能的選擇進(jìn)行一點(diǎn)研究是非常值得他們花時(shí)間的。 關(guān)鍵概念： ■ 因?yàn)?AI 和 ML 帶來的好處，它們正被越來越多的被制造商所使用。 ■ ML 軟件可以幫助發(fā)現(xiàn)效率低下的地方并改善制造操作。 ■ AI / ML 軟件的類型 很多，盡管使用它的人需要對(duì)數(shù)據(jù)有深刻的了解，但并不是全部都需要數(shù)據(jù)科學(xué)家。 思考一下： AI / ML 軟件將使您 工廠中的哪些應(yīng)用受益？ |
|
|
