机器学习如何改变工业生产

根据维基百科的说法，机器学习“是对计算机系统用来执行特定任务的算法和统计模型的科学研究在不使用显式指令的情况下有效地执行特定任务，而是依靠模式和推理。它被视为人工智能的一个子集。”

机器学习不是一种可以插入生产线并使生产线运行得比以前更好的设备。这是一个需要来自许多设备的输入来向其提供数据的过程，以便收集、评估数据并用于开发有关生产线如何工作的知识。

然后可以使用这些知识来确定生产线如何能够具有更高的吞吐量、以更低的成本运行并更可靠地运行。通过这种方式，机器学习将工业运营转变为一个系统系统，能够以更低的成本更快地将产品推向市场，从而使公司能够保持竞争力并让客户满意。

基于过程的机器学习

让我们为机器学习的想法添加一个修饰符，并将其称为“基于过程的”。这使我们能够找到问题的核心，以确定由于希望使用计算机算法来实现智能制造时代而必须创建或修改的工业技术。

机器学习使用训练数据来教授其计算机算法，了解它所监控的生产机器的期望值，以获取该数据。

它必须依靠模式识别和推理来开发算法做出决策和预测的能力，而无需编写显式编程来执行该任务的代码。训练数据按照结构化的步骤序列进行收集、处理和评估，以准备用于机器学习算法的数据。

这种结构化的步骤序列是一个过程，该过程的创建以设备的形式引入了新技术，以创建数据、存储和处理数据的网络以及处理和清理数据以确保准确性和相关性的计算机。

那就是上图所代表的系统。更重要的是，该图是一个系统系统 (SoSe)，因为其操作越来越复杂。我们很快就会看到这项技术对机器学习意味着什么。

归因于机器学习的工业应用和转型

可归因于机器学习的新技术列表非常详尽，无法在本文中完整涵盖。因此，我将讨论更容易识别的更高级别的问题。

预测性维护

提前预测生产线中断的可能性对制造商来说是无价的。它允许经理在最有利的时间安排停机时间并消除计划外停机时间。计划外停机严重影响了利润率，并可能导致您的客户群流失。它还扰乱了供应链，导致库存过剩。

需要引入额外的人力也会花费很多钱。最近的一项研究预测，采用机器学习来实现预测性维护的制造商预计将增加 38%，因为它能够通过消除计划外停工来提高利润率。

IT/OT融合与网络安全

机器学习的发展还将推动制造商标准操作程序中的许多商业模式修改。在公司的组织结构中尤其如此。计算机网络是信息技术 (IT) 部门的圣地，必须与生产机械上的操作传感器位于同一位置，以便收集数据并将其发送到数据仓库作为机器学习目的的训练数据。

可能需要拆除分隔两个群体内部的沉默之墙，以允许协作与合作。毕竟，如果网络不可靠或被黑客入侵，车间操作员和技术人员将受到重大影响，这可能导致生产停止。操作技术（OT）传感器和设备将受到与 IT 网络和计算机一样多的影响。

数字孪生开发

人工智能和机器学习的最终目标是开发生产车间的数字孪生。数字孪生的创建应该在基于模型的系统工程过程中使用机器学习算法和所获得的知识作为基础进行。

数字孪生可以作为一个平台，用于运行假设场景以了解我们今天不知道的内容。它还可以用作设计更高可靠性零件和调整生产线机器之间的相互作用以提高性能的模型。可能性是无限的。

关于作者

Joseph Zulick 是 MRO Electric and Supply 的作家和经理 .