AWS、Google、Microsoft 将数据、软件方面的专业知识应用于制造

福特汽车正在增加其装配线中传感器的种类，以将大数据转化为更大的数据，同时使对所收集信息的访问民主化。 “我们通过添加红外监测和振动传感器等传感器来丰富设备生成的数据，以补充传统数据[收集]，如周期时间和压力，以创建更丰富的数据池，”Mike Mikula 说，制造总监车辆程序。 “我们现在可以围绕这些信号对产品质量、流程效率和设备健康状况的贡献构建更智能的分析。”

他说，帮助福特努力的是“大多数更大的物联网平台”。福特和其中一家物联网平台公司 - 谷歌 - 今年宣布在工业云数据管理服务和分析软件应用程序等服务方面建立合作伙伴关系。

为了将生成的信息推广到车间，福特正在构建一个物联网数据平台，让生产工人可以通过不需要或很少了解计算机语言的低代码和无代码应用程序访问分析。

Mikula 说，新设计的应用程序可以扩展到企业中处理类似流程和设备的其他用户。

与此同时，福特也选择性地偏爱人脑而不是软件来分析数据，并且越来越多地转向内部编码人员，而不是应用程序供应商。

“解决方案将取决于应用程序，”米库拉说。 “有时是软件，有时是数据分析师来处理数据源。我们希望转向更自主且由机器学习和人工智能驱动的解决方案。目标是减少对购买的 SaaS [软件即服务] 的依赖。”

最终，Mikula 说，这些努力旨在降低制造的总体成本——节省的成本可以转嫁给消费者。

Google 的两个竞争数据巨头亚马逊和微软现在也为制造商提供云托管和软件解决方案。

“有很多像谷歌、微软和亚马逊这样的工业物联网之外的参与者正在认识到他们有潜力利用他们的软件优势来取代一些传统的工业物联网现有企业，”米库拉说。

这些科技巨头组成了一个新的三巨头，类似于去年提到的福特、通用汽车和克莱斯勒的三巨头。这家科技巨头为汽车制造商和其他公司提供的工业软件有助于实现工业 4.0 的组件和目标——数字孪生、预测性维护、机器视觉质量检查、自主操作等等。

虽然这些科技巨头正在利用他们在数据和软件方面的专业知识成为工业 4.0 的一部分，但他们也拥有制造事物的领域知识。

“疯狂”的供应链

“我们可能是世界上最大的制造公司之一，”谷歌云制造和工业全球董事总经理 Dominik Wee 说。 “谷歌有一个疯狂的、非常深的供应链。我们的供应链与任何一家全球制造公司一样复杂。”

该公司在其数据中心制造计算硬件并设计自己的计算机芯片。在消费者方面，它生产手机以及为电视添加智能功能的 Chromecast 加密狗。

Wee 说，虽然谷歌自 20 多年前成立以来一直是一家制造商，但当谷歌云总裁 Thomas Kurian 于 2018 年被聘用时，它开始大力投资于为他人提供制造服务。 Kurian 之前在甲骨文工作了 22 年。

曾在半导体行业担任工业工程师的 Wee 表示，随着制造业的数字化，Google 为消费市场开发的方法正与行业相关联。

他说：“我们相信我们正处于一个时间点，这些技术——主要是分析和人工智能领域——对于典型的工业工程师来说非常难以使用，现在变得如此容易在车间使用。” “这就是我们认为我们的竞争优势所在。”

Wee 表示，谷歌在 Kurian 领导下的制造技术模仿了它以前在消费者方面所做的事情：让它变得如此易于使用，以至于你甚至不会注意到自己在这样做。

他说，使用 Google Cloud 的 Vision Inspection 进行质量检查就是一个很好的例子。

“因为机器视觉非常先进，它被大量使用[用于质量检查]，因此我们非常容易在车间环境中部署机器学习，并且使用很少的图像来做到这一点。你不必成为程序员或机器学习专家就可以做到这一点，”Wee 说。 “字面意思就是点击。”

他指出，公司可以轻松地试用 Vision Inspection，然后对其进行扩展：“要转移方法，你不需要从谷歌引进任何人或引进 XYZ 公司来为你做这件事。工厂里的人可以做到。这是一个重大突破——机器学习从幻想转变为在制造业中广泛使用。”

Wee 说，易用性是公司的竞争优势。

“我们谈论试点差距，”他说。 “许多公司都尝试过机器学习、增强现实和预测性维护，他们曾在其全球制造足迹的某一部分进行过尝试，而且工作量很大。需要非常专业的人，但他们永远无法扩大规模。”

Wee 说，除了易于使用之外，Google Cloud 还使用开源软件，这使得制造商的选择保持开放。

谷歌还声称其分析和人工智能的实力是无与伦比的：“作为一家在其 20 多年的生存中以数据处理为核心的公司，我们会声称没有人比我们更了解这一点，”他说。 “如果您在任何情况下（包括来自车间）都需要处理大量数据，我们会争辩说我们是这样做的合适公司。”

转变劳动力

微软制造业 CTO Indranil Sircar 可能会恭敬地不同意 Wee。

“Microsoft Cloud for Manufacturing 将帮助客户重新构想他们的企业，建立更灵活的工厂，创建更具弹性的供应链以及转变他们的劳动力，”他说。

Sircar 已经在微软工作了将近十年。在此之前，他在惠普工作了超过 20 年。

虽然谷歌和微软都帮助制造商从他们的机器上收集和分析数据，但 Sircar 表示，他公司服务中与劳动力相关的组件——包括使用 HoloLens 2 的人工智能和混合现实——不仅是谷歌和亚马逊的真正区别，也是传统的工业软件解决方案提供商。

例如，Mercedes Benz USA 使用 Microsoft 的 Remote Assist，它可以让电脑旁的人远程帮助佩戴 HoloLens 的人。

在微软网站上的一段视频中，Coral Gables 的梅赛德斯奔驰中心化诊断技术员 Edgar Campana 说：“我可以直接戴上 [HoloLens] 并立即获得支持。当我看着它时，他们可以从字面上向我指出事情。他们可以圈起来。他们可以画线。它是亲力亲为的：它就在那里。我可以与他们交谈，实时通过车辆。非常直观。”

虽然 Remote Assist 是双向的，可以让用户来回交谈，但混合现实指南解决方案只是一个方向，允许学员单独与全息图交互或与物理对象组合交互。

“空中客车公司就是一个很好的例子，”Sircar 说，并指出该公司一直在“在他们的生产线上使用 Guides，让工人能够很快地看到电缆顶部的覆盖层以及它需要如何安装。”

3D 环境可以提供现实训练无法提供的功能，例如从任意角度查看三维元素的能力。

空客设计师可以虚拟测试他们的设计，看看他们是否准备好进入装配线。

Microsoft 生产 HoloLens 2 和 Surface Hub，这是一种用于商业的交互式白板。它销售实体产品，包括 Xbox 视频游戏机和 Surface 触摸屏个人电脑。

尽管如此，“正如我们所说，制造已经外包了很多，但是......我们肯定会管理整个生产线，从设计到采购补充和装配线测试，”Sircar 说。

在云数据方面，该公司端到端管理基础设施的制造。

他说，微软的第一个行业应用程序是在 2002 年，使用名为 Dynamics AX 的企业资源规划软件。 Azure IoT 于 2016 年推出。

Sircar 说，同样在 2016 年，微软受邀参与了德国政府的倡议平台工业 4.0。

微软与宝马共同创立了开放制造平台 (OMP) 联盟。 OMP 提倡一种通用的开放数据模型，这是一种供业务和分析应用程序使用的共享数据语言。

使用与亚马逊相同的技术

Amazon.com 以销售而不是制造而闻名。但它生产 Kindle、Echo 设备和其他消费产品。它还制造了运行其基础设施和自己的计算机芯片的大部分硬件。

AWS（亚马逊网络服务）于 2020 年推出了一条工业线，包括用于物联网、人工智能、机器学习、分析和边缘解决方案的产品和服务。

该产品线采用“来自 AWS 和 AWS 合作伙伴网络的新服务和现有服务和解决方案，专为工业现场的 [软件] 开发人员、工程师和操作员构建，”智能工厂和工业 4.0 业务开发全球主管 Douglas Bellin 说。 “总的来说，这些带来了一种模块化的方法，可以进行数据收集、存储、分析和洞察。”

进行这些潜在改进的过程从收集和检查数据开始，AWS 已经找到了几种方法来驯服所有这些“0”和“1”。

“如果您从软件和数据级别开始，那么行业中使用的不同协议有 350 多种，”在 Cisco 工作了 10 多年后于 2017 年加入 AWS 的 Bellin 说。

AWS Lookout for Equipment 使用来自现有传感器的历史设备数据以及来自历史维护事件的信息，它构建了一个自定义机器学习模型来跟踪该机器的正常行为模式。当操作数据偏离已知正常值时，Lookout for Equipment 通过警报和仪表板将偏差标记给适当的用户。

另一种产品 AWS IoT SiteWise 通过简化从工业设施中常见的数据库中提取数据、将数据传输到本地或云端并对其进行结构化以使其易于用户和应用程序访问来建立单一数据源。应用程序框架允许计算常见的工业性能指标，例如整体设备效率。它还监控多个工业设施的运营、分析工业设备数据、防止昂贵的设备问题并减少生产差距。

除了标准化数据之外，创建智能工厂的另一个常见障碍是整合旧设备。任何配备PLC的机床都会有一些数据要放弃，但与现代机械相比，这将是微不足道的。作为回应，AWS 的合作伙伴可以添加必要的硬件来跟踪某些机器参数。它还为旋转设备创建了自己的低成本振动和温度传感器，称为 Amazon Monnitron。

Amazon Monitron 还是一项基于机器学习的设备状态监控服务，可通过分析来自工业设备（例如电机、泵和齿轮箱）的传感器信号来实现预测性维护。

它是一个完全托管的端到端系统，包括用于捕获振动和温度数据的传感器、用于将数据自动传输到 AWS 云的网关，以及用于设置、分析和通知异常机器行为的移动应用程序。

“Amazon Monitron 基于与 Amazon 相同的技术，利用 20 多年的异常检测经验来进一步提高模型准确性，”Bellin 说。

AWS 表示，借助 Amazon Monnitron，可靠性管理人员可以在几个小时内开始跟踪设备状况，无需任何开发工作或专门培训。

Bellin 补充说，制造商可以使用 Amazon Monnitron 来实现预测性维护、远程监控设备并跟踪无法访问的设备的状况。