机器学习如何驱动工业生产效率
据维基百科，机器学习是计算机系统利用算法和统计模型、在无显式指令下通过模式和推理有效执行特定任务的科学研究。它被视为人工智能子集。
机器学习非插件式设备能瞬间升级生产线。它是数据驱动过程，需来自众多传感器设备的输入，收集、评估、转换原始数据为关于生产线运行的可执行洞察。
凭此认知，制造商可提高吞吐量、降低成本、改善可靠性——将传统生产系统转变为“系统之系统”，更快更廉价推向市场、留住客户、阻竞争对手。
基于过程的机器学习
真正驾驭机器学习，需要结构化方法——我们称之为“基于过程”的学习。始于训练数据，教导算法预期监测机械行为。
算法用模式识别和推理做自主决策和预测，消除为每项任务手写代码需求。训练数据经收集、清洗、评估，以纪律序列形成学习骨干。
这一步骤序列引入新技术：数据采集设备、存储流式传输数据的网络基础设施、处理验证数据的计算资源。共同构成支撑现代智能制造的复杂系统之系统。
归因于机器学习的工业应用与变革
机器学习影响跨越多领域。以下三大高层领域收益最显著。
预测性维护
故障前预测设备失效能改变游戏规则。允许管理者战略性排期停机，避免侵蚀利润率和危及客户承诺的非计划停工。非计划停机也推高库存成本，因供应链争相补偿。
近期研究显示，制造商采用机器学习赋能的预测性维护预计将增长38%，驱动力是消除非计划停工的明确ROI。
IT/OT融合与网络安全
机器学习推动制造商打破长期IT/OT孤岛。运营传感器和工业控制必须直接与企业IT网络通信，以便数据流入仓库、反馈学习管线。
车间操作员、技工、IT员工协作变得必不可少，因任何网络中断或网络攻击可停产。统一、安全的网络基础设施因此是韧性智能工厂先决条件。
数字孪生开发
AI和机器学习在制造业终极目标是构建数字孪生——生产车间虚拟副本。通过基于模型的系统工程创建、机器学习洞察丰富，数字孪生实现“何种情景”模拟、指导更可靠零件设计、优化机器交互以达峰值性能。
有了数字孪生，制造商可探索物理上无法测试的场景，加速创新、缩短上市时间。
作者简介
Joseph Zulick是MRO Electric and Supply撰稿人和经理。
物联网技术