機器學習與製造中的AI
利用數據獲得最佳維護和產品質量
介紹
這是永恆的製造目標：以最低的成本生產高質量的產品。Factory 4.0已經通過使製造商比以往更成功地實現這一目標來證明其價值，而推動這一新的超自動化浪潮的核心技術之一是工業AI和 機器學習。
數據已成為一種寶貴的資源，並且其捕獲和存儲比以往任何時候都便宜。通過使用人工智能（特別是基於過程的機器學習），製造商可以使用數據通過極大地提高生產效率，產品質量和員工安全性來顯著影響其利潤。
通過機器學習推動預測性維護
維護費用佔任何製造運營費用的很大一部分。因此，預測性維護已成為製造商的共同目標，這歸功於它的許多好處，包括大大減少了“ 六大損失”的影響。
儘管某些製造商確實執行了預測性維護，但是傳統上這是使用SCADA系統完成的，該系統設置了人工編碼的閾值，警報規則和配置。
這種半手動的方法沒有考慮到機械的更復雜的動態行為模式，也沒有考慮與整個製造過程有關的上下文數據。例如，生產機器上的傳感器可能會突然升高溫度。基於靜態規則的系統不會考慮到機器正在進行消毒的事實，並且會繼續觸發誤報警報。
相比之下，機器學習算法會收到OT數據（來自生產車間：傳感器，PLC，歷史學家，SCADA），IT數據（上下文數據：ERP，質量，MES等），以及描述工藝之間的同步性的製造過程信息。機器和生產率。
在工業AI中，稱為“訓練”的過程使ML算法能夠在搜索各種數據饋送中的模式時檢測異常並測試相關性。
機器學習的強大之處在於它能夠實時分析大量數據，並對可能出現的問題提出可行的對策。不斷評估每個資產和系統的運行狀況和行為，在發生故障之前確定組件是否損壞，並在數字欒生上可視化洞察力。
通過機器學習實現預測質量分析
防止停機不是工業AI可以幫助我們的唯一目標。輸出的質量至關重要，並且可以使用機器學習來預測產品質量的下降。事先知道所製造產品的質量註定會下降，這可以避免原材料浪費和寶貴的生產時間。
機器學習可以分為兩種主要技術-有監督和無監督機器學習。
監督機器學習
在製造用例中，有監督的機器學習是最常用的技術，因為它會導致預定義的目標：我們有輸出數據；並且我們正在尋求映射連接兩個變量的函數。
有監督的機器學習需要高度的參與–數據輸入，數據訓練，定義和選擇算法，數據可視化等等。目標是構建具有一定精確度的映射函數，當我們將新的輸入數據輸入到系統中時，該函數可使我們預測輸出。
最初，算法是從訓練數據集中獲取的，並通過迭代進行工作，從而繼續提高其性能，以達到定義的輸出。當算法達到可接受的準確性水平時，學習過程即告完成。
在製造業中，機器學習最強大的用例之一是預測性維護，它可以使用兩種監督學習方法來執行：分類和迴歸。
這兩種方法具有相同的目標：映射輸入數據（來自制造過程）和輸出數據（已知的可能結果，例如零件故障，過熱等）之間的關係。
分類
如果數據存在明確定義的類別中，則可以使用分類。我們都熟悉的分類示例是電子郵件過濾器算法，該算法決定是否將電子郵件發送到我們的垃圾郵件文件夾。分類僅限於布爾值響應，但可能非常有用，因為僅需少量數據即可實現較高的準確性。
在機器學習中，常見的分類算法包括樸素貝葉斯，邏輯迴歸，支持向量機和人工神經網絡。
由於存在多種可能導致機器或組件故障的原因，因此預測性維護會使用多類分類。這些是可能的結果，被歸類為潛在的設備問題，是使用許多變量（包括機器運行狀況，風險級別和可能的故障原因）計算得出的。
迴歸
當數據在一定範圍內（例如溫度，重量）時，使用迴歸分析，這通常是處理從傳感器收集的數據時的情況。
在製造中，可以使用迴歸來計算資產的剩餘使用壽命（RUL）的估算值。這是對下一個組件/機器/系統出現故障之前需要多少天或週期的預測。
對於迴歸，最常用的機器學習算法是線性迴歸，它相當快速，易於實現，並且輸出易於解釋。線性迴歸的一個示例是預測溫度的系統，因為溫度是一個連續值，且估計值很容易訓練。
無監督機器學習
通過監督式機器學習，我們從預期的結果開始，並相應地訓練算法。無監督學習適用於尚不清楚結果的情況。
聚類
在某些情況下，不僅結果對我們來說是未知的，而且也缺少描述數據的信息（數據標籤）。通過創建共享某些屬性的輸入數據點的群集，機器學習算法可以發現基礎模式。
當處理大量變量時，聚類還可以用來減少噪聲（數據中不相關的參數）。
人工神經網絡
在製造業中，人工神經網絡已被證明是一種非常有效的無監督學習工具，適用於包括生產過程仿真和預測質量分析在內的各種應用。
人工神經網絡的基本結構大致取決於人腦如何使用其約1000億個神經元的網絡處理信息，從而實現了極其複雜和通用的問題解決方案。
前饋人工神經網絡的基本示意圖。一層中的每個節點都連接到下一層中的每個節點。根據問題的複雜程度，可以根據需要添加隱藏層。
這種通過多層處理大量參數的能力使人工神經網絡非常適合製造過程中變量豐富且不斷變化的過程。此外，在經過適當培訓後，人工神經網絡可以在創建有關加工產品機械性能的預測時展現出很高的準確性，從而可以降低原材料成本。
資料準備
機器學習全都與數據有關，因此瞭解有關所需數據的質量和類型的一些關鍵要素對於確保準確的結果至關重要。
例如，通過預測性維護，我們專注於故障事件。因此，有意義的是從收集有關機器性能和維護記錄的歷史數據開始，以便對未來的故障進行預測。
由於生產機器的使用壽命通常為數年，因此歷史數據應回溯到足夠遠的距離，以正確反映機器的劣化過程。
另外，有關機器/系統的其他靜態信息也很有用，例如有關機器功能，機械性能，典型使用行為和環境操作條件的數據。
接下來，應回答某些問題，以幫助集中於對我們的需求最關鍵的數據：
- 該組件/機器/系統可能發生什麼類型的故障？
- 我們對嘗試預測哪些故障事件感興趣？
- 故障是突然的，集中的事件，還是在完全故障之前緩慢下降？
- 通常與哪些類型的故障相關聯？
- 應該測量哪些參數最能表明組件/機器的狀態？
- 所需的測量精度和頻率是多少？
領域專家和數據科學家都應回答上述問題，從而得出最後也是最重要的兩個問題：
我們希望機器學習模型回答什麼問題？並且，是否有可能使用可用數據回答此問題？
機器學習和AI在製造業中的突破性優勢
將AI和機器學習引入行業代表著巨大的變革，它帶來了許多好處，其帶來的好處遠遠不止於提高效率，為新的商機打開了大門。
機器學習在製造業中的一些直接好處包括……
- 通過預測維護降低成本。PdM導致更少的維護活動，這意味著更低的人工成本以及減少的庫存和材料浪費。
- 預測剩餘使用壽命（RUL）。瞭解更多有關機器和設備行為的知識會導致創造條件，以改善性能並保持機器健康。預測RUL消除了導致計劃外停機的“令人不愉快的意外”。
- 通過有效的庫存管理以及受到良好監控和同步的生產流程，改善了供應鏈管理。
- 通過切實可行的見解改進質量控制，以不斷提高產品質量。
- 改進的人機協作改善了員工的安全條件並提高了整體效率。
- 以消費者為中心的 製造業– 能夠快速響應市場需求的變化。
閱讀更多 發家致富全靠它 的文章
