机器学习与人工智能：有什么区别?

机器学习是人工智能的一个子领域，但并非所有人工智能技术都算作机器学习。还有各种其他类型的 AI 在许多行业中发挥作用，例如机器人技术、自然语言处理和计算机视觉。如果您对这些技术如何影响制造业感到好奇，请查看下面的评论。

基本上，机器学习算法利用训练数据为允许软件解决问题的算法提供动力。这些数据可能来自工厂车间的实时物联网传感器，也可能来自其他方法。机器学习有神经网络、深度学习等多种方法。神经网络模仿生物神经元来发现数据集中的模式来解决问题。深度学习利用不同层次的神经网络，其中第一层利用原始数据输入并将处理后的信息从一层传递到下一层。

盒子里的工厂

让我们先想象一个装有装配机器人、物联网传感器和其他自动化机械的盒子。一方面，您提供完成产品所需的材料;在另一端，产品从装配线上滚下。该设备所需的唯一干预是内部设备的日常维护。这是制造业的理想未来，机器学习可以帮助我们全面了解如何实现这一目标。

除了自动化装配工作所需的先进机器人技术外，机器学习还可以帮助确保：质量保证、无损检测分析和定位缺陷原因等。

你可以把这个工厂在一个盒子里的例子想成是简化一个更大的工厂的一种方式，但在某些情况下它是相当直白的。诺基亚正在利用带有先进自动化装配设备的改装运输集装箱形式的便携式制造基地。您可以在任何必要的位置使用这些便携式容器，允许制造商在现场组装产品，而无需将产品运输更远的距离。

质量保证

使用神经网络、高分辨率光学相机和强大的 GPU，结合机器学习和计算机视觉的实时视频处理可以比人类更好地完成视觉检测任务。 该技术可确保盒子中的工厂正常工作，并从系统中消除不可用的产品。

过去，机器学习在视频分析中的使用因视频质量而受到批评。这是因为图像在帧与帧之间可能是模糊的，并且检查算法可能会出现更多错误。然而，凭借高质量的相机和更强大的图形处理能力，神经网络可以更有效地实时搜索缺陷，而无需人工干预。

使用各种物联网传感器，机器学习可以帮助测试创建的产品而不会损坏它们。算法可以在实时数据中搜索与单元的缺陷版本相关的模式，从而使系统能够标记可能不需要的产品。

非破坏性测试

我们可以检测材料缺陷的另一种方法是通过无损检测。这涉及在不造成损坏的情况下测量材料的稳定性和完整性。例如，您可以使用超声波机器检测材料中的裂缝等异常情况。该机器可以测量人类可以分析的数据，以手动查找这些异常值。

但是，异常值检测算法、对象检测算法和分割算法可以通过分析数据以找出人类可能无法以更高效率看到的可识别模式来自动执行此过程。机器学习也不会像人类容易犯那样多的错误。

预测性维护

机器学习在制造业中的核心作用之一是预测性维护。普华永道报告称，预测性维护将成为制造业中增长最快的机器学习技术之一，从 2020 年到 2025 年，市场价值将增长 38%。

资料来源：MobiDev

由于计划外维护有可能深深地影响企业的利润，预测性维护可以使工厂能够在机器出现成本更高的故障之前进行适当的调整和纠正。我们希望确保我们的工厂在一个盒子里有尽可能多的正常运行时间和尽可能少的延迟，而预测性维护可以实现这一点。

广泛的物联网传感器记录有关机器运行条件和状态的重要信息，使预测性维护成为可能。这可能包括湿度、温度等。

用于预测性维护的 ML 模型

机器学习算法可以分析随时间收集的数据中的模式，并合理地预测机器何时需要维护。有几种方法可以实现这一目标：

• 回归模型：这些模型预测设备的剩余使用寿命 (RUL)。这使用历史和静态数据，制造商可以查看距离机器发生故障还有多少天。
• 分类模型：这些模型在预定义的时间跨度内预测故障。
• 异常检测模型：这些在检测到异常系统行为时标记设备。

问题定位

借助支持预测性维护的物联网传感器，机器学习可以分析数据中的模式，以查看机器的哪些部分需要维护以防止故障。如果某些模式导致缺陷趋势，则硬件或软件行为可能会被识别为这些缺陷的原因。从这里，工程师可以提出解决方案来纠正系统，以避免将来出现这些缺陷。这使我们能够降低我们工厂在盒子场景中的误差幅度。

数字孪生

数字孪生是基于物联网传感器和实时数据的生产过程的虚拟再现。它们可以创建为尚不存在的系统的原始假设表示，或者它们可以是现有系统的再创造。

数字孪生是一个用于实验的沙箱，其中机器学习可用于分析模拟中的模式以优化环境。这也有助于支持质量保证和预测性维护工作。我们还可以将机器学习与数字孪生一起使用来进行布局优化。这适用于规划工厂布局或优化现有布局。

用于能源消耗预测的 ML 模型

如果我们要优化工厂的每个部分，我们还需要注意它所需的能源。最常见的方法是使用顺序数据测量，数据科学家可以使用由自回归模型和深度神经网络驱动的机器学习算法对其进行分析。

• 自回归模型：非常适合定义功耗的趋势、周期性、不规则性和季节性。为了提高准确性，数据科学家可以将原始数据转换为有助于指定预测算法任务的特征。
• 深度神经网络：数据科学家使用这些来处理大型数据集，以快速找到数据消耗模式。这些可以被训练为从输入数据中自动提取特征，而无需像自回归模型这样的特征工程。
• 用于序列数据的神经网络：RNN(循环神经网络)、LSTM(长短期记忆)/GRU(门控循环单元)、基于注意力的神经网络，用于使用内部存储器存储先前输入的能源使用数据的信息。

生成式设计

我们已经使用机器学习来优化工厂的生产流程，但产品本身呢?宝马在 2022 年国际消费电子展上推出了带有特殊电子墨水包装的 BMW iX Flow，可以让它在黑色和白色之间改变汽车的颜色(或更准确地说是阴影)。宝马解释说：“实施了衍生式设计流程，以确保各个部分反映车辆的特征轮廓以及由此产生的光影变化。”

衍生式设计是使用机器学习来优化产品设计的地方，无论是汽车、电子设备、玩具还是其他物品。有了数据和期望的目标，机器学习可以循环所有可能的安排以找到最佳设计。

可以训练 ML 算法来优化设计的重量、形状、耐用性、成本、强度，甚至美学参数。

衍生式设计过程可以基于以下算法：

• 强化学习
• 深度学习
• 遗传算法

改进的供应链管理：认知供应链

让我们从一个盒子示例中暂时离开工厂，看看更广泛的制造需求图景。生产只是一个要素。制造中心的供应链角色也正在通过机器学习技术得到改善，例如物流路线优化和仓库库存控制。这些构成了在制造业中不断发展的认知供应链。

仓库库存控制

人工智能驱动的物流解决方案使用物体检测模型而不是条形码检测，从而取代人工扫描。计算机视觉系统可以检测到短缺和库存过剩。通过识别这些模式，管理人员可以了解可操作的情况。甚至可以让计算机自动采取行动来优化库存存储。

在 MobiDev，我们研究了一个创建能够检测物流对象的系统的用例。阅读更多关于使用小型数据集进行对象检测以实现物流中的自动化物品计数的更多信息。

需求预测

工厂应该生产多少并发货?这是一个很难回答的问题。然而，通过访问适当的数据，机器学习算法可以帮助工厂了解他们应该在不过度生产的情况下生产多少。制造业机器学习的未来取决于创新决策。