工業製造擁抱人工智慧和機器學習

作者 : Gina Roos,Electronic Products主編

為了推動數位轉型,工業製造領域開始擁抱人工智慧(AI)和機器學習(ML)技術,但在實際導入時仍然存在諸多進入門檻…

工業製造領域開始擁抱人工智慧(Artificial intelligence;AI)和機器學習(Machine learning;ML)技術,但仍然存在諸多進入門檻。人工智慧在推動工業製造的數位化轉型以及提供工業4.0 (Industry 4.0)的好處方面發揮著重要作用。

人工智慧在製造業的兩個關鍵應用包括預測性維護,以及用於檢測缺陷和產品品質的機器視覺(machine vision)。從產品開發的衍生式設計到售後和保修支援的整個產品生命週期,人工智慧均提供了潛在優勢。


綠色工程:革新的契機


然而,有許多挑戰阻礙了人工智慧進入工業領域。其中一些障礙僅僅是由於工業領域的組成涉及到各種用例、公司規模和缺乏專業知識,因而增加了實施的複雜性。

人們對於人工智慧和機器學習的興趣濃厚,但ABI Research工業和製造研究總監Ryan Martin指出,工業製造市場極其分散。

「鑒於製造商的多樣性及其各自面臨的問題,很難廣泛談論這些技術。」Martin表示,「中小型企業和機器廠房有著龐大的基礎,尤其是在美國,它們可能雇用1到10名或1到50名關鍵員工。在使用這些技術後,它們就可以從中受益,而不一定非要雇用這些員工或者對其進行充份利用。」

Martin表示,只有少數幾家家喻戶曉的大公司,例如John Deere、Caterpillar、通用汽車(GM)、特斯拉(Tesla)、蘋果(Apple)和三星(Samsung)正在推動大量創新。

Shutterstock image showing Industry 4.0 technologies in an industrial manufacturing environment.

對於這些類型的大公司,通常會將人工智慧用於其業務的資訊技術(information technology;IT)和營運技術(operational technology;OT)兩方面——前者用於資料管理,後者用於監控工業設備。

Martin指出,這兩個主要領域都與資料相關,可能是資料規範化、資料清理或資料分析,因而得以從資料中取得洞察力並使這些資料可以存取利用。另一個領域是品質,可以是產品品質或機器品質,包括預測性維護類型的應用。

機器視覺是人工智慧在異常檢測等應用中取得更廣泛部署的另一個領域。Martin說:「這裡正在發生變化的是人工智慧與機器學習類型的應用正在尋找未預先確定的異常間之差異。」

這真的很重要,因為從歷史上看,這些系統擅長查找已知問題,但最大的挑戰之一在於發現並解決你不知道且在自行尋找的問題,而這正是人工智慧得以廣泛發揮作用之處。他補充說:「理想情況下,可以將該異常與原因聯繫起來,然後從中啟動行動。也許可以確定缺陷是由於生產它的機器出現問題而發生的,或者可能缺陷是由於供應商問題而發生的,然後就可以自動採取行動。」

他並補充說:「如今,更可能是一個人或幾個人參與到這些過程中來辨識問題,然後採取糾正措施。」

Martin表示,人工智慧也可以用於設計階段,將人工智慧嵌入於設計軟體中。透過衍生設計,設計人員能輸入其關鍵產品參數,配置人工智慧的軟體就能理想地產生許多設計。然後,設計人員就能根據其標準從可能列表中縮小設計範圍。

典型指標之一可能是「可持續性」,即產品的選擇根據本地採購的最少材料量,Martin表示,「這為設計人員節省了大量的時間和精力。」

挑戰

然而,工業製造商在實施人工智慧模型方面仍面臨挑戰。其中很大一部份挑戰在於進入的知識門檻。

「我們不可能在一夜之間建好一個人工智慧模型。」Martin指出,「你需要瞭解自己所有的投入,更重要的是,瞭解自己想要達到的目標是什麼。這通常需要進行大量的設置,即使公司可以在24至48小時甚至一週內啟動並營運的情況下(有可能發生),你仍然需要具備高度技能的人才。」

Martin表示,人工智慧解決方案不太可能在一夜之間建立起來,因為需要收集和分析資料,並且必須開發演算法。「即使目前常見的情況是供應商可能提供完成80%工作的演算法,你仍然必須客製最後一英哩或最後的20%——這是很好的方法,但仍然需要最後一英哩的客製化,因而需要時間或合作夥伴。」

然而,由於新的軟體交付選項,產業正在發生變化。軟體即服務(SaaS)和雲端服務使新技術更易於存取。

「以雲端作為架構,SaaS作為交付機制,這意味著進入門檻降低了,製造商也可以在非常短的時間內啟動並運行,而且在理想情況下也無需進行大量培訓,因為所有基礎設施都將由其他合作夥伴或供應商提供支援。」

一些例子包括西門子(Siemens)最近推出的「Xcelerator即服務」(Xcelerator as a Service)產品組合、PTC在其Atlas SaaS平台上不斷發展的產品組合以及AutoDesk的Fusion 360。

元件製造商也致力於降低進入門檻。案例之一是森薩塔科技(Sensata Technologies)的Sensata IQ平台(如所示),它可以更輕鬆地部署資產健康監控,以防止生產環境中的意外停機。這個基於雲端的平台使用人工智慧處理來自Sensata感測器以及合格協力廠商感測器的資料,以監控來自任何地方的資產,包括PC、智慧型手機或平板電腦。

Sensata的解決方案針對目前未受監控的工廠中約85%的資產。Sensata工業感測和工業物聯網產品組合產品線總監Bryan Siafakas表示,「目前我們監控的大部份內容都是工廠中非常關鍵的資產,其中許多解決方案都非常昂貴,不必上傳至雲端,而且整合到控制系統中。Sensata著重於工廠資產的平衡,而不必綁定到現有的控制基礎設施。針對你可能希望在工廠中監控的任何資產,都可以很容易地對其進行改進。」

建立資產基線的學習期可能需要一到兩週。然後,就可以利用人工智慧/機器學習(用於監控某些類型的故障)將該資訊儲存在Sensata IQ中並進行趨勢分析,Sensata就會根據基準將其故障表徵準確度定為95%。

Sensata IQ solution for monitoring industrial assets via remote management via a tablet.

 Sensata IQ讓工廠經理和維護工程師能從任何地方(包括PC、智慧型手機或平板電腦上)監控其所有資產。(圖片來源:Sensata Technologies)

Siafakas表示,一些異常檢測是在邊緣上透過感測器來完成的,但當需要時,還會將資料發送到雲端進行更複雜的分析,這就需要額外的運算能力。這取決於故障表徵需要使用哪種資料。

他表示,部署Sensata的感測器首先能夠帶來易用性,這種感測器無需工具即可配置或安裝。例如,它的一個無線振動感測器上帶有一個磁鐵支架,因而能將它放置在馬達或泵上,並使用Sensata IQ行動app進行配置。

「只要回答幾個簡單的問題,就可以在平台上對其進行視覺化。」Siafakas表示,「此外,人工智慧/機器學習還可以從客戶那裡獲得所需的領域專業知識,並將其打包到系統中運行的模型中。」

他補充說:「人工智慧讓系統能具備該領域的專業知識,以便維護經理或工廠管理人員能夠以簡單的方式解釋這些訊號,從而提醒系統中將會出現異常或特定故障。」其關鍵在於避免停機,在實際發生故障造成工廠停機之前中斷故障。

這些類型的解決方案還有助於解決製造工廠中一些有經驗的勞動力短缺問題。

工業4.0正在尋求解決的主要趨勢之一,是隨著嬰兒潮一代的退休和製造商努力取代熟練勞動力而出現的技能差距。Siafakas表示,「案例之一是已在工廠工作了30年的維護人員從發生問題的資產旁經過時會說:『這感覺不太對勁』。但新進入職場的員工卻沒有同樣程度的經驗或知識深度,那麼就可以感知這些資產,利用人工智慧來預測這些故障。」

人工智慧非常適合能進行自動化的冗餘任務。Martin表示,「正是因為它在軟體導向的自動化和人類導向的行動洞察力之間取得了理想均衡,才使人們能夠做自己想做的事情,同時也讓他們能夠獲得正確的資訊,以便當他們得在所需之處以高效、最佳化的方式做事時,即已到位且準備就緒了。這可能不僅包括實體產品的製造,也涵蓋了整個設計或售後服務與支援。」

(參考原文AI’s growing role in industrial manufacturingby Gina Roos)

本文同步刊登於EDN Taiwan 202211月號雜誌

加入LINE@,最新消息一手掌握!

發表評論