机器学习等新技术正在重塑工厂的工作方式
在过去的三十年里，工厂经历了翻天覆地的变化。80年代和90年代，工业自动化和机器人走在了前列。在过去的十年里，多种改变游戏规则的技术正在重塑工厂。机器学习、物联网(IoT)、大数据、虚拟现实(VR)和人工智能(AI)从根本上提醒着工厂的工作方式。它们的影响不仅限于制造业，它们几乎影响着每一个行业。本文试图解释机器学习及其在制造业世界中的意义。
首先，让我们试着解释一下机器学习。简单地说，它指的是算法自身的改进。通常，在编写程序时，预期会为给定的一组输入交付预先指定的输出。随着时间的推移，它们识别模式并“学习”生成对应于不同输入集的输出。在某些情况下，算法学会了对新的情况做出反应，例如交易大厅的算法学会了对不同的市场情况做出反应。机器学习可以通过决策树学习、关联规则学习、人工神经网络等实现。
我们如何在工厂中利用机器学习?在工厂中有多种利用它们的方式。下面几节简要地描述了如何在工作中利用机器学习。
预测性维护
车间里的设备在运行过程中会产生大量的数据，就像飞机在飞行过程中会产生大量的数据一样。这些数据中的大部分几乎没有被人注意到。随着先进分析技术的出现，利用大数据和物联网平台，可以对这些数据进行分析。它有助于在故障前确定关键参数的范围。因此，可以编写算法，实时分析机器生成的数据，一旦任何关键参数进入红色区域，就会触发报警。一段时间后，算法可以预测出从未发生过的故障类型。这有助于防止机器故障和最小化计划外停机。
过程控制
就像设备一样，过程产生大量的数据。这些数据隐藏了许多关于过程控制以及失控(OOC)和超出规范(OOS)情况的信息。在OOC和OOS中，需要遵循一系列步骤，即OCAP(失控行动计划)。通过自动化，可以自动检测OOC和OOS，在很大程度上可以自动化OCAP步骤。机器学习可以帮助自动化响应OOC和OOS，这是以前没有遇到过的。然而，机器学习并不完全能够自动响应“任何”新的OOS或OOC场景。经过一段时间，自动化变得更加“智能”，以应对某些新情况。
预测质量
在批量生产产品之前，了解可能的缺陷及其对产量的影响是很重要的。预测模型分析与相似产品相关的历史数据，以及同一产品在原型分型过程中预测缺陷及其数量，进而影响产量。随着预测模型的成熟，它们将在准确性方面有所提高，并且能够预测尚未编程的场景的不良率。
能源管理
能源费用是工厂的主要开支之一。企业希望将与能源相关的成本降至最低。对于给定的产量、设备群、楼层布局等，程序计算出所需的最佳能量水平。如果有一个闭环机制，它确保能源消耗在一个最佳水平，当它超出规定的限度。然而，在当今世界，车间有一个动态的环境，多个参数可以改变。例如，某些设备可能超时或人为错误。为能源优化设计的程序“学习”随着时间的推移，以适应这种动态情况，并保持能源消耗在理想的水平。
物料消耗
材料成本是总成本的主要贡献者，特别是在过程制造环境中。因此，过程制造驱动工厂密切监测化学品消耗在不同的车站和每个过程步骤。已经开发了一些算法来监视消费，并在消费开始超出限制时采取纠正措施。他们检查一个预先设定好的可能原因清单，并根据需要采取纠正措施。随着时间的推移，这些算法“改进”和“学习”以响应程序中没有明确定义的某些情况。
产量提高
废料有可能降低产量。实时分析提供了对导致报废的缺陷的洞察。这反过来又有助于为每种类型的缺陷提供缓解方法。检查和控制可以到位以防止缺陷。基础程序和逻辑在不断改进，可以提供关于缺陷的新视角，从而帮助减少缺陷。这有助于提高产量。
库存管理
制造企业想要携带最少的存货以避免携带成本和减少营运资本需求。各组织采用不同的预测和规划方法以尽量减少库存。工厂和仓库仍然存在缺货和更高的库存水平。使用大数据和物联网平台的高级分析可以处理大量实时数据，并提供建议，以持续保持最佳(或最低)库存水平。随着这些模型变得越来越成熟，它们可以正确地响应某些以前没有经历过的场景。这有助于有效地管理工厂的库存水平。
供应链规划
它涉及多个决策步骤,如植物应该产生一个给定的产品和产量应该是什么,是否使或购买产品,维护生产设备,原料来源等。目前主要依靠历史数据模型,因此,很多时候,他们无法预测新的场景。通过机器学习，这些工具可以实时分析大量数据，并变得“直观”。这有助于建立灵活的模型，能够对以前没有遇到过的特定情况做出反应。
结论
机器学习有望促进制造业多个领域的改进。但是它不能“一刀切”。各组织机构在选择正确的用例和选择正确的技术平台和系统集成商(SI)时必须小心。我们还需要记住，我们需要一段时间才能看到切实的好处。具有正确选择用例、技术平台和SI合作伙伴的长期路线图是此类计划成功的关键。