制造商通常将AI视为高度复杂且昂贵的软件，需要整个公司的端到端系统才能正常工作。现实情况是，人工智能更加专注和可实现。它可以在结构极简的工厂车间工作，并通过工业物联网(IIoT)连接到机器。在本文中，作者提出了关于如何在现实环境中使用制造智能的关键建议和三个场景。在最近一项关于人工智能(AI)的ManufacturingInsights调查中，44%的汽车和制造业受访者将AI列为未来五年对制造功能“非常重要”的类别，而近一半至49%的受访者认为AI是“成功的绝对关键”。但是，在很多情况下，制造商很难理解AI，因为技术行业使用了如此广泛的工具，几乎没有人真正理解它是如何实例化的，除了一些提供更好业务结果的通用资源。外部。制造商实际上可能认为AI复杂且昂贵，需要整个公司的端到端系统才能正常工作，这将意味着对整个IT/OT操作进行昂贵的更新。事实是，AI更专注也更容易实施。人工智能可以在结构最小的工厂中工作，并通过工业物联网(IIoT)与机器连接。谈到AI实施时，OEM需要了解的第一件事是要关注的用例类型。作为物联网的一部分，生产车间的大多数边缘机器都经过改造，可以通过无线传感器发送数据。然后将这些数据输入软件套件进行处理。数据输入过程将成为创建不断扩展的数据网络的持续过程。所有这些数据都可以存储在云端以获取洞察力，从而实现人工智能驱动的模型。以下三个用例可以帮助制造商对AI功能放心：1.机器正常运行时间消费品包装线是24×7的，生产数百万个不同尺寸的纸箱，用于包装不同的消费品。保持生产没有任何故障或任何质量问题至关重要。速度和质量很重要。手动监控容易出错、成本高且效率低下。通过IIoT系统收集的数据可以通过定制的可视化和警报提供24/7全天候实时洞察生产线吞吐量和设备故障。AI最终可以帮助您理解所收集的海量数据。此数据在边缘网关处进行处理，以快速识别异常并发送即时警报。更大的数据聚集在基于云的物联网平台中，用于进一步的预测分析和定义的行为和基于规则的模型。该系统将提供自定义仪表板并报告机器空闲时间、故障原因代码和整体OEE数据。这样，管理人员可以更好地规划操作以避免机器闲置时间并执行预测性维护。2.成本优化美国传感器制造商SpectraSymbol一直在为能源市场生产业内最好的线性传感器和电位计之一。作为一个过程，当油和水被泵入偏远油井的储罐时，需要测量它们的液位。对于此次石油钻探作业，该公司迫切需要继续优化成本，利用IIoT数据更经济地延长边际油井的使用寿命。最大的问题是这些油井没有生产足够的石油，不值得。统一投资，因此他们的成本模型必须减少。这些井也位于偏远地区，增加了成本和时间的挑战。这些井的传感器安装也非常昂贵，增加了60%的成本。对于较小的作业和较远的退役油井，快速的投资回报率是物联网实施的关键。为SpectaSymbol的多口井构建了一个用于存储和处理所有机器数据的IIoT软件平台。它创建了一个“数据湖”，相关数据存储在云端。通过AI驱动的机器学习分析的数据已成为定制的以业务为中心的应用程序的推动力，这些应用程序明确设计用于通过AI分析评估油井性能和状态监测。因此，所有利益相关者都可以获得特定报告，并且边际油井针对正常运行时间和性能进行了优化。3.提高预测质量一家名为SRF的化工公司希望通过基于物联网的数字化转型来提高其生产力和制造运营。为实现这一目标，SRF必须将其包装薄膜和产业用纺织品生产的关键流程联系起来。目标是通过分析对制造过程至关重要的参数来提高质量，改善燃料消耗并降低功耗，并减少任何线路中断。通过使用状态监测来预测停机时间，可以提高SRF工厂的生产率。从制造过程的输入中创建的结果“数据湖”已与SRF的ERP集成，以关闭整个制造价值链的循环。人工智能是该项目的核心，因为机器学习技术被用来支持一组灵活的多元统计分析。具体来说，实时机器数据被用作反馈回路，以更准确地定义最佳机器设置，以确保产品质量和机器可靠性。结果是SRF能够监控和分析对机器健康至关重要的参数，并通过在故障发生之前预测故障来优化机器停机时间。从可实现的实验或试验开始在考虑AI可以如何精确地提高制造智能时，关键是从可实现的方向开始，如此处的三个用例所示。无论您是要实现机器正常运行时间、最大限度地降低成本还是提高运营效率，从云托管数据中进行机器学习都可以发挥重要作用。
