制造业即将见证物联网(IoT)和AI（人工智能）应用的又一次激增，据BusinessInsider称，到2027年，物联网市场预计将达到每年2.4万亿美元。除了自动化和机器人等明显的用例外，人工智能系统还能够优化制造流程、发送早期警报、促进质量检查和质量控制以及预测机械设备的故障。关键是收集正确的数据，然后制造商可以开发创新的AI应用程序，使它们脱颖而出。许多组织在其工业物联网(IIoT)应用程序中采用各种人工智能算法来做出实时决策。了解基于AI的应用程序中的数据至关重要。聚合、清理和准备独特的数据是利用人工智能优化组织和获得洞察力的最重要方面。在AI工程师开始训练他们的机器学习模型之前，他们通常只花费75%的时间来处理初始数据。请记住，要训练机器学习模型在IIoT设备上运行，您必须拥有一个或多个数据集来反映应用程序上线时的真实情况。创建数据集的过程是多部分的——从通常多年收集的数据开始，工程师需要确定数据的整体结构。他们需要消除数据中的任何缺陷、差异或差距，然后将该数据转换为算法需要与其有效交互的形式。嵌入式系统的边缘AI边缘AI是制造业整体AI开发的重要组成部分。边缘人工智能在硬件设备上本地处理数据，而不是依赖于集中式数据库或通过互联网连接的处理节点。对于大多数物联网解决方案，后端服务器从通过互联网连接的多个设备和传感器接收数据。一台或多台服务器托管用于处理数据的机器学习算法，创造AI解决方案提供的任何价值。这种AI架构的问题是许多设备可能会开始使网络流量过载，或者您可能正在使用一个已经被大量使用的网络。在这些情况下，将数据发送回中央服务器会导致处理时间过长。这就是EdgeAI发挥作用的地方，因为不太复杂的机器学习和AI过程可以在硬件设备上本地执行。边缘人工智能对许多行业都至关重要。一个例子是自动驾驶汽车，EdgeAI可以减少电池的消耗。监控系统、机器人技术和其他几个行业也将从边缘人工智能模型中受益。知识蒸馏的概念有可能极大地改进EdgeAI解决方案。知识蒸馏是通过知识压缩的原理进行的。使用强化学习等技术，神经网络可以学习如何产生预期的结果。此时，较小的网络将学习创建类似于较大网络已经开创的结果。较小的网络规模更适合移动设备、传感器和类似硬件等边缘设备。知识蒸馏可以将边缘设备的空间负担减少高达2000%，减少运行网络所需的能量、物理限制和设备本身的成本。应用知识蒸馏的一个例子是使用视频源在监控系统上进行实时性别检测。通常，识别性别需要相当大的基于云的神经网络。但在实时系统中，跳回云端并不总是一种选择。知识蒸馏可以将整个过程简化为一个更小的网络，可以准确识别性别，同时安装在边缘设备上。这使得如果没有知识蒸馏技术就不可能实现的几个应用成为可能。用于预测性维护的机器学习预测性维护是一个特别富有成效的领域，机器学习和人工智能正在对制造业产生影响。事实上，根据Capgemini的研究，近30%的制造业人工智能实施与机械和生产工具维护有关。这使得预测性维护成为当今制造业中使用最广泛的用例。基于ML的预测性维护的两个最重要的好处是它的速度和准确性。AI可以快速准确地识别机械问题，足以在故障和故障发生之前纠正它们。例如，通用汽车公司使用安装在装配机器人上的摄像头，通过使用它们，它能够检测到其5,000多个机器人中的数十个组件故障，从而避免了停机的可能性。机器学习预测性维护方法可以使用多种模型和方法，从使用历史数据预测故障的回归和分类模型到分析系统和组件是否存在应变或异常迹象的异常检测模型。用于质量控制的计算机视觉汽车和消费品行业面临监管机构的严格要求，遵守这些法规对人工智能和机器学习具有很大吸引力。高质量摄像机的成本每年都在下降，而人工智能图像识别和处理软件则在不断快速改进。因此，基于人工智能的检测方法对企业的吸引力越来越大。特别是在汽车行业，德国汽车制造商宝马率先采用了这项技术。宝马将AI应用程序用作检查过程的最后一步，将新制造的汽车与订单数据和规格进行比较。日产是另一家在将人工智能视觉检测模型纳入其质量检测流程方面取得显着进步的汽车制造商。视觉检测算法越来越受欢迎的部分原因是这些算法越来越复杂。现在，基于神经网络的系统可以识别潜在的问题，例如裂缝、泄漏、划痕、翘曲和许多其他异常。基于复杂的规则映射，可以调整或调整应用程序要检查的参数以适应给定的情况。当与GPU和高分辨率相机配合使用时，基于AI的检测解决方案可以在准确性和速度方面大大优于传统视觉检测系统。制造业的未来可以毫不夸张地说，制造业的未来几乎是基于物联网的人工智能的代名词。2019年，估计有80亿台物联网设备，但到2027年，预计将达到410亿台(https://www.businessinsider.com/internet-of-things-report)，其中增长的最大份额是从事制造业。AI在制造业中的估值将增长15倍以上，从今天的约11亿美元增长到2026年的160亿美元以上。机器学习和人工智能解决方案显着改善高效生产的所有标志——标准化、规模经济、任务自动化,专业化。因此，未来几年，物联网设备中嵌入的人工智能将不可避免地继续紧密集成到所有主要制造过程中。
