人工智能的改进与更好的机器视觉控制相结合，为智能制造行业创造了一个重??要的新组件——高精度和可扩展的故障检测。该技术不仅在提高效率，而且在提高安全性和提供实时可见性方面都有很大的前景。全球智能制造市场将在不久的将来实现显着增长。据《市场研究》（ResearchandMarkets）的一份报告显示，2020年至2025年的复合年增长率预计为12.4%，市场规模约为3848亿美元，而2020年为2147亿美元。分析公司表示，这种增长是由于制造过程中的工业自动化以及通过软件解决方案减少时间和降低成本的需求增加。人工智能驱动的故障检测是工业自动化新兴需求和创新领域的一个很好的例子。引起关注的部分趋势是在制造过程的两个关键领域实现故障检测自动化的能力——检测工厂机械故障作为预测性维护计划的一部分和作为质量保证工具的一部分，以确保制造输出在规格范围内。机器视觉的一个关键技术共性是需要可靠且高度可配置的机器视觉，尤其是在QA过程中，发现表面缺陷是该过程的关键要素。自动光学检测(AOI)等传统机器视觉解决方案依靠不灵活的规则或所谓的“黄金图像”将产品图像与已知无缺陷图像进行比较。然而，这里的问题是，任何误报都会造成不必要的浪费，而反之则会让有缺陷的部分通过。在这个灰色地带，人工智能可以改变效率。在某些情况下，它可以提供高达95%的改进并消除误报。AI机器视觉的挑战和好处有趣的是，制造商进入AI故障检测环境的主要挑战之一是确保用于训练AI的数据清晰无歧义。例如，人工检查通常是主观的，不同的检查员通过或未通过相同的缺陷，因此合并主观通过/未通过数据可能会导致模棱两可或矛盾的决策，从而导致模型不完美。即使拥有干净的数据来训练AI也只是整个过程的一小部分。事实上，训练用于视觉检查的概念验证AI模型可能只占整个部署总时间和成本的10%。另一个关键挑战是确保材料和照明等环境因素的一致性。对这些方法中的任何一种进行更改都会立即导致非常高的错误率，需要重新校准或重新训练模型。然后，这需要成功部署环境变化检测系统才能运行。然而，环境变化检测系统可以提供除故障检测之外的广泛好处。例如，分段系统可以提高工作人员的安全（如果在受限区域内检测到运动，则自动切断机器的电源）、监控火灾、烟雾或其他空气质量危害（如灰尘或气体泄漏）的安全性。ForesightAI机器视觉具有更广泛的应用，尤其是当它开始成熟时。瑞士无人机公司SulzerSchmid与人工智能公司NNAISENSE合作的一个令人兴奋的领域是自动监测风力涡轮机叶片的损坏情况。以前对转子叶片的详细检查需要在技术人员“爬上塔”手动检查表面磨损之前完全关闭。自动化系统使用SulzerSchmid的3DX检测平台持续获取高清图像并实现100%叶片覆盖，同时最大限度地减少人为错误和操作风险。AI软件自动扫描整个叶片表面，仅突出显示不一致和需要人工检查注意的区域，从而节省了数百小时的工作，否则这些工作将花费在检查功能完美的叶片表面上。当然，人工智能机器视觉的使用已经远远超出了涡轮叶片的范围，几乎渗透到现代生活的方方面面。从最近开源的可能改变游戏规则的新对象检测框架DETR或DetectionTransformer可以看出这一事实。总体而言，支持实时协作的AI故障检测目前肯定很热门，组件和试点项目的成熟表明未来几年将继续扩展。SPAICER由德国政府资助，是一个合作项目，展示了大工业对这一概念的重视程度——SPAICER旨在使用领先的人工智能技术和工业4.0标准来优化生产流程并实时预测故障。于2020年4月推出，相关合作伙伴包括西门子、宝马、福克斯、微软、福特、戴姆勒、蔡司和戴尔。一个早期的用例是使用AI来预测材料波动对一家中型德国公司工具磨损率的影响，这家公司每小时在工具磨损和更换方面的费用高达500,000欧元。目的是实时对变化及其影响进行分类，从而降低生产的整体风险，从而创建更具弹性的生产过程。搜索实时数据（然后是实时可操作数据）必然是自动故障检测的关键。越来越强大的AI的使用正在使这个以前无法实现的前景成为今天的现实可能性和明天的重要商业资产。事实上，从中期来看，这可能会导致越来越商品化的SaaS式云人工智能平台，这些平台具有专门的故障检测和监控模块，用于内部传感器和具有机器视觉的摄像头系统。
