未来五年工业AI的八大发展趋势

随着ChatGPT和生成式人工智能（尊龙凯时登录AI）进入到大众的视线，突然之间，它成为世界上最热门的讨论话题之一。

不过，在制造业，这并不完全是件新鲜事。十多年来，机器学习（ML）技术一直在削减成本并改善测试和测量操作的结果，希望利用过程数据来收集可操作的见解是工业4.0的基础原则。

由于制造业对人工智能的认识和经验方面可能领先于其他一些领域，人们很容易忽视最新一波的 新闻炒作 ，但罗克韦尔自动化Kalypso数据科学与人工智能实践高级经理Mithun Nagabhairava表示，人工智能对制造业的革命性影响才刚刚开始。

这些最先进的技术正在彻底改变工厂的运营方式，释放出前所未有的效率、生产力和质量水平。从支持人工智能的决策系统（为不断发展的劳动力提供支持）到优化运营的自主系统，AI/ML 正在引领制造业的新时代。Nagabhairava认为，值得注意的是，人工智能在推动工业制造商的自动化实现自主化方面发挥着关键作用，类似于自动驾驶汽车改变汽车领域的变革性影响。

我们发现特别引人注目的进步是那些将AI/ML的力量与最优控制理论的成熟基石协同起来的领域。最优控制理论起源于18世纪，经过几个世纪的发展，与制造过程的确定性非常吻合。

创新的 AI/ML 技术、高性能计算基础设施和经济高效的大规模数据采集，正在帮助解决涉及多变量、非线性和时间动力学的更复杂的制造挑战，并以前所未有的规模推动创新。

通过处理和分析大量数据集，AI/ML 算法有助于得出分析模型，这些模型描述了系统在不断变化的环境中的历史行为，并确定制造商为提高资产可用性、优化运营、加强质量控制和减少能源使用而采取的最佳行动。

以下是几项显著的进步：

AI/ML 的进步与最优控制理论的原理相结合，在过程、混合和离散制造行业中都带来了很多创新应用。

传统上，操作员和工程师使用试错法来解决这些类型的问题。这种方法虽然有时很成功，但非常耗时，高度依赖专业领域的知识且不规范，导致废品率和吞吐率参差不齐。利用自主控制策略，企业能够构建可靠的模型，将操作员的知识与从历史数据中获得的经验相结合，以确定需要如何调整系统以获得最佳结果。

在 AI/ML技术的支持下，领先的轮胎制造商正在利用先进的闭环优化和机器视觉功能来优化生产流程，从而克服这些挑战。其中包括开发工艺模型和优化功能，以实现混合时的最佳门尼粘度，在挤出时更接近设定点的一致重量测量，减少轮胎成型机的超差事件，固化时的最佳硫化性能以及最终检查时的自动缺陷检测。

这种方法消除了需要操作员直接接触的阶段，而操作员通常是污染的主要来源。此外，AI技术的进步使机器人运动更加精确和准确，当与先进的机器视觉功能相结合时，可以最大限度地提高设备的吞吐量和一致性，从而推动巨大的商业价值。

利用AI分析OT环境，在源头自动捕获并与IT信息配对，揭示OT层面的分布式和战术决策之间的最佳协同作用，以及IT级别的集中和战略规划。这种洞察力使组织能够实现IT/OT融合，从而最大限度地提高价值和效率。

根据我们与一家领先的CPG制造商合作的经验，利用 AI 的一个引人注目的应用是识别运营效率低下、遇到瓶颈和需要改进的领域。

考虑将来自多个来源的物料流组合在一起的输送系统，然后将这些相同的材料分配到多个工作站或机器，通常在每个主要部分之间有旁路，以确保材料的整体平衡。

虽然这些主要输送段的OT控制系统装备精良，可以战术性地调整路段内的速度以确保源源不断的物料流，但它缺乏对IT数据的认识，这些数据协调物料流入每个段，配备劳动力或装载由输送机送入的机器。

通过将这些 IT 数据与有关每个主要召集区段当前库存水平的 OT 数据相结合，人工智能可以在主要区段之间设置有效的旁路，以缓解瓶颈问题，创造更稳定的流出量，并对计划的输入失衡进行调整。

尽量减少数据科学家的工作量涉及重要的组织和技术考虑。在组织方面，最重要的方面是将过程专家或操作员纳入从创建到部署的整个建模流程中。通常情况下，要在工厂环境中使用人工智能解决方案，必须由流程操作专家验证或批准。要确保模型有机会部署，通常需要了解历史操作原理，并确保AI结果可以在此背景下进行解释。

此外，适当的组织参与还能确保AI活动的重点是优先考虑那些能带来实际价值的决策，而不去考虑或忽略影响较小的流程方面。以最小的努力启动 ML 解决方案涉及数据科学家和流程专家之间的协作。这可确保 AI 解决方案适合运营。

在技术方面，采用无缝适应自带模型 （BYOM） 的平台极大地简化了部署，特别是随着时间的推移而开发和成熟的 OT 模型。这些平台提供了微调模型参数以匹配特定设备和产品特性的能力，例如温度、压力、电机速度等。

选择技术堆栈非常重要：提供易于配置的标准连接协议以与 PLC 和 IT 业务系统进行通信，灵活地将关键功能打包为微服务以分离弹性组件，以及内置功能以建立工作流管道，从而简化大规模部署和维护。

AI/ML 技术的日益普及，以及将ML模型集成到关键制造过程中的复杂性日益增加，促使 MLOps （是Machine Learning Operations的缩写，它是一种将机器学习模型应用到生产环境中的方法和实践）的开发要能够有效地管理这些模型从开始到维护的整个生命周期。

利用 OT 系统内部经验所奠定的坚实基础。工厂中的 OT 系统往往经过了长期的发展，在很大程度上已经组织了信息的关联和语境化。在创建时，确保将 OT 系统的 I/O 架构映射到 ML 模型中，是实现价值的第一步。将 OT语境与 ML 模型相匹配，可以在部署后扩展和维护这些功能。这一基础实践将起到催化剂的作用，加速AI/ML 计划的实施。

整合 MLOps 方法，将其作为监控和维护模型与机器性能的成熟 OT 实践的自然延伸，并与成熟的变更管理和标准操作程序保持一致，对于采用这些实践至关重要。这些功能的扩展应与业务价值保持一致，包括生产环境中部署的 ML 模型数量、衡量其对业务投资回报率的影响以及衡量持续的维护工作。

根据一份最新的市场报告，2020年全球工业人工智能市场规模为169亿美元，预计到2026年将达到1022亿美元。Nagabhairava认为，随着我们对这一趋势的发展轨迹的展望，越来越明显的是，AI/ML将在未来五年或十年内对工业制造过程带来重要的影响，并在以下领域带来前所未有的商业成果。

AI系统在制造业中的成功开发和应用，将取决于深厚的行业专业知识和所需的特定应用知识。拥有这些专业知识以及应用AI技术的专业知识的企业将成为推动创新、释放AI系统全部潜力并在制造运营中带来革命性成果的先锋。