机器学习变革工业制造流程的四种方式

工业革命带来了无数的发明和革新产品，开启了人类历史的新篇章。工业时代的织布机、蒸汽机、电力以及批量生产福特汽车的第一条流水生产线，都让人叹为观止。但我们常常忽略了上述发明的产生机制和过程。它们都是怎么被发明出来的呢？创新往往孕育在设备维护、质保和供应链优化等常规制造过程中。这些创新对工业和制造流程的重要性，与一个多世纪前的这些发明同等重要。考虑到目前全球市场的规模和复杂性，将创新成功落地，仍然颇具挑战。随着数据和机器学习的不断融合，重新变革工业制造已成为可能。

每天，企业都会在边缘产生大量数据，并将其存储在云中，同时利用上述数据重新思考如何变革所有的流程。为了更好地挖掘数据潜力，推动更快、更明智的决策，制造业、能源、采矿业、运输业和农业领域的企业正利用新型机器技术优化多种工作负载，包括工程和设计、生产和资产优化、供应链管理、预测、质量管理、智能产品和机器等。

从运营效率到质量控制，再到其他各个方面，企业采用机器学习技术，正在通过以下四种方式变革工业生产流程：

通用电气：实现设备预测性维护

持续性维护设备，是很多工业和制造企业面临的一大挑战。从以往经验来看，大多数设备维护要么是被动型——在机器发生故障后进行维修，要么是预防型——通过定期检测以避免故障。两者皆成本高昂，效率低下，而最佳解决方案是预测型维护。企业可以提前预测设备需要维护的时间，但大部分企业缺乏相关人员和专业知识来开发解决方案。

值得庆幸的是，像通用电气这样在发电设备、解决方案与服务领域的领先供应商，已经可以实现对设备的预测型维护。企业本身无需具备机器学习或云相关的技术，只需借助使用传感器和机器学习技术的端到端系统，检测到机器振动或温度的异常波动，从而收到警报。

这类技术支持通用电气利用传感器实现信息的快速更新，通过采用云中实时分析，将基于时间的维护操作转变为预测性和规范性维护。随着系统规模的不断扩大，通用电气可以通过上述系统对传感器组进行远程更新和维护，而无需实际接触。

中科创达：解决产品异常检测

保证产品质量与确保设备正常运行同等重要。生产进程的目视检查通常需要人力，这不仅乏味，且不能保证一致性。为了提升质量控制，工业企业希望采用计算机视觉技术，提高缺陷识别的速度和准确性。但企业在构建、部署和管理基于机器学习技术的视觉异常系统时，仍会面临很多复杂挑战。现在，企业可以使用高精度、低成本的异常检测解决方案，每小时处理数千张图像，从而发现缺陷和异常，识别出与基线不符的图像，以便企业采取下一步行动。

看到这一趋势，全球知名的智能操作系统产品和技术提供商——中科创达将全球领先的机器学习服务Amazon SageMaker集成到中科创达智慧工业ADC (Automatic Defect Classification)系统中，帮助制造业客户在工业生产中轻松获得AI质检能力。借助Amazon SageMaker，客户无需复杂的机器学习部署，即可在统一界面中构建、训练、解释、检查、监视、调试和运行机器学习模型。在电气行业ADC系统实施中，Amazon SageMaker帮助最终用户一次性投入成本降低了42%，软件开发的工作量降低了39%，系统的上线时间缩短了50%，系统运行效率是传统检测的35倍，解决了ADC系统落地工业场景的障碍。

瑞典家庭食品制造商Dafgards公司在其下属品牌Billys Pan Pizza的生产过程中也应用了计算机视觉技术。Billy’s Pan Pizza是一种微波披萨，生产线每秒能完成2块披萨的烘烤和包装。Dafgards公司曾安装过机器视觉系统，成功用于检测披萨上的奶酪比例。但问题是一旦披萨上馅料种类过多，该功能就会失效。通过采用基于计算机视觉的新型机器学习技术，Dafgards公司轻松获得了经济高效的检测能力。在成功应用后，Dafgards公司计划将计算机视觉应用扩展至更多种类披萨以及汉堡、法式蛋饼等其他产品线。

英国石油公司：提升运营效率

许多工业和制造企业都希望借助计算机视觉技术来提升运营效率。一般情况下，企业会通过视频对工厂现场进行人工监测和审核，以验证设施访问权限，检查出货，检测泄漏或其他危险情况。但在实际情况中，这项工作不仅困难，还极易出错、成本高昂。当然，企业可以将现有的IP摄像头升级为智能摄像头，以便拥有更好的处理能力运行计算机视觉模型。但这依然不仅价格高昂，也会存在问题，即使采用智能摄像头，也未必可以达到高精度和低延迟要求。事实上，企业可以通过使用硬件设备将计算机视觉技术应用到现有的本地摄像头中，甚至可以使用软件开发包来构建新的摄像头，从而在边缘就能运行计算机视觉模型，取得更高的效率。

全球能源公司英国石油公司正计划在全球18,000个服务站部署计算机视觉系统，他们计划利用计算机视觉技术自动控制燃料车进出设施，并确认有效订单的完成情况。如果有碰撞危险，计算机视觉技术可以提醒工人，还可以识别动态隔离区内的异物，并检测漏油情况。

富士康：优化预测供应链

现代供应链是由制造商、供应商、物流和零售商共同组成的庞大网络，需要复杂的方法了解、并满足客户需求，同时根据原材料供应波动以及节假日、活动、天气等外部因素进行相应调整。如果无法正确预测上述变量，会造成成本的大幅增加，从而导致资源配置过度或不足，进而浪费投资或带来不良的客户体验。为了预见未来可能发生的情况，企业正利用机器学习技术分析时间序列数据，提供准确预测，从而减少运营支出，提高效率，确保更高的资源和产品可用性，更快地交付产品，并降低成本。

富士康是全球最大的电子产品制造商和技术解决方案提供商。在新冠肺炎疫情期间，富士康采用了机器学习技术应对前所未有的客户需求、供应和产能波动挑战。富士康为其在墨西哥的工厂开发了一个需求预测模型，以生成准确的净订单预测。借助机器学习模型，他们将预测精度提高8%，预计每家工厂每年可节省55.3万美元，同时，最大限度减少劳动力浪费，并大幅提升客户满意度。

为了充分发掘机器学习在工业环境、工业产品、物流和供应链运营领域的应用潜力，越来越多的企业希望采用机器学习技术，使生产流程变得更简单、快捷、准确。通过将云中实时数据分析和边缘机器学习相结合，工业企业正稳步将愿望转变成现实，同时推动新一代工业革命的到来。

本文作者：亚马逊云科技全球机器学习副总裁Swami Sivasubramanian