Представьте себе мир, в котором машины не только создают наши продукты, но и думают и учатся, как мы. В этой статье мы рассмотрим, как искусственный интеллект преобразует производственную отрасль. От интеллектуальных роботов, сортирующих детали, до предиктивного технического обслуживания, позволяющего сократить время простоя, - искусственный интеллект меняет производственные процессы. Читатели узнают о восьми революционных приложениях ИИ, которые повышают эффективность, улучшают качество и снижают затраты в производстве. Окунитесь в атмосферу, чтобы увидеть, как технологии расширяют границы возможностей машин.
Концепция искусственного интеллекта впервые появилась в 1950-х годах, более шестидесяти лет назад.
Однако только в последние годы ИИ пережил взрывной рост, в первую очередь благодаря развитию таких технологий, как Интернет вещей (IoT), большие данные и облачные вычисления.
IoT позволяет собирать огромные объемы данных в режиме реального времени, а большие данные обеспечивают ресурсы данных и алгоритмическую поддержку для глубокого обучения. Облачные вычисления предлагают гибкие вычислительные ресурсы для ИИ.
Органичное сочетание этих технологий способствует непрерывному развитию ИИ, что приводит к значительному прогрессу. Матч между AlphaGo и Ли Седолем вывел ИИ на передний план, вызвав новую волну энтузиазма в отношении ИИ.
Рекордный запуск ChatGPT в конце 2022 года, а также популярность инструментов для рисования ИИ, таких как Stable Diffusion, сделали 2023 год инаугурационным годом демократизации ИИ!
Исследования и применение искусственного интеллекта постепенно развиваются в различных областях. С приходом волны "умного производства" искусственный интеллект интегрируется в каждый аспект производственной отрасли, включая проектирование, производство, управление и обслуживание.
Технологии и продукты искусственного интеллекта (ИИ), прошедшие многолетнюю проверку на практике, сегодня широко применяются и ускоряют интеграцию ИИ в различные отрасли.
С технической точки зрения в отрасли принято считать, что основные возможности искусственного интеллекта можно разделить на три уровня: вычислительный интеллект, перцептивный интеллект и когнитивный интеллект.
Вычислительный интеллект - это превосходный объем памяти и сверхбыстрые вычислительные возможности машины. Она может выполнять глубокое обучение на основе огромного количества данных, используя исторический опыт, чтобы ориентироваться в текущей обстановке.
С непрерывным развитием вычислительной мощности и постоянным совершенствованием методов хранения данных можно сказать, что вычислительный интеллект реализован.
Например, AlphaGo с помощью технологии обучения с подкреплением победил чемпиона мира по игре в го, а платформы электронной коммерции используют глубокое обучение на основе покупательских привычек пользователей для персонализированных рекомендаций товаров.
Перцептивный интеллект - это способность машин обладать такими органами чувств, как зрение, слух и осязание. Они могут структурировать неструктурированные данные и взаимодействовать с пользователями с помощью человеческих методов общения.
С развитием различных технологий признается и используется ценность все большего количества неструктурированных данных. Быстро развивается и перцептивный интеллект, связанный с такими органами чувств, как голос, изображение, видео и точки соприкосновения.
Автономные автомобили и знаменитые роботы Boston Dynamics используют перцептивный интеллект: они воспринимают и обрабатывают окружающую обстановку с помощью различных датчиков, эффективно управляя своими действиями.
По сравнению с вычислительным и перцептивным интеллектом, когнитивный интеллект более сложен; он означает способность машины понимать, получать, рассуждать и использовать знания, как человек.
В настоящее время технология когнитивного интеллекта все еще находится на стадии исследования и изучения.
Например, в секторе общественной безопасности - извлечение особенностей и анализ моделей микро- и макроповедения преступников, разработка моделей и систем искусственного интеллекта для прогнозирования преступности, проникновения в фонды и моделирования эволюции преступности в городах.
В финансовой отрасли он используется для выявления подозрительных операций и прогнозирования макроэкономических колебаний. Для ускорения развития когнитивного интеллекта предстоит пройти еще долгий путь.
С точки зрения применения, развертывание одной технологии искусственного интеллекта может включать в себя несколько уровней основных возможностей, таких как вычислительный и перцептивный интеллект.
Промышленные роботы, смартфоны, самоуправляемые автомобили, беспилотники и другие интеллектуальные продукты служат носителями искусственного интеллекта.
Эти продукты, благодаря сочетанию аппаратного и программного обеспечения различных типов, обладают способностью воспринимать, выносить суждения и взаимодействовать в режиме реального времени с пользователями и окружающей средой, интегрируя при этом различные основные возможности искусственного интеллекта.
Например, в производстве широко используются различные интеллектуальные роботы: Роботы-сортировщики могут автономно распознавать и захватывать нестандартные объекты.
Коллаборативные роботы способны понимать и реагировать на окружающую обстановку. Автоматические тележки могут распознавать лица, чтобы начать автономное слежение.
С помощью технологии SLAM (Simultaneous Localization and Mapping) автономные мобильные роботы могут использовать бортовые датчики для идентификации маркеров в неизвестном окружении, а затем оценивать глобальные координаты робота и этих маркеров на основе относительного местоположения и показаний одометра.
Технология автономного вождения с точки зрения позиционирования, восприятия окружающей среды, планирования маршрута, принятия поведенческих решений и управления также объединяет различные технологии и алгоритмы искусственного интеллекта.
Современные приложения искусственного интеллекта в обрабатывающей промышленности включают в себя, прежде всего, интеллектуальные продукты голосового взаимодействия, распознавание лиц, распознавание изображений, поиск по изображениям, распознавание голосовых отпечатков, распознавание текста, машинный перевод, машинное обучение, вычисление больших данных и визуализацию данных.
В следующем тексте кратко описаны восемь распространенных сценариев применения ИИ, часто используемых в производстве.
Сценарий первый: интеллектуальная сортировка
Многие производственные задачи требуют сортировки. Если сортировка выполняется вручную, этот процесс медленный, дорогостоящий и требует поддержания подходящей рабочей температуры. Внедрение промышленных роботов для интеллектуальной сортировки может значительно сократить расходы и повысить скорость.
Рассмотрим пример с сортировкой деталей. Детали, которые нужно отсортировать, часто расположены неаккуратно, и хотя у робота есть камера, чтобы видеть детали, он не знает, как успешно их подобрать. В этой ситуации можно использовать технологию машинного обучения.
Робот выполняет случайное действие по сортировке, после чего получает информацию о том, удалось ли ему подобрать деталь или нет.
После нескольких итераций обучения робот узнает последовательность действий по сортировке с наибольшим процентом успеха, оптимальные позиции для захвата, а также порядок сортировки, обеспечивающий наибольший процент успеха.
После нескольких часов обучения успешность сортировки робота достигает 90%, что соответствует уровню квалифицированного рабочего.
Сценарий второй: управление состоянием оборудования
Проводя мониторинг в режиме реального времени работа машины Данные, анализ характеристик и методы машинного обучения позволяют нам предсказывать отказы оборудования до возникновения аварий, сокращая время незапланированных простоев.
С другой стороны, в случае внезапного отказа оборудования мы можем быстро диагностировать проблему, точно определить причину и предложить соответствующие решения.
Он широко применяется в обрабатывающей промышленности, особенно в химическом машиностроении, производстве тяжелого оборудования, аппаратных средств, производстве 3C, ветроэнергетике и других отраслях.
Возьмите Станки с ЧПУ в качестве примера. Благодаря использованию алгоритмов машинного обучения и интеллектуальных датчиков для мониторинга такой информации, как мощность, ток и напряжение в режущие инструментыВ процессе обработки главный шпиндель и двигатель подачи могут определить состояние напряжения, износа и повреждения инструмента, а также состояние стабильности обработки станка.
Основываясь на этих состояниях, мы можем регулировать параметры обработки (скорость вращения шпинделя, скорость подачи) и инструкции по обработке в режиме реального времени, прогнозируя время замены инструмента для повышения точности обработки, сокращения времени простоя производственной линии и повышения безопасности оборудования.
Сценарий третий: Обнаружение дефектов поверхности с помощью зрения
Применение машинного зрения для обнаружения дефектов поверхности сегодня широко распространено в производстве.
Машинное зрение позволяет за миллисекунды быстро выявлять мелкие и сложные дефекты поверхности изделий в постоянно меняющихся условиях и классифицировать их, например, обнаруживать поверхностные загрязнения, повреждения и трещины.
Некоторые компании, занимающиеся промышленной разведкой, объединили глубокое обучение с 3D-микроскопами, чтобы повысить точность обнаружения дефектов до нанометрового уровня.
Для обнаруженных дефектных изделий система может автоматически определить, подлежат ли они ремонту, спланировать путь и метод ремонта, а затем машины выполнят ремонт.
Например, трубы из ПВХ - один из самых распространенных строительных материалов, который потребляется в больших количествах.
В процессе производства и упаковки на поверхности появляются царапины, ямки, водяная рябь, матовые поверхности, что требует значительных трудозатрат на проверку.
После внедрения визуального автоматического обнаружения поверхностных дефектов, загрязнения на поверхности трубы автоматически определяются путем установки минимального и максимального размера области, с минимальной точностью обнаружения 0,15 мм² и скоростью обнаружения более 99%.
Царапины на поверхности трубы автоматически обнаруживаются путем установки минимальной и максимальной длины и ширины, с минимальной точностью обнаружения 0,06 мм и скоростью обнаружения более 99%.
Морщины на поверхности трубы автоматически обнаруживаются путем установки минимальной и максимальной длины, ширины, длины сегмента и пороговых значений разности цветов, при этом минимальная точность обнаружения составляет 10 мм, а скорость обнаружения - более 95%.
Сценарий 4: Проверка качества продукции и определение неисправностей на основе распознавания отпечатков голоса
Используя технологию распознавания голосовых отпечатков, мы можем автоматически обнаруживать аномальные звуки, выявлять дефектные изделия и сравнивать их с базой данных голосовых отпечатков для определения неисправностей.
Например, с конца 2018 года завод Faurecia (Уси) начал комплексное сотрудничество с командой Big Data Science группы, посвященное применению технологии искусственного интеллекта для оценки характеристик NVH (шум, вибрация и жесткость) регуляторов сидений.
В 2019 году завод Faurecia (Уси) внедрил технологию искусственного интеллекта в систему обнаружения аномальных звуков наладчиков, реализовав автоматизацию всего процесса - от сбора сигнала, хранения данных, анализа данных до самообучения. Эффективность и точность обнаружения значительно превосходят традиционный ручной контроль.
После внедрения системы обнаружения шума на основе технологии искусственного интеллекта на заводе в Уси количество сотрудников сократилось с 38 до 3. Одновременно значительно повысился уровень контроля качества, а годовая экономическая выгода достигла 4,5 млн юаней.
Сцена пятая: Принятие разумных решений
Производственные предприятия могут применять технологии искусственного интеллекта, такие как машинное обучение, в сочетании с анализом больших данных для оптимизации методов составления графиков, что повышает возможности принятия решений в таких областях, как качество продукции, оперативное управление, управление энергопотреблением и управление инструментами.
Например, интеллектуальная система управления производством на заводе дизельных двигателей FAW Jiefang Wuxi обладает такими возможностями, как сбор данных об аномалиях и планировании производства, диагностика причин аномалий на основе деревьев решений, прогнозирование простоев оборудования на основе регрессионного анализа и оптимизация решений по планированию на основе машинного обучения.
Используя исторические данные процесса принятия решения о составлении расписания и фактические показатели эффективности производства после составления расписания в качестве обучающего набора данных и применяя алгоритмы нейронных сетей, параметры алгоритма оценки решений о составлении расписания настраиваются таким образом, чтобы решения о составлении расписания соответствовали фактическим требованиям производства.
Сцена шестая: Цифровое двойничество
Цифровые двойники - это зеркальное отражение физических объектов в виртуальном мире. Создание цифровых двойников объединяет искусственный интеллект, машинное обучение и данные датчиков для создания яркой, обновляемой в реальном времени "реальной" модели, поддерживающей принятие решений на протяжении всего жизненного цикла физических продуктов.
При моделировании цифровых двойников с уменьшенным порядком сложности и нелинейные модели могут быть помещены в нейронные сети. Используя глубокое обучение, можно определить конечную цель, на которой основывается моделирование с уменьшенным порядком.
Например, в традиционной модели моделирование жидкости и тепла на выходе из трубы с горячей и холодной водой с использованием 16-ядерного сервера требует 57 часов на расчет. После внедрения моделирования с уменьшенным порядком каждый расчет занимает всего несколько минут.
Сцена седьмая: Генеративный дизайн
Генеративный дизайн - это интерактивный, саморазвивающийся процесс. Когда инженеры проектируют изделия, им достаточно задать желаемые параметры и ограничения производительности под руководством системы, такие как материал, вес, объем и т. д.
В сочетании с алгоритмами искусственного интеллекта можно автоматически генерировать от сотен до тысяч жизнеспособных решений в соответствии с замыслом дизайнера. Затем они автономно сравниваются, выбирается оптимальная конструкция и рекомендуется дизайнеру для принятия окончательного решения.
Генеративный дизайн стал новой междисциплинарной областью, глубоко интегрированной с технологиями компьютерного и искусственного интеллекта, применяющей передовые алгоритмы и технологии в процессе проектирования.
Широко используемые генеративные алгоритмы включают параметрические системы, Shape Grammars (SG), L-системы, клеточные автоматы (CA), алгоритмы оптимизации топологии, эволюционные системы и генетические алгоритмы.
Сцена восьмая: Прогнозирование спроса и оптимизация цепочки поставок
Используя искусственный интеллект, мы создаем точные модели прогнозирования спроса, позволяющие компаниям прогнозировать продажи, предвидеть потребности в запасных частях и принимать решения, ориентированные на спрос.
Одновременно с этим, анализируя внешние данные и основываясь на прогнозах спроса, мы разрабатываем стратегии пополнения запасов, оценки поставщиков и выбора комплектующих.
Например, в прагматичной попытке контролировать затраты на управление производством, American Honda Motor Company стремилась понять, когда в будущем возникнет спрос со стороны клиентов.
Поэтому они создали прогностическую модель, используя данные о продажах и техническом обслуживании из 1 200 дилерских центров. Эта модель оценивает количество автомобилей, возвращающихся в дилерские центры для технического обслуживания в течение следующих нескольких лет.
Эта информация затем использовалась для установления контрольных показателей предварительной подготовки различных деталей. Эта трансформация позволила American Honda достичь точности прогнозирования до 99% и сократить время рассмотрения рекламаций клиентов в три раза.
В настоящее время, когда все больше компаний, университетов и организаций с открытым исходным кодом приходят в область искусственного интеллекта, большой приток успешного программного обеспечения и платформ с открытым исходным кодом для ИИ приводит к беспрецедентному буму в области искусственного интеллекта.
Однако по сравнению с такими отраслями, как финансы, применение ИИ в производстве, хотя и многочисленно, но не особенно заметно, и можно сказать, что его развитие идет относительно медленно.
Основные причины этих проблем кроются в следующих трех областях:
1. Сбор, использование и развитие данных в процессе производства представляют собой серьезную проблему. Кроме того, большинство компаний в основном полагаются на частные базы данных ограниченного масштаба, что приводит к недостатку высококачественных образцов для машинного обучения. Это ограничивает процесс самообучения машины.
2. Существует множество различий между отраслями производства, что повышает сложность решений на основе искусственного интеллекта и увеличивает потребность в их адаптации.
3. В различных отраслях не хватает ведущих предприятий, которые могли бы стимулировать тенденцию глубокой интеграции искусственного интеллекта в производство.
Решив эти три важнейшие проблемы, можно добиться более эффективного применения технологии искусственного интеллекта в производственной отрасли.
Как основатель MachineMFG, я посвятил более десяти лет своей карьеры металлообрабатывающей промышленности. Мой обширный опыт позволил мне стать экспертом в области производства листового металла, механической обработки, машиностроения и станков для обработки металлов. Я постоянно думаю, читаю и пишу об этих предметах, постоянно стремясь оставаться на переднем крае своей области. Позвольте моим знаниям и опыту стать преимуществом для вашего бизнеса.
RU 
EN 
AR 
DE 
ES 
FR 
IT 
JA 
NL 
PT 
PT_BR 
KO