科技前线 | 人工智能正在改变制造流程和业务策略，助力企业添翼腾飞！
所有领域的公司都在利用人工智能（AI）获得有价值的见解，从而改善流程、产品并优化性能。近年来，人工智能应用的兴起主要归因于两个因素：由于云和尖端前沿技术的存在，功能强大且价格便宜的计算力无处不在；人工智能算法和数据科学也日趋完善。
本文研究了AI的五个方面，这些方面正在改变制造流程和业务策略
1
智能资产/过程监控分析
远程监控的价值不在于捕获数据，而在于可以从其分析中获得的见解。实施了智能工厂和工业物联网（IIoT）计划的制造商对这一点非常熟悉，并正在使用功能日益强大和复杂的分析工具来解决其日益增长的数据量和复杂性，以实现价值最大化。
令人更加高兴的是，现代AI已经使制造商能够从描述性和诊断性分析转变为预测性和规范性分析。前者可以回答：“发生了什么事？”和“为什么会发生？”，而后来者则可以回答“会发生什么？”和“我该怎么办？”制造商能够预测行为并基于这些预测制定措施，从而可以改善KPI并限制负面事件的发生频率和影响；例如，通过确定过程变量的最佳组合以提高产出或通过早期迹象解决机器故障以减少计划外停机。在这方面可以创造出巨大的价值。例如，德勤（Deloitte）估计，通过使用预测性分析，制造商可以将维护计划时间减少20-50％，并将总体维护成本减少5-10％。
不幸的是，复杂的分析通常需要用到经验丰富的数据科学家的专业知识。尽管对于许多早期采用IIoT的人来说，这个困难很常见，但某些现代解决方案（例如ThingWorx IIoT平台）就是专门为简化强大的分析策略而构建的。这使组织能够在自己的运营中拥有深厚的专业知识，而不仅仅是对复杂的数据分析有粗略的了解，从而可以从人工智能中受益
2
开发的创成式设计
创成式设计是一个由AI驱动的应用程序，可以根据一组系统设计要求自动创建最佳设计。在计算机辅助设计（CAD）环境中，工程师可以指定设计条件，例如载荷、约束和材料以及性能目标，而AI将产生满足该条件的一系列几何形状。
随着创成式设计技术的最新发展，可以纳入和解决的条件类型和性能目标已大大拓宽。例如，PTC的创成式设计软件Creo Generative Topology Optimization可让工程师将预期的制造过程指标设计为设计约束。附加功能还将创成式设计的可用范围扩展到性能设计之外，例如可以影响可制造性设计。
这种强大的AI通过使工程师能够快速探索设计空间并快速评估满足性能和制造要求的数十种候选产品，从而改变了公司新产品开发的方式。缺乏多年实践标准方法和经验指导的新手机械工程师，现在可以通过创成式设计，像他们的高级同行一样快速地创建可行的设计。
同时，经验丰富的工程师可以使用创成式设计来探索使用传统的设计方法可能永远不会发现的新颖几何形状。无论哪种情况，创成式设计都可以缩短产品开发过程的早期阶段，减少后期重新设计的概率，并有助于创建差异化和优化的产品
3
用于质量控制和增强现实的计算机视觉
随着人工智能（特别是机器学习算法）的发展，计算机视觉应用程序的种类，复杂性和价值在质量检查、员工培训和生产力方面的应用显着增长。
用于质量检查的传统计算机视觉应用程序很大程度上基于特征检测。识别边缘、拐角和颜色，并将其与预定义的阈值进行比较。在AI驱动的应用程序中，通过/失败标准不再被硬编码到质量检查系统中，而是由系统基于使用已知的完好样本和已知的坏样本的强化学习来发现。这样，现在的检查系统就可以对许多不同的，更微妙的质量特征做出高精度的响应。
这种复杂的对象和特征识别能力也是尖端增强现实（AR）应用程序的关键组成部分。通过整合基于AI的计算机视觉，诸如PTC Vuforia Expert Capture之类的AR应用程序可以在周围环境的具体情况下提供数字化工具和信息。例如，带有对象识别功能的AR可以指导操作员完成一系列复杂的组装步骤，或者向技术人员指明故障组件在停机或被损坏机器中的位置。即使简单的应用程序（例如在生产线的相关位置显示IIoT数据），也可以使工厂工人更容易快速识别操作状态并做出反应。在最近的***中，Forrester确定了采用Vuforia解决方案所带来的显着优势，包括将培训时间减少了多达50％，并将加班花费减少了10％至12％。
4
用于物料输送的自主移动机器人
材料在工厂和仓库中的移动是提高流程效率的基本要素，也是应用人工智能的绝佳机会。最显著的例子是采用自主移动机器人（AMR）。
实际上，AMR的部署同比增长了一倍，而且没有迹象表明这种增长很快就会放缓。与自动引导车（AGV）不同，AMR不需要在其运行环境中内置引导系统。
相反，这些现代物料输送解决方案依靠空间计算技术来确定其在工厂或仓库中的位置，并依靠高级AI来针对其环境进行导航，包括涉及人和其他机器人的交通情况。凭借不受限制的安全移动自由以及人工智能确定最佳路线的能力，整个AMR可以被放在新的或不断变化的环境中，并以惊人的效率运行。亚马逊正是使用这项技术大大提高了其运营中心和分拣设施的效率。
5
优化服务部件以最大化资产可用性
对于许多制造商而言，卓越的服务已成为关键的竞争优势。随着预测性和规范性分析成为整个行业的规范，依靠这些新技术来快速主动地解决问题的组织也需要其供应商在提供服务零件方面同样敏捷。通过将功能越来越强大的人工智能整合到物料计划系统中，可以确保将正确的零件在正确的时间交付到正确的地点，从而满足对快速响应服务的需求。
如果您不关心库存的账面成本或库存过多的机会成本，那么所有服务地点的库存很容易堆积如山。因此，对于服务零件的供应商而言，物料计划的目标应是在优化成本、可用性以及何时何地填充库存之间取得平衡。随着供应链变得越来越复杂，以及客户的要求越来越高，实现这种最佳平衡变得越来越困难。PTC的Servigistics软件中有复杂的新分析工具，例如多级优化，可以通过考虑供应链众多层级中的所有备件和服务地点来同时对其进行优化，从而解决这些复杂的问题。这些决策支持系统在供应链优化的各个方面都使用了AI算法，包括从预测未来需求到确定备件在具有数千个地点的复杂互连供应链中的最佳放置，以及最后在任何给定的一天匹配供需。
总结
显而易见，人工智能在制造业中扮演着越来越重要的角色，尤其是随着组织在数字化转型过程中日趋成熟。但是必须承认AI是达到目的的手段。许多采用新生AI技术的人却以几乎是学术研究的方式来处理这些复杂的数据。其实通过与在人工智能和制造业领域都有深厚专业知识的解决方案提供商（例如PTC）合作，组织应该专注于利用人工智能解决方案来应对对他们真正重要的挑战：即生产更好的产品并更有效地提供更好的服务。在下一篇推文中，就将为您介绍如何在实际业务及数字化转型过程中应用人工智能技术。
---------------------------------------------------------------------------------------------
版权声明：
原创文章，来源PTC官方，本文已经授权，欢迎分享，如需转载请联系作者。
