工业人工智能介绍

基于人工智能（AI）和机器学习的先进技术和方法已经被认为过于学术和不可靠。它也被视为一种需要太多的基础设施变化，过于巨大的文化转变和太大的投资来实施。更重要的是，通常缺乏令人信服的证据来说服行业，即AI技术将反复和始终如一地与投资回报一起工作。

在我最近的书中，工业AI:具有可持续性能的应用，我通过引入工业AI (IAI)的概念直接解决了这些挑战，这是一个具有标准化数据处理程序的系统学科，为工业应用提供一致和可靠的解决方案。这一概念既包括并建立在该机构开展的开创性工作的基础上智能维护系统中心(IMS)在过去的20年里。它利用实时感测的融合，机器学习，先进的网络基础设施和决策工具，以提高制造系统和工业资产的敏捷性、弹性和可靠性。IAI的系统实施使制造商之间的安全数据共享成为可能，远程监控和操作，管理地理分布的资产等等。因此，它对下一代工业系统产生了真正的影响。

系统化和标准化是IAI比传统人工智能更可靠和一致的主要原因。技术的系统化是通过统一考虑数据、模型和任务之间的关系，建立一个统一的框架，用标准的协议来规范模型的开发。这个框架为一些基本问题提供了清晰的答案，例如:给定一个特定任务，从工业系统中生成和收集数据的最佳计划是什么?给定一个训练数据集，建立模型的最佳算法是什么?给定一个经过训练的模型，哪些额外的数据将给模型带来最显著的改进?

除了用于模型开发的标准协议之外，IAI还包括数据采集，模型结构，容错机制和预测的操作程序的标准化等等。在没有IAI的系统化和标准化，在直接应用于工业系统时，AI的总域开发的算法可能会表现不佳。

制造弹性是IAI的关键优势之一，它使制造系统具有可持续的性能。

通过使用AI算法将实时感官数据转换为设备健康，可以利用预测分析来提供对未来设备性能的见解，并估算失败前的剩余时间。此知识将使制造商能够决定为计划维护活动的最佳时间窗口，以便避免意外停机，并且不受影响。

辛辛那提大学的IMS中心驾驶其与其乐队锯制造商的成员公司之一进行了这样一种方法。振动传感器，声学传感器和控制器的数据被合并以预测开发技术中锯片的剩余使用寿命。负责备件库存和维护计划的团队可以访问此信息，使他们能够在降级的锯片可能损坏工件之前采取纠正措施。目前，乐队SAW OEM一直利用这项技术来扩大其市场份额。

数据驱动的制造过程的适应性已经证明了极大的能力，以提高制造精度，减轻计量负担和缩短爬坡时间。例如，在半导体制造过程中，大多数过程中的控制器(如蚀刻、化学机械抛光、物理气相沉积等)往往是根据经验量身定制的，以适应高成本的质量目标。然而，通过从AI模型中学习到的知识或从其他类似过程中转移过来的知识，可以显著减少过程控制的学习周期和费用。AI模型还可以根据设备的工艺参数虚拟地测量零件质量。因此，一旦发现异常，控制器可以调整，减少昂贵的计量设备的需要。更重要的是，先进工艺控制回路中的反馈机制可以有效降低工艺不确定性，提高制造精度。

总之，Industrial AI是一个系统的学科，专注于开发，验证和部署各种机器学习，以适应具有可持续性能的工业应用。成功实施技术可以显着提高制造系统的灵活性，弹性和可靠性，并为工业4.0铺平道路。