一些資產(chǎn)密集型組織如今正在實施數(shù)字化轉(zhuǎn)型，以實現(xiàn)卓越運營、改善關(guān)鍵績效指標(biāo)(KPI)，以及解決生產(chǎn)和支持流程領(lǐng)域中的具體問題。
基于人工智能的預(yù)測模型是非常有用的工具，可以部署在復(fù)雜的生產(chǎn)環(huán)境中。與常用的一些分析工具相比，在生成大量結(jié)構(gòu)化或非結(jié)構(gòu)化數(shù)據(jù)的復(fù)雜生產(chǎn)環(huán)境中，預(yù)測模型更容易放大不同參數(shù)之間的相關(guān)性。
一些資產(chǎn)密集型組織的高管表示，人工智能的應(yīng)用正在穩(wěn)步增長。這與調(diào)研機構(gòu)IDC公司的預(yù)測相一致，即到2026年，將有70%的全球2000強組織使用人工智能為基于風(fēng)險的運營決策提供指導(dǎo)和見解。目前這一數(shù)字還不到5%。
典型的人工智能用例大多利用嵌入在計劃和調(diào)度工具中的認(rèn)知人工智能，它也用于質(zhì)量和維護(hù)預(yù)測模型。
利用人工智能引擎的解決方案可以提供即時價值和合理的投資回報率，這些引擎能夠識別圖像和聲音，以及振動、溫度和過程中的數(shù)值。人們目前在試點或獨立實施的方案中看到了這樣的用例。
定制與標(biāo)準(zhǔn)人工智能驅(qū)動的解決方案
從可擴展性的角度來看，有兩個主要的數(shù)字項目組在生產(chǎn)領(lǐng)域中利用人工智能。每個項目都帶來很多價值。然而，它們提供了不同的時間尺度和時間精度。
·定制的解決方案：基于復(fù)雜學(xué)習(xí)過程的人工智能驅(qū)動的解決方案是高度定制的?？梢岳蒙窠?jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)進(jìn)行圖像識別，或者通過監(jiān)督學(xué)習(xí)來建立預(yù)測模型。
對解決方案進(jìn)行微調(diào)以提供90%的精度需要相對較長的時間。這些通常是預(yù)測性解決方案，用于模擬材料在生產(chǎn)過程中的行為(例如紙帶或鋼坯的破損預(yù)測)。
衛(wèi)生紙制造商Hayat Holding公司首席信息官Gülsün Akhisaroglu說：“我們花費近兩年的時間才能達(dá)到90%的準(zhǔn)確性。”
工業(yè)可擴展性可能是一個真正的挑戰(zhàn)。然而在這個項目中采用了自動學(xué)習(xí)模式，顯著加快了進(jìn)展，并且準(zhǔn)確率達(dá)到99%。
即使在高度定制的模型中，也可能很難找到問題的根源。為了解決這些問題，分析師和材料工程師必須使用智能解決方案來顯示問題發(fā)生的時間、方式和原因。
該公司首席信息官Akhisaroglu說：“我們決定評估深度學(xué)習(xí)算法，以發(fā)現(xiàn)任何有意義的模式。我們從所分析的92種算法中選擇了8種更有希望的算法。”
工程師、開發(fā)人員和數(shù)據(jù)分析人員可以使用幾種基于現(xiàn)代技術(shù)的數(shù)字和硬件工具及解決方案。但是在許多情況下，采用這些工具和解決方案是不夠的。生產(chǎn)環(huán)境可能大不相同。
這不是簡單地捕捉正確的參數(shù)和信號來提高輸出質(zhì)量和模型的最終精度的問題，其工作條件也可能有所不同。維護(hù)、調(diào)整和操作生產(chǎn)設(shè)備的不同方法可能會嚴(yán)重影響模型輸出的質(zhì)量。追求更高質(zhì)量的過程可能曲折而艱難。
當(dāng)然，投資回報率必須非常引人注目。經(jīng)驗表明，快速解決方案原型是必不可少的，模型的功能應(yīng)該3～4周內(nèi)快速測試。由于學(xué)習(xí)過程和模型的調(diào)整，從開始開發(fā)解決方案到部署解決方案(獲取準(zhǔn)確可靠的輸出)之間的交付時間可能要花費數(shù)月的時間。
這就是部署的理想生產(chǎn)類型是高度資產(chǎn)密集型環(huán)境的原因，因為在這種情況下，一次中斷事故就可能造成數(shù)百萬美元的損失。
·標(biāo)準(zhǔn)化解決方案：這些是基于圖像識別原理的精細(xì)化、高度可擴展的解決方案。最終輸出的精度在很大程度上取決于異常樣本的數(shù)量，因為樣本越多，模型越精確。
對于基本的質(zhì)量控制任務(wù)，可能需要4～6個不合格(“NOK”)樣本，通過生產(chǎn)線上的攝像頭來指導(dǎo)系統(tǒng)運行。從理論上來說，這樣的解決方案甚至可以提供99.99%的準(zhǔn)確率。然而現(xiàn)實表明，只有在簡單的質(zhì)量檢驗任務(wù)中才能達(dá)到這么高的理論值。
尺寸和表面完整性在能否有效利用這種解決方案中起著重要作用。越小越簡單，控制輸出越有效。
利用人工智能跟蹤和分析每個裝配步驟(包括周期分析)的解決方案看起來非常具有發(fā)展前景。這樣的解決方案可以識別生產(chǎn)異常和瓶頸，從而將生產(chǎn)效率提高百分之幾十。
它們還可以顯著加快發(fā)現(xiàn)質(zhì)量問題的速度，而在某些情況下，可以將發(fā)現(xiàn)時間縮短到幾分鐘。標(biāo)準(zhǔn)化解決方案很容易實現(xiàn)1～2年的投資回報率目標(biāo)。其時間尺度和時間精度可能只有幾天甚至幾小時。
不要浪費時間，從現(xiàn)在開始
組織應(yīng)該對在生產(chǎn)、質(zhì)量控制和維護(hù)中利用人工智能有著更加現(xiàn)實的期望，因為人工智能并不是解決所有問題的靈丹妙藥。
但是，人工智能可以提供大量的用例。組織的重點應(yīng)該放在人工智能驅(qū)動的解決方案可以實現(xiàn)的目標(biāo)上，以及可以在這些解決方案上投入多少精力和費用。
在許多情況下，效益不僅是明顯的關(guān)鍵績效指標(biāo)(例如生產(chǎn)線可用性或整體設(shè)備效率)，而且是提高可持續(xù)性和質(zhì)量、解決生產(chǎn)過程中的問題以及提高客戶滿意度的目標(biāo)。
必須避免產(chǎn)生數(shù)字孤島。要充分發(fā)揮數(shù)據(jù)的威力，人工智能驅(qū)動的模型必須與企業(yè)的各系統(tǒng)(例如制造執(zhí)行系統(tǒng)、企業(yè)資源計劃和高級分析工具)集成。數(shù)據(jù)可以在多個領(lǐng)域根據(jù)具體情況進(jìn)行分析。不同的分析解決方案結(jié)合起來可以得到意想不到的效果。
更早地實施
但是，當(dāng)組織的業(yè)務(wù)向前推進(jìn)時，不要低估技術(shù)和管理方面的支持。Hayat Holding公司首席信息官Akhisaroglu指出：“回顧過去，我們在采用一些試點項目時浪費了很多時間。我們應(yīng)該早些開始，更主動地從所有可用的相關(guān)資源中收集數(shù)據(jù)。我們在服務(wù)器、數(shù)據(jù)庫和流程方面面臨許多挑戰(zhàn)，但很顯然，我們?yōu)榭焖儆行У貪M足業(yè)務(wù)需求而開展了協(xié)調(diào)一致的工作。”
