工业AI应用：时间序列和传感器数据如何改进制造过程？ 作者 | Daniel Faggella 译者 | 邵思华 编辑 | Vincent AI 前线导读：近十年以来，工业部门在自动化与机器人的应用上取得了长足的进展。随着自动化与机器人应用场景的不断丰富，工业领域成为了一个拥有海量数据的环境。来自 Maya HTT 公司的 Remi Duquette 在本文中列举了一系列用户场景，为读者介绍如何在这些场景中利用 AI 技术改进现有的工业过程。 更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front） 近十年以来，工业部门在自动化与机器人的应用上取得了长足的进展。无论是连续过程与离散制造的自动化，或是机器人在重复性任务上的应用，对于多数大型制造商来说都已经成为一种标准选择（尤其适用于汽车与电子工业。参考： https://in.reuters.com/article/us-robotics-industrial-statistics/electronics-industry-drives-2016-industrial-robot-sales-ifr-idINKCN1C22OR）。 随着自动化与机器人应用场景的不断丰富，无意中也使工业领域成为了一个拥有海量数据的环境。自动化的实现需要传感器与通信网络的安装覆盖，而这些设备使传感数据或遥测数据的收集点成倍地增长。 Maya Heat Transfer Technologies （简称 HTT，官网：https://bit.ly/2J0titJ）是一家从事工程产品与服务方面的供应商，来自该公司的 Remi Duquette 认为，海量的工业数据未必能够为制造商带来相应的洞察力。 “在过去二十年间，工业部门采集了海量的遥测数据以用于生产过程，但在我看来，这些数据只能说是'鸡肋'。虽然确实收集到了大量数据，但很少能够产生有效的商业用途。现在，随着 AI 与机器学习技术的普及，我们终于看到这些数据真正地开始帮助制造商增加产出、降低故障率。” Remi 在 Maya HTT 的工作内容之一是研究如何利用人工智能让散乱的工业数据产生价值（参考：https://www.techemergence.com/what-is-artificial-intelligence-an-informed-definition/），包括预防系统停机、减少计划外的维护、减少生产事故等等。他相信，通过机器学习技术的应用，能够检测出这些问题的内在模式，从而改进工业过程。这是目前基于统计学的软件应用与分析系统所无法实现的。 在访谈的过程中，他列举了一系列 Maya HTT 目前正在调研的用户场景，以及如何在这些场景中利用 AI 技术改进现有的工业过程。 近期，Remi 在旧金山举办的 OsiSoft PIWorld Conference 大会上的演讲中，也在幻灯片中重申了上述观点： 用户场景：离散制造 现如今，制造业所面临的最大业务挑战包括如何提高产出和减少周转时间，这一点适用于各个行业。 一个有趣的趋势是：大部分制造商在应用 AI 技术的前期，都倾向于将注意力投入在对单台设备的优化上。实际上，通过对生产线上所有设备作为整体进行优化，其产生的效果能够带来更大的价值。 “如何帮助制造商将目光放远，而不是局限于自动化和基于统计的过程，或者是对单台设备的优化。在这一点上，我们做的还很不够。 从我们对于 AI 应用状况的观察来看，在单台设备的层面上已经没有多少改进的空间，它的优化已经做得非常彻底。如果说 AI 能够在某方面带来更大的帮助，我们就必须将生产链视为一个整体，或是将不同类型的数据进行整合，才能够进一步对单台设备进行优化，或是将多台设备作为整体进行优化。” 在当前典型的离散制造环境中，我们发现整个制造过程往往包含多于 10 个阶段，每一阶段都需要从大量设备中收集各种数据。Remi 表示，在这种场合中，现在的 AI 技术已经可以追踪不同设备之间的相互关联性，并从这些工业数据中进行模式辨识，这也许会带来整体效率的提升。 Remi 在此处进行了深入的探讨，他介绍了一个 Maya HTT 客户的真实案例：某个离散制造行业客户的生产线为高废品率所困扰，Maya HTT 为此收集了约 2 万个实时的遥测变量。通过对数据、工业日志以及其他非实时的生产数据进行分析后，AI 平台找到了导致高废品率的罪魁祸首。 “整个离散制造过程包含超过 10 道工序，每道工序都收集了大量的数据。但到整个过程结束后，废品率仍然居高不下……。 在这种场景中，我们选择使用 AI 技术，对整条 '食物链'中的各个环节进行深入分析。 我们收集了 2 万个实时的遥测变量，通过将这些变量相互关联，并与生产数据结合在一起，AI 就能够找到哪些组合与变化会导致废品率的升高。在这个案例中，AI 成功地使导致废品出现的问题减少了 70% 以上。” 这套制造业 AI 方案能够快速地找到有缺陷的部件，设备操作员便可以直接从流水线上取走。这种方式减少了质检团队的工作量。总体上，这套方案不仅节省了材料，而且减少了对缺陷部件的检测或校正工序。（参考：https://www.techemergence.com/machine-learning-in-manufacturing/） 从实际的业务角度来说，这种方式使制造商减少了原材料的消耗，并且大大缩短了整体返工时间。最终结果是每条生产线一年能够减少 50 万美元的支出。Remi 表示：“在这个案例上，我们预计能够为客户每年减少 50 万美元的成本。” 案例分析：车队管理 Remi 介绍的下一个案例是关于物流行业中的车队管理与货运操作优化，因为卡车或货轮等车辆的油耗管理对于长期成本的节约来说非常关键。 Remi 表示，AI 技术能够实现“实时”的车队管理，这是单纯的自动化软件系统难以做到的。AI 能够从数据中辨别出各种模式，例如天气、温度条件、操作、行驶里程等因素都有可能用于异常情况的分析，并为车队推荐最佳路线或行驶速度，以实现最佳的油耗效率。 Remi 认为，AI 在物流方面的案例研究将集中在更普遍条件下车队的总体耗油量分析上，无论采用的是哪一种运输方式（如卡车、货轮等等）。 “如果你有一支大型车队，那么总是有机会找到在油耗方面的改进，从而极大地减少支出。” 对于超大型车队来说，AI 也可以通过模拟的方式减少车队的整体油耗，使成本急剧下降。 案例分析：工程仿真 Remi 的最后一个案例是关于计算流体动力学设计领域的，与 3D 工程仿真相关的故事。 在传统的仿真软件中，通过输入各种指标，例如流体的流率等等，并生成对应的 3D 仿真结果。总共大约经过 15 分钟，才能够完成最后的渲染，整个过程漫长、反复，并且通常是由人工完成的。 Maya HTT 团队表示，他们可以为这一场景设计一个 AI 工具，能够在不到 1 秒的时间内得到仿真的结果。团队认为，由于在设计阶段带来了 900 倍的效率提升（从 15 分钟降至 1 秒），设计团队就能够尝试更多不同的设计方案。 工业 AI 实现的不同阶段 随后，我们向 Remi 提出了一个问题：如果制造行业的领导者们对于 AI 的应用很感兴趣，应该从哪里做起？Remi 为我们介绍了 Maya HTT 设计的一种包含 5 个步骤的方案。 第一步是进行业务评估，确认是否有哪些 AI 项目可能会带来业务上的重要影响。 其次，业务人员需要理解如何对所需的数据进行访问及操作，以便对 AI 平台进行训练与配置。为了改进兼容性，或许需要对数据的采集方式进行重构。 AI 应用的实际创建过程及改进。 对于 AI 系统的训练及所得出的结果需要合理的解释与理解。在 AI 操作代理投入使用之后，需要进行最终的微调，将准确率调整至理想的水平。 使 AI 方案产生实际可见的商业成果，并对结果进行评估。 在我们接触过的几乎每一个行业中，AI 应用流程中的数据预处理环节都没有得到足够的重视（并且往往伴随着复杂的实现）。而在工业领域中，很显然，这一环节总是面临着巨大的挑战。 展望工业 AI 的未来 Remi 相信，在当前阶段，工业 AI 的应用只会提高工人的生产力，而不是完全取代他们的工作： “至少从短期到中期来看，AI 能够为车间里的工人带来帮助，提高产出和生产率。” 他同时表示，AI 在重工业方向的长期应用包括更完善的自动化，使车间设备不仅能够获取数据，并找到其中的模式，更进一步通过这些模式指导工作，例如： 生产线能够检测出某个产品存在问题的迹象（检测方式包括对部件进行可视化分析，或是对部件在产线过程中的温度与震动进行分析），并从产线中取走该产品，随后或是进行人工检验，或者将问题件进行回收。 车队管理系统可以检测出某台卡车的损坏部位所发出的异常遥测数据，并根据其预定路线，提示驾驶员前往最近的维修站。出于诊断机制的考虑，可以对驾驶员提出一系列相关问题。Remi 认为，对于这类自主性 AI 行为的后续研发工作，不仅牵涉到对工业 AI 核心技术的进一步研究，而且需要大量的时间完善现有的应用，并通过海量的数据集对 AI 系统进行训练。 到目前为止，大量的工业 AI 应用仍然不够成熟，通用性也较差，这一方面是出于制造业或车队管理的特殊性（没有任何行业在这两方面是完全相同的）。但另一方面，也是因为 AI 技术在制造业或重工业方面的应用比起在市场或金融领域的应用落后了很多。 随着整个行业的逐渐成熟，由数据分析产生结果的流程逐步稳定之后，AI 系统的能力就不再受限于对异常情况进行检测和标注（或是提供下一步操作的建议），而是当系统对于当前情况的确定性达到某一标准时，能够完全自主地采取相应的措施。 查看英文原文： https://www.techemergence.com/industrial-ai-applications-time-series-sensor-data-improve-processes/ 如果你喜欢这篇文章，或希望看到更多类似优质报道，记得给我留言和点赞哦！