應(yīng)用

技術(shù)

物聯(lián)網(wǎng)世界 >> 物聯(lián)網(wǎng)新聞 >> 物聯(lián)網(wǎng)熱點(diǎn)新聞
企業(yè)注冊(cè)個(gè)人注冊(cè)登錄

人工智能在制造業(yè)成功應(yīng)用的4個(gè)步驟

2022-07-25 09:16 千家網(wǎng)

導(dǎo)讀:如果要讓人工智能對(duì)制造業(yè)有價(jià)值,那它必須是整個(gè)制造過(guò)程的一部分。

如果要讓人工智能對(duì)制造業(yè)有價(jià)值,那它必須是整個(gè)制造過(guò)程的一部分。

制造商可以在多種方面受益于人工智能,如提高生產(chǎn)、質(zhì)量控制和效率。盡管人工智能為制造商提供了幾種新的應(yīng)用,但為了獲得最大的價(jià)值,企業(yè)必須在整個(gè)制造過(guò)程中使用它。

這意味著制造工程師需要專注于人工智能數(shù)據(jù)準(zhǔn)備、建模、仿真和測(cè)試以及部署的四個(gè)關(guān)鍵方面,以成功地在不間斷的制造過(guò)程中使用人工智能。

不需要成為人工智能專家

工程師們可能認(rèn)為開(kāi)發(fā)人工智能模型需要相當(dāng)長(zhǎng)的時(shí)間,但事實(shí)往往并非如此。建模是工作流過(guò)程中的一個(gè)重要步驟,但不是最終目標(biāo)。要成功使用人工智能,關(guān)鍵是在流程一開(kāi)始就確定任何問(wèn)題。這讓工程師知道工作流的哪些方面需要投入時(shí)間和資源以獲得最佳結(jié)果。

在討論工作流時(shí),有兩點(diǎn)需要考慮:

制造系統(tǒng)龐大而復(fù)雜,人工智能只是其中的一部分。因此,AI需要在所有場(chǎng)景下與生產(chǎn)線上的所有其他工作部件一起工作。其中一部分是使用工業(yè)通信協(xié)議,如OPCUA,以及其他機(jī)器軟件,如控制、監(jiān)控邏輯和人機(jī)界面,從設(shè)備上的傳感器收集數(shù)據(jù)。

在這種情況下,工程師在融入AI時(shí)就已經(jīng)為成功做好了準(zhǔn)備,因?yàn)樗麄円呀?jīng)了解設(shè)備,且不管他們是否擁有豐富的AI經(jīng)驗(yàn)。換句話說(shuō),如果他們不是人工智能專家,仍然可以利用其的專業(yè)知識(shí)成功地將AI添加到工作流程中。

人工智能驅(qū)動(dòng)的工作流程

構(gòu)建人工智能驅(qū)動(dòng)的工作流程需要4個(gè)步驟:

?數(shù)據(jù)準(zhǔn)備

當(dāng)沒(méi)有良好的數(shù)據(jù)來(lái)訓(xùn)練AI模型時(shí),項(xiàng)目更有可能失敗。因此,數(shù)據(jù)準(zhǔn)備至關(guān)重要。錯(cuò)誤的數(shù)據(jù)可能會(huì)讓工程師浪費(fèi)時(shí)間去弄清楚為什么這個(gè)模型行不通。

訓(xùn)練模型通常是最耗時(shí)的步驟,但也是重要的步驟。工程師們應(yīng)該從盡可能干凈、有標(biāo)簽的數(shù)據(jù)開(kāi)始,專注于輸入模型的數(shù)據(jù),而不是專注于改進(jìn)模型。

例如,工程師應(yīng)該專注于預(yù)處理和確保輸入模型的數(shù)據(jù)被正確標(biāo)記,而不是調(diào)整參數(shù)和微調(diào)模型。這可以確保模型理解和處理數(shù)據(jù)。

另一個(gè)挑戰(zhàn)是機(jī)器操作員和機(jī)器制造商之間的差異。前者通常可以訪問(wèn)設(shè)備的操作,而后者需要這些數(shù)據(jù)來(lái)訓(xùn)練AI模型。為了確保機(jī)器制造商與機(jī)器操作員(即他們的客戶)共享數(shù)據(jù),雙方應(yīng)該制定協(xié)議和商業(yè)模式來(lái)管理這種共享。

建筑設(shè)備制造商Caterpillar提供了一個(gè)很好的例子來(lái)說(shuō)明數(shù)據(jù)準(zhǔn)備的重要性。其收集了大量的現(xiàn)場(chǎng)數(shù)據(jù),雖然這對(duì)精確的AI建模是必要的,但這意味著需要大量的時(shí)間來(lái)進(jìn)行數(shù)據(jù)清洗和標(biāo)記。該公司成功地利用MATLAB簡(jiǎn)化了這一過(guò)程。它可以幫助該公司開(kāi)發(fā)干凈、有標(biāo)簽的數(shù)據(jù),然后將這些數(shù)據(jù)輸入機(jī)器學(xué)習(xí)模型,利用現(xiàn)場(chǎng)機(jī)械的強(qiáng)大洞察力。此外,對(duì)于擁有領(lǐng)域?qū)I(yè)知識(shí)但不是人工智能專家的用戶,該過(guò)程是可伸縮的和靈活的。

?人工智能建模

這個(gè)階段在數(shù)據(jù)清理并正確標(biāo)記后開(kāi)始。實(shí)際上,就是模型從數(shù)據(jù)中學(xué)習(xí)的時(shí)候。當(dāng)工程師們有了一個(gè)準(zhǔn)確而可靠的模型,可以根據(jù)輸入做出智能決策時(shí),就知道他們已經(jīng)進(jìn)入了一個(gè)成功的建模階段。這個(gè)階段還需要工程師使用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)或兩者結(jié)合來(lái)決定哪個(gè)結(jié)果最準(zhǔn)確。

在建模階段,無(wú)論使用深度學(xué)習(xí)還是機(jī)器學(xué)習(xí)模型,重要的是能夠訪問(wèn)人工智能工作流的幾種算法,如分類、預(yù)測(cè)和回歸。作為一個(gè)起點(diǎn),由更廣泛的社區(qū)創(chuàng)建的各種預(yù)構(gòu)建模型可能是有幫助的。工程師也可以使用靈活的工具,如MATLAB和Simulink。

值得注意的是,盡管算法和預(yù)先構(gòu)建的模型是一個(gè)很好的開(kāi)始,但工程師應(yīng)該通過(guò)使用其領(lǐng)域內(nèi)其他人的算法和示例,找到最有效的路徑來(lái)實(shí)現(xiàn)他們的特定目標(biāo)。這就是為什么MATLAB提供了數(shù)百個(gè)不同的例子來(lái)構(gòu)建跨越多個(gè)領(lǐng)域的AI模型。

此外,還需考慮的另一個(gè)方面是,跟蹤更改和記錄訓(xùn)練迭代是至關(guān)重要的。像實(shí)驗(yàn)管理器此類工具可以通過(guò)解釋導(dǎo)致最準(zhǔn)確的模型和可重復(fù)的結(jié)果的參數(shù)來(lái)幫助實(shí)現(xiàn)這一點(diǎn)。

?模擬和測(cè)試

這一步確保AI模型正確工作。人工智能模型作為一個(gè)更大系統(tǒng)的一部分,需要與系統(tǒng)中的各個(gè)部分一起工作。例如,在制造業(yè)中,AI模型可能支持預(yù)測(cè)性維護(hù)、動(dòng)態(tài)軌跡規(guī)劃或視覺(jué)質(zhì)量檢查。

其余的機(jī)器軟件包括控制、監(jiān)控邏輯和其他組件。模擬和測(cè)試讓工程師知道,模型的一部分按照預(yù)期工作,包括自身工作和與其他系統(tǒng)一起工作。只有當(dāng)能夠證明模型按預(yù)期工作,并且具有足夠的有效性來(lái)降低風(fēng)險(xiǎn)時(shí),該模型才能在現(xiàn)實(shí)世界中使用。

無(wú)論在什么情況下,模型都必須以其應(yīng)該的方式做出響應(yīng)。在使用模型之前,工程師應(yīng)該在這個(gè)階段了解幾個(gè)問(wèn)題:

?模型的準(zhǔn)確度高嗎?

?每個(gè)場(chǎng)景中,模型是否按照預(yù)期執(zhí)行?

?所有邊緣情況都被覆蓋了嗎?

像Simulink這類的工具可以讓工程師在設(shè)備上使用之前,檢查模型是否按預(yù)期情況運(yùn)行。這有助于避免在重新設(shè)計(jì)上花費(fèi)時(shí)間和金錢。這些工具還通過(guò)成功地模擬和測(cè)試模型的預(yù)期案例,并確認(rèn)滿足預(yù)期目標(biāo),從而幫助建立高度信任。

?部署

一旦準(zhǔn)備好部署,下一步就是用其將使用的語(yǔ)言準(zhǔn)備好模型。為此,工程師通常需要共享一個(gè)現(xiàn)成的模型。這讓模型適合指定的控制硬件環(huán)境,如嵌入式控制器、PLC或邊緣設(shè)備。MATLAB等靈活的工具通??梢栽谌魏晤愋偷膱?chǎng)景中生成最終代碼,為工程師提供了在不同硬件供應(yīng)商的許多不同環(huán)境中部署模型的能力。他們可以做到這一點(diǎn),而無(wú)需重新編寫原始代碼。

例如,當(dāng)將模型直接部署到PLC時(shí),自動(dòng)代碼生成消除了手工編程過(guò)程中可能包含的編碼錯(cuò)誤。這也提供了優(yōu)化的C/c++或IEC61131代碼,將有效地運(yùn)行在主要供應(yīng)商的PLC上。

一些控制制造商支持從 MATLAB 和 Simulink 自動(dòng)生成 PLC 代碼(IEC 61131 或 C/C++)

成功部署人工智能,并不需要數(shù)據(jù)科學(xué)家或人工智能專家。然而,有一些關(guān)鍵的資源可以幫助工程師和其的AI模型為成功做好準(zhǔn)備。這包括為科學(xué)家和工程師制作的特定工具,將人工智能添加到工作流程中的應(yīng)用程序和功能,各種不間斷操作使用的部署選項(xiàng),以及隨時(shí)準(zhǔn)備回答AI相關(guān)問(wèn)題的專家。給工程師提供正確的資源來(lái)幫助成功添加人工智能,將讓他們交付最好的結(jié)果。