2020年，人工智能将以十种方式改善制造业

此次疫情的肆虐，在很多制造商眼中反而成了“重置现有业务体系”的好机会，他们希望借此拓展并增强生产流程的适应性与智能化水平，而分析与AI技术的驱动自然成为转型过程中不可或缺的一环。

将人类经验、见解与AI技术相结合，制造业企业发现了新的差异化方法，得以在降低成本的同时维持正常利润。面对艰难的经济环境，各制造商都必须正视保持业务增长所需要克服的挑战。但他们并不孤单——波士顿咨询一项最新研究《后危机时代下，以AI为驱动力的企业将全面崛起（The Rise of the AI-Powered Company in the Postcrisis World）》就发现，在前四轮全球经济衰退当中，有14%的公司反而能够逆势提高销售额与利润率，如下图所示：

▲ 图片来源/波士顿咨询《后危机时代下，以AI为驱动力的企业将全面崛起》，2020年4月2日。

AI，构建实时制造业的未来「核心」

实时监控具有诸多优势，包括解决生产瓶颈、跟踪废品率、控制交货日期等等。实时监控指标也是上下文数据的理想来源，可用于训练机器学习模型。有监督与无监督机器学习算法，能够在几秒钟之内，解释多个生产班次的实时数据，并据此探索出前所未有的流程、产品与生产运作模式。

凯捷近期发布了《在制造运营中扩展AI技术（Scaling AI in Manufacturing Operations: A Practitioners Perspective ）》研究报告。我们结合报告内容，同时参考过去几个月来对多家制造商的访谈结论，整理出以下十条AI技术在2020年增强制造行业的重要见解：

• 制造企业中，29%的AI实施方案面向机械维护与生产性资产。凯捷研究团队发现，利用AI技术预测机器/设备何时可能发生故障并制定最佳维护时间（基于条件型维护）已经成为当今制造业中的主流。通用汽车就在技术供应商的帮助下，对安装在组装机器人上的拍摄图像执行分析，借此寻找机器人部件发生故障的迹象与征兆。在对该系统进行的一项先导测试中，通用方面检测了7000台机器人上的72个组件故障实例，并成功在可能导致计划外停机之前发现了问题。下图来自研究报告，说明了AI技术如何支撑起制造业中的智能维护方案：

▲ 图片来源/凯捷制造业AI运营扩展报告：从业者视角。

• 通用汽车联手Autodesk，依托于机器学习技术，在产品设计的约束与优化领域建立起生成性设计算法。在CAD设计环境中建立起这样一种约束优化逻辑，帮助通用汽车显著加快原型设计速度。设计师负责向算法中输入功能需求、材料、制造工艺以及其他约束性定义，算法则快速给出设计结果。2018年5月，通用汽车开始采用Autodesk生成设计软件，以优化零部件重量等核心产品标准，并希望以此为基础实现零件的增材制造能力。这套解决方案最近已经开始在安全带支架零件原型中进行测试，最终使单件设计较原始方案减重达40%、强度增长20%。——来自于哈佛商学院《捕梦网计划：生成式设计如何加速增材制造（Project Dreamcatcher: Can Generative Design Accelerate Additive Manufacturing for additional information）》。

▲ 图片来源/哈佛商学院案例分析，《捕梦网计划：生成式设计如何加速增材制造》

• 诺基亚推出视频应用程序，利用机器学习技术，为流水线装配中的不一致问题发布警报。诺基亚公司在芬兰奥卢的一家工厂中推出了利用机器学习监控装配线流程的视频应用程序。它能够及时发现操作员工作中的不一致，从而实时纠正问题。——来自于《诺基亚联手瑞典电信与英特尔，公布全球首个「实用型」5G智能工厂实验（Nokia claims first "real-world" 5G smart factory trial with Telia and Intel）》。

▲ 图：诺基亚联手瑞典电信与英特尔，公布全球首个「实用型」5G智能工厂实验

• 实时分析图像，对汽车及消费品制造业成品进行质量检测，协助制造商遵循法规的严格要求。高分辨率摄像机成本在持续下降，基于AI的图像识别软件与技术，则在快速进步。这两项因素的结合，令实时在线检查的效果与实现成本愈发亲民。奥迪公司正是这一领域的领导者，奥迪公司在英戈尔施塔特冲压车间安装了基于深度学习的图像识别系统。下图所示，为该实时产品质量检查工作流的具体运作方式：

▲ 图片来源/凯捷制造业AI运营扩展报告：从业者视角

• 消费级密封食品制造商对于预测准确性的要求，向来远高于其他行业。达能集团是一家法国跨国食品制造商，正在利用机器学习系统，改善营销、销售、客户管理、供应链与财务等领域之间的规划与协调能力，希望借此提升对市场需求预测的准确性。其中的一大核心诉求，就是借助机器学习将渠道或店面的产品库存控制在既定水平。这套系统使预测误差减少了20%、销售损失降低达30%、产品过期比例减少30%、规划工作量降低达50%。

▲ 图：基于机器学习的需求规划与预测系统基本架构。图片来源/ 凯捷制造业AI运营扩展报告：从业者视角。

• Thales SA是一家电子系统供应商，正在利用机器学习，对欧洲的铁路系统进行预防性维护。该公司跨越整个欧洲，收集沿途部署的成千上万个传感器、火车零件以及子系统，从中整理历史运行状态与当前数据。利用这些数据，该公司开发出一种AI算法，能够预测潜在问题，并确定何时需要更换特定零件。事实证明，系统给出的预测结果相当可靠。下图所示为用于预测性维护的TIRIS大数据分析工具中的仪表板，可帮助铁路行业实现零计划外停机目标。

▲ 图：用于预测性维护的TIRIS大数据分析工具中的仪表板，可帮助铁路行业实现零计划外停机目标，来自于Thales SA公司。

• 宝马集团利用AI技术，评估其生产线中的零部件图像，借此实时发现与质量标准不符的偏差问题。在宝马集团丁格尔芬工厂的最终检查区内，一款AI应用程序负责将车辆订单数据与新生产汽车的实时图像进行比较。具体车型与其他标识（例如用于标识四驱车型的「xDrive」）将以固定组合的形式保存在图像数据库当中。如果实时图像与订单数据不一致，例如缺少特定标识，则最终检查团队会立即收到通知。那么，宝马如何利用AI技术进行创新，请参阅《快速、高效、可靠：宝马集团生产体系中的人工智能（Fast, efficient, reliable: Artificial intelligence in BMW Group Production）》。宝马集团还在开源平台上共享其生产流程中使用的AI算法。

▲ 图： 宝马目前使用的AI图像匹配技术示例。图片来源/《快速、高效、可靠：宝马集团生产体系中的人工智能（Fast, efficient, reliable: Artificial intelligence in BMW Group Production）》

• 施耐德电气以微软Azure Machine Learning服务与Azure IoT Edge为基础，创建预测性物联网分析解决方案，借此改进员工安全，削减成本，并实现可持续发展目标。施耐德电气的数据科学家们使用来自油田的数据构建模型，并借此预测设施何时何地需要维护。数据科学家们使用自动机器学习功能，高效选择最佳机器学习模型，并自动调整模型参数，以节约时间并提高效率。该公司在部署基于Azure Machine Learning服务的解决方案之后，短短两天内就帮助运营商将效率提高了10%至20%。——来自于《施耐德电气通过Azure Machine Learning服务的预测性维护功能，将成本与员工风险控制在最低水平（Schneider Electric minimizes costs and worker risk with Azure Machine Learning service predictive maintenance for additional details）》。

图：包含微软Azure Machine Learning Service的微软IoT Edge Analytics植入方案 。图片来源/《施耐德电气通过Azure Machine Learning服务的预测性维护功能，将成本与员工风险控制在最低水平（Schneider Electric minimizes costs and worker risk with Azure Machine Learning service predictive maintenance for additional details）》

• 日产公司尝试利用AI技术实时设计新车型，以期缩短下一代车型产品的上市周期。日产公司将这个已经拥有四年发展历史的项目，称为DriveSpark程序。目前，日产设计师们使用DriveSpark系统，创造出完全符合行业最新法规与合规性要求的全新车型。他们还利用AI技术延长现有车型的生命周期。——来自于DriveSpark介绍文章《日产汽车的理念：让人工智能设计我们的汽车（DriveSpark, "Nissan's Idea: Let An Artificial Intelligence Design Our Cars," September 2016）》，2016年9月。

• 佳能发明了资产缺陷识别系统，旨在将更高水平的质量控制方案，引入现有制造中心。佳能将人类专业知识、洞察能力与AI技术（包括机器学习、计算机视觉以及预测模型）相结合，希望借此提高对高精度机器零件的测试准确性与效率。目前，汽车与运输、航空航天及国防、石油与天然气以及建筑等行业中的精密零件制造商，往往需要执行严格的组装后检查过程。佳能的制造组件将经由工业级射线拍摄（X射线影像）与实拍图像进行细致检查，以确保每个零件及其内部结构皆符合完整性要求。借助计算机视觉与机器学习功能，辅助缺陷识别技术系统，能够智能分析被栓零件的图像、自动识别潜在缺陷，甚至包括人眼难以察觉的细小瑕疵。再配合人类工程师的介入与引导，该系统即可不断学习并提高自身判断准确性。