從預測性維護到數字雙胞胎，人工智能正在引領下一次制造業革命——但是還缺乏技能、數據和標準。
人工智能和機器學習正在推動制造業變革。據世界經濟論壇去年年底發布的一份報告：人工智能、先進機器人、增材制造（也稱為3D打印）和物聯網（IoT）的結合將迎來第四次工業革命。
大部分制造企業（80%）認為人工智能項目會產生積極影響，預計收入將增長22.6%，而成本降低17.6%。
事實上，制造商已經在使用人工智能和機器學習技術來減少設備停機時間，發現生產缺陷，改善供應鏈，縮短設計時間。然而，缺乏技術員工、數據和標準，使得很多企業裹足不前。
通用電氣引領潮頭
通用電氣公司站在了這一波產業轉型浪潮的最前沿，由于公司所在領域生產率不斷下降，該公司一直在積極探索怎樣應用人工智能。
該公司軟件研究副總裁Colin Parris評論說：“2010年之前，生產率增幅都在4%至5%之間。”然后，行業發生了變化。經驗豐富的工程師面臨退休，而通用電氣公司所處的新地區（包括印度和中國），以年輕員工為主。
Parris說，同時，客戶需求很快變得更加復雜。有些目的地的新航線出現了極端天氣條件和空氣污染，這也影響了通用電氣公司制造的噴氣式發動機。社交媒體放大了停運的影響，客戶受其影響也會要求提高可靠性，縮短停機時間。
與此同時，客戶還希望價格仍會繼續降低。
Parris說：“人們說，你無法預測未來。其實，你當然可以。人們想要更便宜的東西。”
要解決這個問題。通用電氣公司轉而采用人工智能和機器學習，從向客戶提供的服務開始，例如，噴氣發動機和渦輪機維護。通用電氣公司將人工智能應用于內部制造，隨后是設計，然后是內部流程，例如數據中心運營和人力資源。
Parris說：“至少在過去的10到15年里，我們在服務中一直使用分析模型和表格。”5年前，通用電氣公司開始使用機器學習和數字雙胞胎，它們對一些機械設備進行了虛擬化表示，例如風力渦輪機或者風電場等機組。數字雙胞胎也可以用來表征裝配線、整個工廠或者采購過程。
在通用電氣公司，數字雙胞胎被用來性能建模、故障預測，并支持對有潛力的改進進行快速測試。
Parris說：“我們能夠預測哪些事情會失敗，所以我們會配置合適的工程師，庫存也會有合適的零件。我們提高了燃油效率，飛機飛行時間更長，而且提供服務時不必攜帶一些不必要的零部件。我們已經為顧客節省了數百萬美元。”
每一設備、系統和工藝都有數字雙胞胎的另一個好處是，通用電氣公司可以利用增材制造（3D打印）來開發定制部件，而不必依賴于必須在傳統生產線上大批量生產的替換零件。
他說：“隨著時間的推移，機械設備的性能會劣化。現在我可以說，‘我能設計專門的零件嗎，因為以這種方式使用這臺機器時，我們看到邊緣會出現損傷，或者刀片更容易出現裂紋。’”而利用增材制造，我一次只制造一個零件，就能夠解決這臺機器在這種環境下特有的問題，而不用建造這些零件的大型工廠，并生產出數百個這樣的零件。以前，我不得不花費數億美元來建造工廠。現在，我可以一次打印一個零件，并且可以不斷地調整機器機身和機器的程序。現在我們的機器能不斷地進行自我調整，生產效率變得越來越高，我們稱之為不朽的機器。”
他補充道：“我認為通用電氣公司未來在這方面會非常有趣。”
預測性維護的前景
其他制造公司也在考慮使用人工智能和機器學習來降低成本，提高性能。
總部位于佛羅里達的捷孚（Jabil）公司是一家財富500強企業，為全球很多大品牌提供代工服務，幾個月前，開始推動使用人工智能來發現制造缺陷，開展預測性維護工作。
例如，在中國的一家工廠，自動光學檢查機上有幾個攝像頭，用于查找該公司制造的電路板上的缺陷。
雖然已經采用了基本圖像識別技術來查找缺陷，但是系統標記有缺陷的電路板被發送給人類操作員進行檢查后，發現35%到40%的電路板實際上沒有任何問題。
公司的高級經理Ryan Litvak說：“操作員有兩秒鐘的時間查看每一圖像，其中一些電路板可能非常大，上邊會有數百個組件。難點在于把握好操作員的直覺，能夠非常準確的判斷‘是’，這實際上是一個缺陷，或者‘不是’，這不是一個缺陷。”
通過減少被標記的電路板的數量，在不犧牲準確性的前提下，捷孚公司使得操作員能夠把更多的時間花在有問題的電路板上，或者把時間重新分配到其他更有價值的任務中。
他說：“我們已經看到了非常好的效果。被標記的電路板中有93%到98%是真正有缺陷的，這一比例相當高，沒有缺陷的電路板中，70%以上都能夠通過檢查。”
他說，概念驗證涉及到兩條生產線，這些生產線有非常相似的設備和工藝。現在，捷孚公司正致力于將其推廣到其他生產線上，用于處理大量數據，在工作流程中直接集成新的決策過程。
公司關注的另一個領域是預測性維護，其中面臨的挑戰是怎樣獲得所需的數據。
Litvak說：“有很多不同的系統在用，而且有很多不同的設備。有些有自己的維護系統，有些則沒有。一些供應商通過電子表格來跟蹤維護，有些則使用自己開發的系統。”
他說，捷孚公司的數據科學家正在努力規范這些數據，并與微軟的專家一起合作建立預測設備故障所需的深度學習模型。
據麥肯錫的研究，采用了人工智能預測性維護的工業設備的年度維護成本降低了10%，停機時間減少20%，而檢查成本則降低了25%。
麥肯錫慕尼黑辦公室的合伙人Matthias K?sser說道，最近幾個月，人們對人工智能具體應用的試驗項目產生了濃厚的興趣。
最大的影響是在質量檢查和預測性維護中使用計算機視覺和傳感器數據。
他說：“我們目前在多家公司實施了這種基于視覺的人工智能應用，非常有潛力。然而，為了充分發揮這些潛力，企業應迅速把從這些試驗項目上學到的東西應用到各種功能和流程的人工智能整體轉型中。這就是真正開始工作的地方。”
有關準確性的問題
另一剛剛開始使用圖像識別來發現制造問題的制造公司是Lennox國際——一家總部位于達拉斯的暖通空調系統制造商。
公司的IT、先進和新興技術主管Sunil Bondalapati說：“準確度比人類高得多。現在，我們的準確率大約是20%。我們不把它看成是一個數量問題，我們把它看成是一個準確性問題。”
Lennox還向企業客戶租用設備，和通用電氣公司一樣，改進維護是其核心需求。
目前，暖通空調設備向云端傳送其性能信息，每小時大約有800萬條新記錄。
增強了智能化水平后，公司能夠實時預測設備故障，這在以前是不可能的。
Bondalapati說：“這才是人工智能所擅長的。它能夠保存兩年前某一設備所處的環境和內存——當濕度處于這一水平時，它在105度溫度下是怎樣工作的，當時它是怎樣工作的，現在又是怎樣工作的。”
Lennox四個月前開始了這個項目，結果很有意義，該公司決定未來四個月開始全面推廣應用這項技術。
Bondalapati說，很難計算維護方面的投資回報。“當設備沒有故障時，怎樣計算投資回報？我們明年將不得不為此收集一些數據。”
但Lennox的存儲和計算成本已經下降了一半，因為它能夠使用DataBrick的技術來整合數據。
他說：“我們從20個內核降到了4個內核。”
人工智能在企業中的另一應用是在財務方面。例如，計算公司應該為履行保修責任留出多少備付金。
Bondalapati介紹說：“以前，我們只是批準了一定的金額——2千萬美元或者3千萬美元，沒有科學的方法知道應該為那些想退貨的客戶預留多少資金。現在，使用人工智能后，我們能夠預測每個部件的故障率，告訴保修部門要留出多少資金，當我們獲得了更多的數據后，我們每天都能夠隨之進行調整。”
他預計所需的備付金將減少10%。
人工智能的力量越來越強
Lennox還利用人工智能來查找會計問題。
Bondalapati說：“我們有數以百萬計的總帳。如果是人的話，不可能每天都把這些賬本看一遍。”
他說他的部門一直在尋找利用人工智能來幫助業務發展的機會。
“我們就像一個內部咨詢機構。我們一直在推廣這些。我們每周都與業務部門和其他相關部門進行交流，并提供其他應用案例供他們嘗試。”他說。
Lennox涉足人工智能有些早了。“對于像我們這樣的行業來說，人工智能是一條艱難的道路，需要不斷的給心存疑慮的客戶們進行推銷。”
人工智能目前的主要局限：技能和數據
機器學習和高級分析在預測性維護和制造過程的其他方面也起著非常重要的作用。
據普華永道最近的一項研究，78%的制造企業已經部署或者計劃部署預測性維護技術，而已經部署或者計劃部署制造執行系統、數字雙胞胎和機器人過程自動化的制造企業的比例分別是73%、60%和59%。
只有29%的制造企業使用或者計劃使用人工智能，普華永道將人工智能定義為超越了機器學習和高級分析，能夠做出獨立的認知決策。
普華永道的IT戰略負責人Kumar Krishnamurthy評論說，如今，制造企業之所以關注嵌入式人工智能和機器學習技術，為的是降低成本。“但我的預測是，其中某些技術將幫助企業擴大規模，提高生產力水平。”
他說，客戶需求和來自行業顛覆者的壓力將迫使制造企業進行變革。然而，這項技術還沒有人們想象的那么成熟。此外，缺乏人工智能技能和缺少可用的數據，也阻礙了其走向成熟。
據普華永道的調查，52%實施人工智能的制造企業表示，缺乏技術人員是很大的難題，42%的制造企業則認為數據的可靠性存在問題。
將人工智能融入到設計過程中
Palo Alto研究中心想克服制造過程中非常困難而且耗時的設計階段中存在的技能和數據問題，施樂公司的很多創新都是源于該中心，例如，激光打印、面向對象編程、圖形用戶界面、光存儲和很多其他基礎技術等。
Palo Alto研究中心實驗室經理兼研發副總裁Ersin Uzun評論說，人工智能能夠承擔功能需求、成本、監管和制造約束等工作，并提出人類想不到的設計。
他說：“如果我讓你設計一種能讓我拿著液體的東西，你可能會首先想到一個杯子，但不一定能馬上想到駱駝背設計。”
一旦設計好了，Palo Alto研究中心還致力于開發某種技術，使用增材和減材制造方法來實現設計，并考慮由不同的設計和制造選擇所引入的缺陷。
他說：“如今，你設計好一件東西，把它送給制造專家，他們知道怎樣制造它，然后工程和分析人員看看制造出來的東西是否能滿足操作要求。這需要幾個月的時間。”
Uzun說，制造業是一個罕見的領域——其物理能力遠遠領先于軟件的處理能力。
他說：“我們有令人非常興奮的新材料，新的增材制造技術以及混合制造機器。但當你注意一下人們正在使用的軟件時，它遠遠發揮不出你所擁有的材料和工具的實際能力。我們現在有這些可以同時進行增材制造和減材制造的機器，但在設計上無法真正發揮出制造能力。所以一切都是手動進行的，對于我們目前的大部分復雜制造需求，這基本上超出了任何人類的認知能力。”
Palo Alto研究中心的區域經理Sai Nelaturi說，為了使設計工具能夠跟上材料科學和制造技術的快速發展，應該在工具中置入人工智能。
Palo Alto研究中心還致力于建立標準和協議，支持制造工廠中的所有不同系統彼此通信，開發人工智能算法來優化能源的使用、吞吐量、效率和安全。
Uzun說，Palo Alto研究中心本身并不產生技術。“我們是創新合作伙伴和技術提供商。我們一起創造這些技術，使其進入原型階段，并找到合適的合作伙伴將其推向市場。”
今天，Palo Alto研究中心正在與大型和小型制造企業合作，測試這些技術并將其推向市場。
他說，人工智能技術將幫助中小型制造商提高競爭力，而且有助于讓制造業工作崗位回歸美國。“如果是這樣，將在生態系統中創造出其他類型的工作。”
