特征人工智能工厂自动化工业4.0与智能制造供应链
连接的制造：实现数据的资源

如果数据是在线营销人员的新石油，则可能更好地描述为制造商的新沥青。关键区别在于，制造数据，如沥青，在分离和处理的许多步骤之后只能提供值。

总部位于基奇纳的Acerta Analytics Solutions的联合创始人兼首席技术官让-克里斯托弗•佩特科维奇(Jean-Christophe Petkovich)表示:“很多人开始收集数据，并认为他们正在积累的信息财富，无需太多努力就能得出可行的见解。”“但我们发现，大部分需要完成的工作都是在信息捕捉实际发生之后。”

制造业面临的挑战是过程是独特的，并且没有成功的技术部署的通用路线图。相反，流程所有者必须通过一系列的试错实验将数据与现实情况相匹配。因此，实现的战略倡议可能会错过标记或在完成时要错过标记。

“你想将低悬挂的水果识别为您的第一个实现数据策略的目标，”Petkovich说。“你不想做的是策划一个宏伟的扫描战略，需要几年来实施。”

一个关键的考虑是，即使是被广泛吹捧的项目，如虚拟模拟不一定会增加价值。总部位于奥克维尔的人工智能解决方案提供商quarticl . AI联合创始人兼首席执行官拉吉夫•阿南德(Rajiv Anand)表示:“能够看到3D流程是很棒的。”“但它能给你带来价值吗?我并不是说它不会——在某些情况下它会——但如果你能创造一个3D数字双胞胎，你就得问问它会带来什么价值。”

另一个陷阱是具有大量数据无法保证具有正确的数据。“人们意识到即使他们收集了各种各样的数据，他们也没有他们想要解决的特定问题的数据，”Anand说。

从数据中提取价值

微软负责制造业的副总裁Çağlayan Arkan表示，事实证明，向互联制造的转变是一个渐进的过程，尤其是在中小型企业中。

“我们所看到的是我所谓的飞轮的创新，”阿尔坎说：“在那里你做一个很快拯救了一个项目，然后投资于下一个用例，等等。这样，你很快就会进入一个不同的地方。“

对于许多人来说，旅程开始于商店地板上的熟悉问题。也许公司正在应对高缺陷率，过度的交货时间或频繁的设备故障。也许，在大流行期间发现，入境供应链的可见性差。使得可衡量的进入识别优先事项的项目最有可能产生势头。

虽然旅程需要时间，所收集的物联网数据和人工智能的强大组合有可能带来前所未有的透明度和洞察广泛的制造问题。

流程业主必须通过一系列试验和错误实验将数据与现实生活中的情况匹配。因此，实现的战略倡议可能会错过标记或在完成时要错过标记。

Petkovich说:“我们不再局限于设计用于处理低样品尺寸的工具，如今我们有了完整的测量，所以我们可以跟踪每个正在制造的单个单元产生的所有测量。这意味着我们可以使用更先进的方法。”

这使制造商能够实现可追溯性 - 通过序列号跟踪每个产生的单位的能力 - 这是厂商在过去挣扎。这使得例如在事实上确定的问题的根本原因分析更容易。

实时设备信息

也许更重要的是，这项技术让制造商能够提前发现问题。利用物联网数据，程序员可以建立模型，为生产线的正常、无缺陷运行建立基线。

当实时读数表示与基线偏差时 - 一种称为信号漂移的条件 - 软件工具检测到即将发生的问题或采取自动操作的警报运算符。

同样的基本思想可以应用于许多问题。质量问题可以在发生时被发现，而不是在以后。安全隐患可以在事故发生前迅速发现。指示设备即将发生故障的条件可以在维修周期的早期标记出来。

“A process has got to be repeatable – that’s the whole idea,” says Petkovich, “so as soon as you see any drift or deviation from what you see as the norm, that’s an indicator that there might be a threat to your repeatable process.”

许多问题的确定是多因素测量的结果——例如，温度和压力条件的组合可能是一个警告信号。最近，由于人工智能的进步，在多因素计算中包含离散或外部收集的信息变得可行。

阿南德说:“对我来说，最大的机遇是能够将同一系统中的离散数据与以其他方式引入的时间序列数据结合起来，而这项技术正在迅速发展。”

一个关键的例子是包含材料的COA(评估证书)，使用虚拟或软传感器将其整合到人工智能模型中，允许程序处理COA中的某些变量以及传感器读数，以达到计算的目的。

“如果您有很多以前的离散测量，则可以使用该数据训练算法以将它们转换为在线测量，”Anand说。

向前进

技术使制造商能够实现前所未有的能力。然而，连接的制造旅程并非可以授权技术团队和供应商的制造旅程。

“我认为您需要从域知识和生产线本身开始，”Petkovich说。“这意味着计划使用涉及架构或管理在规范数据策略的实际人群中涉及架构或管理该过程的过程工程师的一些时间。”

“我们开始看到较小的制造商比较大的速度更快，”Anand说。“他们记住了一个非常令人敏锐的问题，他们没有这些大型长期实验的时间或资源。”

其中一个微妙之处是收集的大部分数据在域专家只能理解的具体情况下都是有用的。“IoT设备一直收集数据，全天候收集数据，但很多数据只是确认您所期望的内容，”Shari Diaz，IBM Sterling，俄亥俄州哥伦布的创新，战略和运营总监Shari Diaz，创新，战略和运营总监。

“所以它是关于建立预期的内容与什么不是什么，而且当事情是时，或者预计会被AWRY。”

大多数制造商将在未经证实的领域开发项目，需要进行试用和错误方法。“你必须把它分开，”迪亚兹说。“如果你第一次击中公园，对你有好处，但不是很多人在第一次尝试。我们说的是快速失败，学习并再做一次。你需要用这种心态进入它。“

需要立即努力立即努力的必要性是较小球员的特殊激励。“我们开始看到较小的制造商比较大的速度更快，”Anand说。“他们记住了一个非常令人敏锐的问题，他们没有这些大型长期实验的时间或资源。”

规模更小可能会让公司更敏捷，但这并不一定会让过程变得更简单。阿尔坎说:“无论是拥有500家工厂的大型制造商，还是只有5家工厂的小型制造商，对连通性、可见度、可预见性、弹性的需求——所有这些——实际上几乎是一样的。”

Jacob Stoller是一位关于精益，信息技术和金融的记者和作者。

本文出现在2021年6月期间制造自动化。