你还记得电影《2001太空漫游》里的哈尔吗?

它被认为是一台有感知能力的电脑;也就是说，它有人工智能。1968年上映，这个“角色”对今天的世界有先见之明!如果你不知道这个故事，简单的版本是HAL被认为是宇宙飞船上的一名机组人员。当它开始出现故障时，机组人员决定关闭它。但HAL有其他想法，即尽其所能继续执行其设计的任务。它的目标是杀死计划关闭它的船员。在这句现在很有名的台词中，HAL回应了Dave(两个主要角色之一的船员)打开舱门的请求:“对不起，Dave。恐怕我不能那样做。”HAL实际上已经学会了思考。

这部电影是机器学习如何导致人工智能的完美例子。由于人工智能和机器学习这两个术语经常互换使用，所以需要注意的是，这两个领域之间存在区别:

机器学习是人工智能的一个子集，但它是必不可少的，因为它也是人工智能背后的驱动力。它不仅仅是将算法应用于数据以从机器中引出结果的概念。相反，它是关于机器在没有明确编程的情况下学习如何参与任务。这不应该与基本的机器人技术相混淆，后者创造的操作几乎没有人参与，但容易出现人类在生产周期中产生的所有错误和低效率。

机器学习与其说是决策，不如说是建立在人类参数输入的基础上。首先是机器学习，包括自动化流程和异常检测，以及其他“学习”维护活动。下一步是让它自己做决定，并与人类互动。

“当一台机器能够分辨出物体之间的区别，并做出放弃或接受它们的选择时，人工智能就诞生了。”（源）

人工智能(ai)是关于机器向智能机器的进化。换句话说，机器可以做的不仅仅是输入或输出数据并响应处理算法，它们可以利用来自各种来源的数据来提供“智能的，几乎是人类的”响应。实际上，机器在决策和其他任务方面复制了人类的行为。有了人工智能，机器可以学习。

如果这一切听起来有点像《2001太空漫游》(2001:a Space Odyssey)的现实版，那是因为我们离这种人机连接和互动的水平已经不远了。最近，使用机器学习来辅助我们日常生活的消费产品越来越多，比如Siri和Alexa等自然语言处理(NLP)设备。

“NLP应用试图理解自然的人类交流，无论是书面的还是口头的，并使用类似的自然语言与我们交流。在这里，机器学习被用来帮助机器理解人类语言中的巨大细微差别，并学会以特定受众可能理解的方式做出回应。”（源）

为什么机器学习和人工智能在制造业中很重要?

在传统技术和古老生产流程的商业模式中，找到增长、提高产品质量、限制计划外停机时间和缩短交货时间以满足客户满意度的创新方法并不容易实现。直到机器学习和人工智能的出现。

机器学习的两个主要类别及其与制造业的关系

在机器学习领域有两种技术，监督式和无监督式。使用哪种技术取决于数据和组织的性质目的在于分析其数据。

如果系统设计教会模型在提供新数据时预测输出，那么它就是监督式机器学习。如果模型的目标是训练系统发现隐藏的或未知的模式，并从模式中产生有价值的见解，那么它被称为无监督学习。以下是这两个类别之间的更多区别。

监督式机器学习

监督机器学习模型使用标记数据集来训练算法。它的目标是预测所提供数据的结果。它还允许直接反馈来验证它在预测结果方面是否正确。

当被编程为向监督机器学习算法提供数据的设备向模型提供数据时，就提供了输入数据和输出。通过这种方式，算法可以“学习”更好地预测模型，因为它的前端数据是结构化的，并且期望的输出是定义的。

换句话说，通过对模型的监督，它被告知要寻找什么。由于输入和输出都是定义的，因此需要对这些模型进行更高程度的监督。但是，如果输入和期望输出都是已知的，那么预测精度和进一步提高这种精度的学习速度就会高得多。

监督机器学习模型在这方面与人工智能更进一步，因为输出是被引导的，系统学习更准确地预测所需的标准。因为模型在一开始就接受了输入和输出的训练，所以它只学习如何预测期望的输出。

使用的算法包括线性回归、决策树、逻辑回归、贝叶斯逻辑等。

无监督机器学习

输出不提供无监督机器学习算法。这些模型只给出未标记的输入数据。他们也不允许反馈。无监督机器学习不是使用标记输入和输出来更好地预测结果，而是在提供的数据中寻找模式和未知的隐藏趋势。

无监督学习不如有监督机器学习模型准确，因为它可能会经历多次反复的试错来识别和产生隐藏的模式。对此最好的比喻是，一个孩子通过做来学习，然后在确定错误时重复。

无监督机器学习在其建模中使用更高级的算法，包括KNN、聚类和Apriori。与有监督机器学习相比，无监督机器学习更接近于实际的人工智能模型，因为它不依赖于输入和输出形式的标记数据。它必须仅从未标记的输入开始。

监督和非监督机器学习在制造业中的影响

制造类型可以决定使用的最佳机器学习解决方案。例如，监督式机器学习在图像和物体识别中很有用。它也是预测分析的一个很好的用例。

工厂自动化中的许多物联网设备生成大量原始数据集和预测分析公司，以提高自动化准确性，部署流程改进项目并减少质量损失。通过创建预测分析系统，这种自动化是许多制造自动化和生产过程监控系统的核心。

无监督机器学习可以为需要更精确测量或生成大量数据集的制造公司开发准确的物体识别。它还可以用于高级工厂监控系统的异常检测，以根除人为错误，识别故障的工业设备，或帮助定位安全漏洞。

许多物联网自动化系统使用这些系统的组合，但它们可以单独使用。这完全取决于厂家的需求和监控系统的复杂程度。

机器学习在制造业中的应用

有很多服务公司致力于制造业中的机器学习。

他们经常与其他服务提供商合作创建机器学习平台，以改善特定行业的工厂自动化。下面是一些领导者的ML应用。

西门子

西门子在制造业中开发了许多影响工厂自动化的机器学习解决方案应用。他们创建了一个机器学习模型，利用人工神经网络让机器人设备像人类一样学习和适应新的要求。就像人类的大脑可以识别复杂的模式一样，他们的人工智能通过人工神经网络是灵活的，可以根据需要改变运动、紧张和其他因素。

西门子还为石油和天然气等大型制造业设计应用程序。在更广泛的工业环境中，电机、控制器和其他设备处于重载运行条件下。通过监测扭矩、热量和其他变量，并使用ML和AI分析数据集，公司可以预测设备故障。他们还可以设计设备解决方案来帮助克服这些问题，提高产量和安全性。

通用电气(General Electric)

通用电气已经开发了专注于制造资产管理的应用程序，使用有监督和无监督的机器学习算法来分析结构化和非结构化数据，以提供见解。

这些可用于预测性和规范性维护进展，以提高OEM设备的使用寿命和实用性。

GE专注于过程自动化、诊断和规范分析，帮助过程制造公司优化自动化系统、提高安全性、降低成本和提高效率。

发那科

发那科的机器学习和人工智能主要集中在机器人技术上。基于一种被称为“强化学习”的无监督机器学习算法，机器人可以从零开始完成一项任务，并迅速学会如何掌握它，就像它已经被编程一样。

该应用是远程制造和重型装配行业的理想选择。机器人也可以很快地互相教授和学习。

发那科机器学习和人工智能的其他应用包括深度强化学习，用于洞察CNC加工等行业。在这里，通过ML模型分析主轴速度，进给，轴方向和其他关键因素，以创建见解，以防止异常和设备故障。

发那科还扩展了这些深度学习算法，以创建CNC加工等行业的设备故障预测模型。分析扭矩、温度、速度和进给波动等数据。操作人员可以在异常发生时进行交互，以缓解异常或触发维护警报，从而减少质量控制损失，降低机器损坏或安全问题的风险。

机器学习和人工智能如何造福当今的制造业?

智能、精益制造是目标，而包括机器学习和人工智能在内的技术是实现这一目标的途径。机器学习可以在许多方面影响制造业:

1. 例如，在任何给定的生产运行中，自动检测性能下降不仅可以提高产品质量，还可以进行预测性维护，减少计划外停机时间，并确保根据需要提供适用的部件。这是成本控制领域的一大优势。
2. 自动化质量控制测试以限制产生的缺陷，通过对生产过程进行更高、更可见的控制来降低质量控制废品率。
3. 由于机器能够从过去的生产周期中学习，并将这些数据应用到未来的生产中，因此可以实现24小时的生产周期，减少人工干预，从而提高产量。
4. 在产品制造过程中需要执行复杂的过程控制时，消除人为错误。
5. 整合OEE确保每台机器在最高容量下运行，包括实施预防性维护以确保持续的高产量。
6. 在整个工厂的所有操作层面上实时提供数据。这可以优化车间的制造过程，包括任何生产线计划的机器负载和性能指标。
7. 通过优化原材料库存控制来缩短交货时间。
8. 通过机器学习，可以更准确地管理在制造过程(如机器校准)上花费的时间。
9. 更灵活和创新，能够在更短的时间内创造短期产品和新设计。

“实时了解每台机器的负载水平如何影响整体生产计划性能，从而更好地管理每次生产运行。现在，使用机器学习算法可以优化给定生产运行的最佳机器集。”（源）

人工智能在制造业中的未来

通常，两种或两种以上的技术汇聚在一起，创造出一个价值大于其各部分之和的解决方案。就人工智能而言，这不是一项小任务。它已经可以用于制造自动化，比十年前任何人想象的都要多。这项技术的能力每天都在提高。

但是，当与IIoT(一种同样令人印象深刻的技术，具有无数功能)的力量相结合时，人工智能和机器学习在制造业中的未来即将爆发。通过将人工智能与工业物联网相结合，可以实现两者的真正力量。例子包括:

1. 优化成本——当然，所有的制造商都在寻求降低成本。但是，除了监控、运行、维修和自我培训设备的能力之外，人工智能与工业物联网的实时制造数据收集和分析相结合，可以分析和预测生产所需的材料、供应链管理、劳动力和能源资源。
2. 优化生产——人工智能与工业物联网显著结合提高效率以及操作员的效率。机器学习算法从编程条件(在监督机器学习的情况下)和非编程状态(例如在无监督机器学习中使用的状态)中学习。两者都可以从位于整个设施最佳位置的HMI的操作员输入中学习。
3. 优化维护——传统上，维护既昂贵又耗时。尽管有预防性维护计划，意外故障仍然是许多行业的常态。借助工业物联网技术的人工智能(AI)，制造商可以从预防性维护转向预测性维护，从而降低成本，优化零件库存，缩短维修时间，延长OEM设备的使用寿命。通过利用实时制造数据和洞察力，强大的人工智能驱动分析使预测性维护成为生产数据生态系统的一部分。
4. 机器人技术——随着人工智能在制造业中的这三种应用得以实现，人工智能也将看到先进机器人技术的兴起。不仅是汽车和航空航天等重型装配行业，在精度要求很高的医疗和国防等行业，人工智能机器人将进一步优化生产过程。通过取代重复的工作，降低了生产成本。在安全至关重要或条件极端的行业中，与人类操作员一起工作的机器人将形成一种被称为协作机器人的共生关系，由人工智能驱动，降低人类操作员的风险。

人工智能在制造业中的未来是与工业物联网和新兴技术相结合，创造一个完全自动化的智能工厂，在许多情况下可以“熄灯”操作。随着智能制造的发展，机器学习和人工智能对于优化所有生产水平的性能、消除错误或猜测以及实施预测性维护和管理至关重要。

“另一方面，在某些形式的人工智能中，机器实际上可以自学如何优化它们的性能，因为它们可以以闪电般的速度运行各种场景，确定最佳流程并训练自己达到预期的结果。”（源）

这些方法以最小的额外成本(包括停机时间)提高了生产能力，并提高了质量和客户满意度。最终，相对于高生产质量的生产速度将是现在和未来制造商的重要推动力。