根據(jù)Business Insider的數(shù)據(jù)顯示悦浙，制造業(yè)即將迎來物聯(lián)網(wǎng)（IoT）和人工智能（AI）應(yīng)用的再度大幅增長愤栽。預(yù)計(jì)到2027年，物聯(lián)網(wǎng)市場規(guī)模將達(dá)到2.4萬億美元挟七。

除了自動(dòng)化和機(jī)器人技術(shù)等領(lǐng)域顯而易見的應(yīng)用外齿喧，AI系統(tǒng)還能夠優(yōu)化制造流程，發(fā)送早期警報(bào)相贺，提升質(zhì)量檢查和質(zhì)量控制轻欣，并預(yù)測機(jī)械中的設(shè)備故障。

優(yōu)化制造過程的關(guān)鍵是收集正確的數(shù)據(jù)肃弟。通過這樣做玷室，制造商可以開發(fā)出創(chuàng)新的AI應(yīng)用程序，使自己從競爭中脫穎而出笤受。

許多制造企業(yè)開始在其工業(yè)物聯(lián)網(wǎng)（IIoT）應(yīng)用中采用各種AI算法以進(jìn)行實(shí)時(shí)決策穷缤。了解基于AI的應(yīng)用中的數(shù)據(jù)為王是至關(guān)重要的。匯集箩兽、清理和準(zhǔn)備獨(dú)特的數(shù)據(jù)是利用AI來優(yōu)化組織并獲得見解的最重要方面津肛。

在AI工程師開始訓(xùn)練他們的機(jī)器學(xué)習(xí)模型之前，他們通澈蛊叮花費(fèi)多達(dá)75％的時(shí)間來簡單地處理起始數(shù)據(jù)身坐。請記住，要訓(xùn)練一個(gè)可以在IIoT設(shè)備上運(yùn)行的機(jī)器學(xué)習(xí)模型落包，必須要有一個(gè)數(shù)據(jù)集或一系列數(shù)據(jù)集來反映應(yīng)用程序運(yùn)行時(shí)的實(shí)際情況部蛇。

創(chuàng)建一個(gè)數(shù)據(jù)集的過程需要分幾個(gè)步驟實(shí)現(xiàn)。通常是從收集多年的數(shù)據(jù)開始妥色，工程師需要確定數(shù)據(jù)的總體結(jié)構(gòu)搪花。接下來，他們需要消除數(shù)據(jù)中的任何缺陷锉窑、差異或缺口岛牺，然后將這些數(shù)據(jù)轉(zhuǎn)換成算法需要的形式，以便與之有效地交互袁朗。

嵌入式系統(tǒng)的邊緣AI

邊緣AI是制造業(yè)整體AI發(fā)展的重要組成部分涮愧。邊緣 AI能夠在硬件設(shè)備上本地處理數(shù)據(jù)，而不是依靠通過互聯(lián)網(wǎng)連接的集中式數(shù)據(jù)庫或處理節(jié)點(diǎn)跃渠。

在大多數(shù)IoT解決方案中订搏，后端服務(wù)器通過多個(gè)設(shè)備和互聯(lián)網(wǎng)連接的傳感器接收數(shù)據(jù)。一臺(tái)或多臺(tái)服務(wù)器托管用于處理數(shù)據(jù)的機(jī)器學(xué)習(xí)算法沛四，以創(chuàng)建AI解決方案提供的任何價(jià)值框辞。

這種AI架構(gòu)的問題在于蛔颖，許多設(shè)備可能導(dǎo)致網(wǎng)絡(luò)流量超載，或者您可能正在使用已經(jīng)大量使用的網(wǎng)絡(luò)缤媒。在這些情況下政拾，將數(shù)據(jù)發(fā)送回中央服務(wù)器可能會(huì)導(dǎo)致處理速度慢得令人無法接受。而這正是邊緣AI發(fā)揮其價(jià)值的地方岔冯，因?yàn)榭梢栽谟布O(shè)備上本地執(zhí)行一些不太復(fù)雜的機(jī)器學(xué)習(xí)和AI過程贸桶。

邊緣AI對許多行業(yè)至關(guān)重要。一個(gè)例子是自動(dòng)駕駛汽車桌肴，其中邊緣AI可以減少電池的電量消耗皇筛。監(jiān)視系統(tǒng)、機(jī)器人技術(shù)和其他幾個(gè)行業(yè)也將從邊緣AI模型中受益坠七。

激發(fā)邊緣AI的潛力

知識(shí)蒸餾（Knowledge Distillation）技術(shù)的引入具有極大的改善邊緣AI解決方案的潛力水醋。

知識(shí)蒸餾是通過知識(shí)壓縮原理進(jìn)行的一種模型壓縮方法。使用諸如強(qiáng)化學(xué)習(xí)之類的技術(shù)灼捂，神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)如何產(chǎn)生預(yù)期的結(jié)果离例，從而使一個(gè)較小的網(wǎng)絡(luò)也可以學(xué)習(xí)創(chuàng)建出與較大的網(wǎng)絡(luò)創(chuàng)建出的相似結(jié)果。

這種較小的網(wǎng)絡(luò)規(guī)模更適合移動(dòng)設(shè)備悉稠、傳感器和類似硬件等邊緣設(shè)備宫蛆。知識(shí)蒸餾可以將邊緣設(shè)備的空間負(fù)擔(dān)減少多達(dá)2000％，從而減少了運(yùn)行網(wǎng)絡(luò)所需的能量的猛、物理約束以及設(shè)備本身的成本耀盗。

一個(gè)應(yīng)用知識(shí)蒸餾技術(shù)的實(shí)例是使用視頻源在監(jiān)視系統(tǒng)上實(shí)時(shí)檢測性別。通常卦尊，識(shí)別性別需要相當(dāng)大的基于云的神經(jīng)網(wǎng)絡(luò)猎之。但是在實(shí)時(shí)系統(tǒng)中，返回到云端并不總是最好的選擇乐跺。通過知識(shí)蒸餾技術(shù)可以將整個(gè)過程精簡為一個(gè)較小的網(wǎng)絡(luò)鹃远，該網(wǎng)絡(luò)可以在安裝到邊緣設(shè)備的同時(shí)準(zhǔn)確地識(shí)別性別。

基于機(jī)器學(xué)習(xí)的預(yù)測性維護(hù)

預(yù)測性維護(hù)是機(jī)器學(xué)習(xí)和AI對制造產(chǎn)生影響的特別富有成果的領(lǐng)域症忽。實(shí)際上嚎闹，根據(jù)Capgemini咨詢公司的一項(xiàng)研究，將近30％的制造業(yè)AI實(shí)施與機(jī)械和生產(chǎn)工具的維護(hù)相關(guān)牙晰。這使得預(yù)測性維護(hù)成為當(dāng)前制造業(yè)中使用最為廣泛的應(yīng)用領(lǐng)域之一暂臀。

基于機(jī)器學(xué)習(xí)的預(yù)測性維護(hù)的兩個(gè)最重要的好處是它的快速性和準(zhǔn)確性。AI可以足夠快速较谣、準(zhǔn)確地識(shí)別機(jī)械問題帐扯，以便在發(fā)生故障甚至故障之前進(jìn)行糾正。

例如趾赡，通用汽車使用安裝在裝配機(jī)器人上的AI攝像頭赴辨，通過攝像頭的使用眯找，它能夠檢測出一組5000多個(gè)機(jī)器人中的數(shù)十個(gè)組件故障，從而規(guī)避了可能出現(xiàn)的故障捣域。

基于機(jī)器學(xué)習(xí)的預(yù)測性維護(hù)可以使用各種模型和方法授瘦，從使用歷史數(shù)據(jù)來預(yù)測故障的回歸模型和分類模型，到分析系統(tǒng)和組件以尋找應(yīng)變或異常跡象的異常檢測模型竟宋。

用于質(zhì)量控制的計(jì)算機(jī)視覺

汽車和消費(fèi)產(chǎn)品行業(yè)面臨著監(jiān)管機(jī)構(gòu)的苛刻要求，而維持這些法規(guī)的合規(guī)性是AI和機(jī)器學(xué)習(xí)可以大顯身手的領(lǐng)域形纺。高質(zhì)量相機(jī)的成本每年都在下降丘侠，而AI圖像識(shí)別和處理軟件也在不斷快速改進(jìn)。因此逐样，基于AI的檢測方法對企業(yè)的吸引力越來越大蜗字。

特別是在汽車行業(yè)，例如脂新，德國汽車制造商寶馬率先采用了這項(xiàng)技術(shù)挪捕。寶馬將AI應(yīng)用程序作為檢查過程的最后一步，將新制造的汽車與訂單數(shù)據(jù)和規(guī)格進(jìn)行了比較争便。另一家汽車制造商日產(chǎn)级零，在將AI視覺檢測模型納入其質(zhì)量保證流程方面也取得了顯著進(jìn)展。

視覺檢查算法越來越受歡迎的部分原因是這些算法的發(fā)展日趨成熟≈鸵遥現(xiàn)在淤汽，基于神經(jīng)網(wǎng)絡(luò)的系統(tǒng)可以識(shí)別出各種潛在問題，例如裂紋脱处、泄漏卸能、劃痕、翹曲以及許多其他異常忍抗。

而應(yīng)用所要檢查的參數(shù)可以根據(jù)復(fù)雜的規(guī)則映射進(jìn)行調(diào)整或適應(yīng)到給定情況延坡。當(dāng)與GPU和高分辨率攝像頭搭配使用時(shí)，基于AI的檢測解決方案在準(zhǔn)確性和速度上可以大大超過傳統(tǒng)的視覺檢測系統(tǒng)付厦。

制造業(yè)的未來

從某種角度來說舵博，制造業(yè)的未來幾乎就是基于IoT的AI的未來的代名詞。在2019年纳倒，估計(jì)有80億個(gè)IoT設(shè)備躁盗，但是到2027年，預(yù)計(jì)將有410億個(gè)IoT設(shè)備苟暗，而這一增長的最大份額將是制造業(yè)拗酌。預(yù)計(jì)制造業(yè)中AI的估值將增長15倍以上，從目前的約11億美元增長到2026年的160億美元以上韭寸。

高效生產(chǎn)的所有特征——標(biāo)準(zhǔn)化春哨、規(guī)模經(jīng)濟(jì)荆隘、任務(wù)自動(dòng)化和專業(yè)化，都在很大程度上得益于機(jī)器學(xué)習(xí)和AI解決方案的實(shí)施赴背。因此椰拒，在未來幾年，嵌入IoT設(shè)備的AI將不可避免地繼續(xù)緊密地融入到更多的制造過程中凰荚。

聲明：本網(wǎng)站所收集的部分公開資料來源于互聯(lián)網(wǎng)燃观，轉(zhuǎn)載的目的在于傳遞更多信息及用于網(wǎng)絡(luò)分享，并不代表本站贊同其觀點(diǎn)和對其真實(shí)性負(fù)責(zé)便瑟，也不構(gòu)成任何其他建議缆毁。本站部分作品是由網(wǎng)友自主投稿和發(fā)布、編輯整理上傳到涂，對此類作品本站僅提供交流平臺(tái)脊框，不為其版權(quán)負(fù)責(zé)。如果您發(fā)現(xiàn)網(wǎng)站上所用視頻践啄、圖片浇雹、文字如涉及作品版權(quán)問題，請第一時(shí)間告知小愚，我們將根據(jù)您提供的證明材料確認(rèn)版權(quán)并按國家標(biāo)準(zhǔn)支付稿酬或立即刪除內(nèi)容依筝，以保證您的權(quán)益！聯(lián)系電話：010-58612588 或 Email:editor@mmsonline.com.cn涤朴。