隨著ChatGPT和生成式人工智能（AI）進入到大眾的視線，突然之間，它成為世界上最熱門的討論話題之一。

不過，在制造業，這并不完全是件新鮮事。十多年來，機器學習（ML）技術一直在削減成本并改善測試和測量操作的結果，希望利用過程數據來收集可操作的見解是工業4.0的基礎原則。

由于制造業對人工智能的認識和經驗方面可能領先于其他一些領域，人們很容易忽視最新一波的"新聞炒作"，但羅克韋爾自動化Kalypso數據科學與人工智能實踐高級經理Mithun Nagabhairava表示，人工智能對制造業的革命性影響才剛剛開始。

AI/ML的進步引領制造業的新時代

這些最先進的技術正在徹底改變工廠的運營方式，釋放出前所未有的效率、生產力和質量水平。從支持人工智能的決策系統（為不斷發展的勞動力提供支持）到優化運營的自主系統，AI/ML 正在引領制造業的新時代。Nagabhairava認為，值得注意的是，人工智能在推動工業制造商的自動化實現自主化方面發揮著關鍵作用，類似于自動駕駛汽車改變汽車領域的變革性影響。

我們發現特別引人注目的進步是那些將AI/ML的力量與最優控制理論的成熟基石協同起來的領域。最優控制理論起源于18世紀，經過幾個世紀的發展，與制造過程的確定性非常吻合。

創新的 AI/ML 技術、高性能計算基礎設施和經濟高效的大規模數據采集，正在幫助解決涉及多變量、非線性和時間動力學的更復雜的制造挑戰，并以前所未有的規模推動創新。

通過處理和分析大量數據集，AI/ML 算法有助于得出分析模型，這些模型描述了系統在不斷變化的環境中的歷史行為，并確定制造商為提高資產可用性、優化運營、加強質量控制和減少能源使用而采取的最佳行動。

以下是幾項顯著的進步：

• 自主控制：利用 AI/ML，制造過程正在從自動化向自主控制的方向發展，使系統能夠在沒有人為干預的情況下做出實時決策和調整。
• 機器視覺系統：將先進的閉環控制策略與先進的感官機器視覺AI反饋相結合，使PLC能夠采取自動糾正措施，以實時減少缺陷。
• 演化建模：在數據科學實踐的早期，單點解決方案是常態，其中根據從可用數據中得出的各種標準選擇單個模型。然后，這種方法演變為從潛在候選模型的集合中構建模型。演化模型（evolutionary model）正在興起，這種方法要求每個模型在每一次迭代中都要成功適應，以求生存，從而開發出更加符合實際物理過程和各自系統動態的高精度和穩健的模型。

AI/ML 的進步與最優控制理論的原理相結合，在過程、混合和離散制造行業中都帶來了很多創新應用。

• 消費品制造：在食品、飲料、紙漿和造紙制造中，原材料的可變性是一個常見的問題，通常會導致不可預測的產品和機器性能問題。此外，工廠的環境條件會顯著影響原材料的性能，從而使工藝進一步復雜化。

傳統上，操作員和工程師使用試錯法來解決這些類型的問題。這種方法雖然有時很成功，但非常耗時，高度依賴專業領域的知識且不規范，導致廢品率和吞吐率參差不齊。利用自主控制策略，企業能夠構建可靠的模型，將操作員的知識與從歷史數據中獲得的經驗相結合，以確定需要如何調整系統以獲得最佳結果。

• 輪胎制造：由于每一步都有數百種材料成分、錯綜復雜的化合物相互作用和嚴格的質量控制要求，整個過程中原材料、生產條件和流變特性的變化可能導致輪胎質量不一致。

在 AI/ML技術的支持下，領先的輪胎制造商正在利用先進的閉環優化和機器視覺功能來優化生產流程，從而克服這些挑戰。其中包括開發工藝模型和優化功能，以實現混合時的最佳門尼粘度，在擠出時更接近設定點的一致重量測量，減少輪胎成型機的超差事件，固化時的最佳硫化性能以及最終檢查時的自動缺陷檢測。

• 醫療器械制造：在整個生產過程中防止污染和實現每個最終產品的一致性是該行業的兩個重大挑戰。機器視覺為保證合格證書  提供了新的途徑，通過利用 2D/3D 成像系統和深度學習卷積神經網絡（CNN）模型，整合了精確計量和缺陷檢測功能。這些功能可實現高度自動化，使制造商能夠在完全封閉的環境中運營。

這種方法消除了需要操作員直接接觸的階段，而操作員通常是污染的主要來源。此外，AI技術的進步使機器人運動更加精確和準確，當與先進的機器視覺功能相結合時，可以最大限度地提高設備的吞吐量和一致性，從而推動巨大的商業價值。

AI如何助力IT/OT融合？

利用AI分析OT環境，在源頭自動捕獲并與IT信息配對，揭示OT層面的分布式和戰術決策之間的最佳協同作用，以及IT級別的集中和戰略規劃。這種洞察力使組織能夠實現IT/OT融合，從而最大限度地提高價值和效率。

根據我們與一家領先的CPG制造商合作的經驗，利用 AI 的一個引人注目的應用是識別運營效率低下、遇到瓶頸和需要改進的領域。

考慮將來自多個來源的物料流組合在一起的輸送系統，然后將這些相同的材料分配到多個工作站或機器，通常在每個主要部分之間有旁路，以確保材料的整體平衡。

雖然這些主要輸送段的OT控制系統裝備精良，可以戰術性地調整路段內的速度以確保源源不斷的物料流，但它缺乏對IT數據的認識，這些數據協調物料流入每個段，配備勞動力或裝載由輸送機送入的機器。

通過將這些 IT 數據與有關每個主要召集區段當前庫存水平的 OT 數據相結合，人工智能可以在主要區段之間設置有效的旁路，以緩解瓶頸問題，創造更穩定的流出量，并對計劃的輸入失衡進行調整。

以最少的努力啟動和維護ML 解決方案

盡量減少數據科學家的工作量涉及重要的組織和技術考慮。在組織方面，最重要的方面是將過程專家或操作員納入從創建到部署的整個建模流程中。通常情況下，要在工廠環境中使用人工智能解決方案，必須由流程操作專家驗證或批準。要確保模型有機會部署，通常需要了解歷史操作原理，并確保AI結果可以在此背景下進行解釋。

此外，適當的組織參與還能確保AI活動的重點是優先考慮那些能帶來實際價值的決策，而不去考慮或忽略影響較小的流程方面。以最小的努力啟動 ML 解決方案涉及數據科學家和流程專家之間的協作。這可確保 AI 解決方案適合運營。

在技術方面，采用無縫適應自帶模型 （BYOM） 的平臺極大地簡化了部署，特別是隨著時間的推移而開發和成熟的 OT 模型。這些平臺提供了微調模型參數以匹配特定設備和產品特性的能力，例如溫度、壓力、電機速度等。

選擇技術堆棧非常重要：提供易于配置的標準連接協議以與 PLC 和 IT 業務系統進行通信，靈活地將關鍵功能打包為微服務以分離彈性組件，以及內置功能以建立工作流管道，從而簡化大規模部署和維護。

AI/ML 技術的日益普及，以及將ML模型集成到關鍵制造過程中的復雜性日益增加，促使 MLOps （是Machine Learning Operations的縮寫，它是一種將機器學習模型應用到生產環境中的方法和實踐）的開發要能夠有效地管理這些模型從開始到維護的整個生命周期。

利用 OT 系統內部經驗所奠定的堅實基礎。工廠中的 OT 系統往往經過了長期的發展，在很大程度上已經組織了信息的關聯和語境化。在創建時，確保將 OT 系統的 I/O 架構映射到 ML 模型中，是實現價值的第一步。將 OT語境與 ML 模型相匹配，可以在部署后擴展和維護這些功能。這一基礎實踐將起到催化劑的作用，加速AI/ML 計劃的實施。

整合 MLOps 方法，將其作為監控和維護模型與機器性能的成熟 OT 實踐的自然延伸，并與成熟的變更管理和標準操作程序保持一致，對于采用這些實踐至關重要。這些功能的擴展應與業務價值保持一致，包括生產環境中部署的 ML 模型數量、衡量其對業務投資回報率的影響以及衡量持續的維護工作。

工業AI的八個發展趨勢

根據一份最新的市場報告，2020年全球工業人工智能市場規模為169億美元，預計到2026年將達到1022億美元。Nagabhairava認為，隨著我們對這一趨勢的發展軌跡的展望，越來越明顯的是，AI/ML將在未來五年或十年內對工業制造過程帶來重要的影響，并在以下領域帶來前所未有的商業成果。

• 自主制造的廣泛采用：AI/ML 技術將推動自主功能的廣泛采用，為更多自動化控制器配備智能 AI 代理，以實現卓越的控制水平并優化制造流程。
• 塑造下一代勞動力：AI支持的自主能力將成為企業從退休勞動力中保留數十年的經驗并塑造未來勞動力的核心。
• 賦能操作員2.0：AI對于將操作員的關鍵角色，從重復操作提升到管理機器性能。
• 利用機器視覺增強質量控制：在制造過程的每個關鍵步驟中，將先進的閉環控制策略與機器視覺反饋相結合，使PLC能夠采取自動糾正措施，最大限度地減少缺陷，從而實現更卓越的產品質量。
• 先進的視覺引導機器人技術：固定機器人系統（如關節式機械臂、三角形機器人和龍門系統）和移動機器人平臺（如AGV和AMR）的高級感知功能，將使它們能夠在復雜的環境中導航，確定最佳路徑，處理精密材料并精確執行復雜的任務。
• 采用生成式 AI 以加速價值實現：這種創新形式的 AI 將通過生成用于數據增強的合成數據，并快速訓練強大的 AI/ML 模型來徹底改變制造業，從而推動巨大的創新。
• 具有人類反饋的強化學習（RL）：這些功能將強化學習算法的決策能力與人類操作員的專業知識和直覺相結合，進入一個在人類指導下不斷學習和發展的智能系統的新時代。
• 能源優化：AI將在有效優化能源使用和降低成本方面發揮關鍵作用，同時最大限度地提高能源密集型流程的吞吐量和質量。

AI系統在制造業中的成功開發和應用，將取決于深厚的行業專業知識和所需的特定應用知識。擁有這些專業知識以及應用AI技術的專業知識的企業將成為推動創新、釋放AI系統全部潛力并在制造運營中帶來革命性成果的先鋒。