不斷波動的市場條件、供應(yīng)鏈限制、勞動力短缺以及快節(jié)奏的全球產(chǎn)業(yè)，正迫使各種規(guī)模的制造商重新評估他們的運營方式。許多制造商已開始采用技術(shù)來保持競爭優(yōu)勢和應(yīng)對長期存在的業(yè)務(wù)挑戰(zhàn)。從自動化到數(shù)字技術(shù)、工業(yè)物聯(lián)網(wǎng)等，企業(yè)可以利用這些創(chuàng)新技術(shù)，最終從不同的系統(tǒng)、流程和人員中獲取數(shù)據(jù)，從而提供做出更好決策所需的戰(zhàn)略洞察力。

　　毫無疑問，這些企業(yè)有大量數(shù)據(jù)可以利用。根據(jù)麥肯錫的一項研究，制造業(yè)每年產(chǎn)生 1.9 PB 或 1,900,000 TB 的數(shù)據(jù)。問題在于，他們需要一種更好的方法來捕獲和分析數(shù)據(jù)，并將其轉(zhuǎn)化為可用的信息，而且他們需要快速完成。因此，許多企業(yè)開始求助于人工智能(AI)來利用他們的數(shù)據(jù)尋找機會，以提高其運營水平。

　　為什么 AI 非常適合數(shù)據(jù)分析?

　　從提高制造產(chǎn)量和正常運行時間，到準(zhǔn)確預(yù)測需求和遠(yuǎn)程監(jiān)控機器，甚至控制資產(chǎn)和提高產(chǎn)品質(zhì)量，都可以利用AI來顯著提高整體效率和生產(chǎn)力指標(biāo)。

　　它不是魔術(shù)，而是一組復(fù)雜的算法，用于分析大量數(shù)據(jù)，關(guān)聯(lián)或?qū)W習(xí)各種變量的模式，并將這些知識應(yīng)用于當(dāng)前條件以幫助預(yù)測未來狀態(tài)。這并不是說人類不能執(zhí)行這些任務(wù)，而是Al可以更快地完成這些任務(wù)，并以更高的精度處理更多的數(shù)據(jù)，從而改善業(yè)務(wù)成果。

　　例如，在任何制造環(huán)境中，傳統(tǒng)上都有幾個不同的工作組和機器都在收集自己的數(shù)據(jù)。每臺設(shè)備的信息在質(zhì)量、格式和時間上都可能有所不同，這可能會造成障礙，并難以從數(shù)據(jù)中分析和收集任何有意義的見解。

　　借助AI技術(shù)可以快速處理大量數(shù)據(jù)，使公司能夠快速準(zhǔn)確地結(jié)合運營信息，根據(jù)備選方案預(yù)測結(jié)果，使制造商能夠做出敏捷、明智的決策。這種防患于未然的預(yù)測能力正是AI的優(yōu)勢所在，它可以大大提高產(chǎn)品產(chǎn)量。

　　通過識別產(chǎn)品質(zhì)量問題的根本原因，AI可以幫助減少產(chǎn)品缺陷和廢品率，并提高制造產(chǎn)量。有了詳細(xì)的信息和分析，制造商就可以在質(zhì)量控制問題直接影響公司的底線之前解決它們。讓我們看一個這樣的例子。

　　使用 AI 提高發(fā)動機質(zhì)量

　　一家全球發(fā)動機制造商生產(chǎn)大型柴油發(fā)動機，用于發(fā)電機組、海軍和海洋應(yīng)用以及軍用車輛。組裝完成后，每臺發(fā)動機都要經(jīng)過嚴(yán)格的測試。在測試過程中，即使是最有經(jīng)驗的操作員也往往無法察覺問題的細(xì)微跡象，從而導(dǎo)致測試期間或發(fā)動機投入使用后發(fā)生災(zāi)難性故障。這些故障造成了巨大損失，延誤了裝運，造成了測試區(qū)和上游生產(chǎn)的積壓，使公司每年損失數(shù)百萬美元，并對按時交貨產(chǎn)生了負(fù)面影響。

　　問題不在于缺乏數(shù)據(jù)，而在于如何使用數(shù)據(jù)。事實上，該工廠多年來一直在收集過程數(shù)據(jù)，但在故障發(fā)生后僅將其用于后續(xù)工作。通過以這種反應(yīng)性的方式查看數(shù)據(jù)，團(tuán)隊無法理解為什么會發(fā)生這些故障，也無法主動解決它們。最終，這些問題被視為開展業(yè)務(wù)的成本，直到該公司考慮在現(xiàn)有數(shù)據(jù)上使用 AI , 在關(guān)鍵資產(chǎn)故障發(fā)生之前進(jìn)行預(yù)測。

　　該制造商首先開展了一項試點計劃，為AI發(fā)揮影響力奠定了必要的數(shù)據(jù)基礎(chǔ)。鑒于需要使用歷史數(shù)據(jù)，該公司首先進(jìn)行了數(shù)據(jù)清理和分析，在AI的幫助下，在 48 小時內(nèi)將來自 100 臺發(fā)動機的 200 億個數(shù)據(jù)點減少到 60 億個最有影響力的數(shù)據(jù)點。

　　接下來，按時間和型號連接多個模型集，對數(shù)據(jù)進(jìn)行可視化，并找出任何數(shù)據(jù)差距。在差距分析的基礎(chǔ)上，進(jìn)行了調(diào)整，以更頻繁地提取某些數(shù)據(jù)，從而改進(jìn)建模。通過使用人工智能平臺，整個分析在低風(fēng)險環(huán)境中完成，對當(dāng)前生產(chǎn)沒有任何影響。

　　從這些數(shù)據(jù)中，制造商能夠建立基線、識別趨勢和異常情況，并制定計劃將信息付諸實施。在短短幾周內(nèi)，他們就生成了一份報告，按序列號確定了一組風(fēng)險發(fā)動機。根據(jù)這些信息，制造商懷疑這些發(fā)動機在質(zhì)量控制測試或現(xiàn)場出現(xiàn)問題的概率較高。通過將測試數(shù)據(jù)與實際產(chǎn)品故障聯(lián)系起來，報告準(zhǔn)確地發(fā)現(xiàn)了幾年內(nèi) 80% 以上的發(fā)動機問題。

　　值得注意的是，這個項目是一個迭代過程，因為AI模型在不斷學(xué)習(xí)。在大約 45 天內(nèi)，該模型能夠提前 30 分鐘預(yù)測故障，誤報率為零。

　　將對運營的干擾降至最低

　　在正式推出期間，Al 解決方案與測試控制系統(tǒng)和人機界面 (HMI) 生成的實時數(shù)據(jù)相連接。這對正常運行沒有任何影響。事實上，該模型已與公司的標(biāo)準(zhǔn)測試軟件集成，操作員甚至沒有意識到實施了該模型。他們只需要知道，現(xiàn)在他們的HMI界面會告知他們?nèi)魏螡撛诘钠仍诿冀薜膯栴}以及如何應(yīng)對。

　　在最初的 90 天內(nèi)，AI應(yīng)用檢測到了 20 起實時事件，避免了 450 多萬美元的發(fā)動機損壞，項目投資回報率(ROI)達(dá)到了 10 倍。

　　正如這個案例所表明的那樣，利用AI可以為制造商提供一種方法，幫助他們主動減少質(zhì)量缺陷、節(jié)省資金并提高交貨率，同時將對運營的干擾降至最低。從堅實的數(shù)據(jù)基礎(chǔ)開始，并與經(jīng)驗豐富的合作伙伴合作，AI 可以提供推動業(yè)務(wù)成果所需的洞察力，并幫助制造商在當(dāng)今快速發(fā)展的商業(yè)環(huán)境中競爭。

　　但AI并不一定是放之四海而皆準(zhǔn)的解決方案。根據(jù)您的需求、應(yīng)用和具體情況，需要定制不同的解決方案。因此，擁有一個值得信賴的合作伙伴在您身邊非常重要。在 AI 方面，他們可以評估您在數(shù)字化轉(zhuǎn)型之旅中所處的位置，了解您的目標(biāo)或挑戰(zhàn)，并從頂級供應(yīng)商那里確定最適合您實際需求的解決方案。