如果要讓人工智能對(duì)制造業(yè)有價(jià)值，那它必須是整個(gè)制造過程的一部分。

制造商可以在多種方面受益于人工智能，如提高生產(chǎn)、質(zhì)量控制和效率。盡管人工智能為制造商提供了幾種新的應(yīng)用，但為了獲得最大的價(jià)值，企業(yè)必須在整個(gè)制造過程中使用它。

這意味著制造工程師需要專注于人工智能數(shù)據(jù)準(zhǔn)備、建模、仿真和測(cè)試以及部署的四個(gè)關(guān)鍵方面，以成功地在不間斷的制造過程中使用人工智能。

不需要成為人工智能專家

工程師們可能認(rèn)為開發(fā)人工智能模型需要相當(dāng)長(zhǎng)的時(shí)間，但事實(shí)往往并非如此。建模是工作流過程中的一個(gè)重要步驟，但不是最終目標(biāo)。要成功使用人工智能，關(guān)鍵是在流程一開始就確定任何問題。這讓工程師知道工作流的哪些方面需要投入時(shí)間和資源以獲得最佳結(jié)果。

在討論工作流時(shí)，有兩點(diǎn)需要考慮:

制造系統(tǒng)龐大而復(fù)雜，人工智能只是其中的一部分。因此，AI需要在所有場(chǎng)景下與生產(chǎn)線上的所有其他工作部件一起工作。其中一部分是使用工業(yè)通信協(xié)議，如OPCUA，以及其他機(jī)器軟件，如控制、監(jiān)控邏輯和人機(jī)界面，從設(shè)備上的傳感器收集數(shù)據(jù)。

在這種情況下，工程師在融入AI時(shí)就已經(jīng)為成功做好了準(zhǔn)備，因?yàn)樗麄円呀?jīng)了解設(shè)備，且不管他們是否擁有豐富的AI經(jīng)驗(yàn)。換句話說，如果他們不是人工智能專家，仍然可以利用其的專業(yè)知識(shí)成功地將AI添加到工作流程中。

人工智能驅(qū)動(dòng)的工作流程

構(gòu)建人工智能驅(qū)動(dòng)的工作流程需要4個(gè)步驟:

?數(shù)據(jù)準(zhǔn)備

當(dāng)沒有良好的數(shù)據(jù)來訓(xùn)練AI模型時(shí)，項(xiàng)目更有可能失敗。因此，數(shù)據(jù)準(zhǔn)備至關(guān)重要。錯(cuò)誤的數(shù)據(jù)可能會(huì)讓工程師浪費(fèi)時(shí)間去弄清楚為什么這個(gè)模型行不通。

訓(xùn)練模型通常是最耗時(shí)的步驟，但也是重要的步驟。工程師們應(yīng)該從盡可能干凈、有標(biāo)簽的數(shù)據(jù)開始，專注于輸入模型的數(shù)據(jù)，而不是專注于改進(jìn)模型。

例如，工程師應(yīng)該專注于預(yù)處理和確保輸入模型的數(shù)據(jù)被正確標(biāo)記，而不是調(diào)整參數(shù)和微調(diào)模型。這可以確保模型理解和處理數(shù)據(jù)。

另一個(gè)挑戰(zhàn)是機(jī)器操作員和機(jī)器制造商之間的差異。前者通常可以訪問設(shè)備的操作，而后者需要這些數(shù)據(jù)來訓(xùn)練AI模型。為了確保機(jī)器制造商與機(jī)器操作員(即他們的客戶)共享數(shù)據(jù)，雙方應(yīng)該制定協(xié)議和商業(yè)模式來管理這種共享。

建筑設(shè)備制造商Caterpillar提供了一個(gè)很好的例子來說明數(shù)據(jù)準(zhǔn)備的重要性。其收集了大量的現(xiàn)場(chǎng)數(shù)據(jù)，雖然這對(duì)精確的AI建模是必要的，但這意味著需要大量的時(shí)間來進(jìn)行數(shù)據(jù)清洗和標(biāo)記。該公司成功地利用MATLAB簡(jiǎn)化了這一過程。它可以幫助該公司開發(fā)干凈、有標(biāo)簽的數(shù)據(jù)，然后將這些數(shù)據(jù)輸入機(jī)器學(xué)習(xí)模型，利用現(xiàn)場(chǎng)機(jī)械的強(qiáng)大洞察力。此外，對(duì)于擁有領(lǐng)域?qū)I(yè)知識(shí)但不是人工智能專家的用戶，該過程是可伸縮的和靈活的。

?人工智能建模

這個(gè)階段在數(shù)據(jù)清理并正確標(biāo)記后開始。實(shí)際上，就是模型從數(shù)據(jù)中學(xué)習(xí)的時(shí)候。當(dāng)工程師們有了一個(gè)準(zhǔn)確而可靠的模型，可以根據(jù)輸入做出智能決策時(shí)，就知道他們已經(jīng)進(jìn)入了一個(gè)成功的建模階段。這個(gè)階段還需要工程師使用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)或兩者結(jié)合來決定哪個(gè)結(jié)果最準(zhǔn)確。

在建模階段，無(wú)論使用深度學(xué)習(xí)還是機(jī)器學(xué)習(xí)模型，重要的是能夠訪問人工智能工作流的幾種算法，如分類、預(yù)測(cè)和回歸。作為一個(gè)起點(diǎn)，由更廣泛的社區(qū)創(chuàng)建的各種預(yù)構(gòu)建模型可能是有幫助的。工程師也可以使用靈活的工具，如MATLAB和Simulink。

值得注意的是，盡管算法和預(yù)先構(gòu)建的模型是一個(gè)很好的開始，但工程師應(yīng)該通過使用其領(lǐng)域內(nèi)其他人的算法和示例，找到最有效的路徑來實(shí)現(xiàn)他們的特定目標(biāo)。這就是為什么MATLAB提供了數(shù)百個(gè)不同的例子來構(gòu)建跨越多個(gè)領(lǐng)域的AI模型。

此外，還需考慮的另一個(gè)方面是，跟蹤更改和記錄訓(xùn)練迭代是至關(guān)重要的。像實(shí)驗(yàn)管理器此類工具可以通過解釋導(dǎo)致最準(zhǔn)確的模型和可重復(fù)的結(jié)果的參數(shù)來幫助實(shí)現(xiàn)這一點(diǎn)。

?模擬和測(cè)試

這一步確保AI模型正確工作。人工智能模型作為一個(gè)更大系統(tǒng)的一部分，需要與系統(tǒng)中的各個(gè)部分一起工作。例如，在制造業(yè)中，AI模型可能支持預(yù)測(cè)性維護(hù)、動(dòng)態(tài)軌跡規(guī)劃或視覺質(zhì)量檢查。

其余的機(jī)器軟件包括控制、監(jiān)控邏輯和其他組件。模擬和測(cè)試讓工程師知道，模型的一部分按照預(yù)期工作，包括自身工作和與其他系統(tǒng)一起工作。只有當(dāng)能夠證明模型按預(yù)期工作，并且具有足夠的有效性來降低風(fēng)險(xiǎn)時(shí)，該模型才能在現(xiàn)實(shí)世界中使用。

無(wú)論在什么情況下，模型都必須以其應(yīng)該的方式做出響應(yīng)。在使用模型之前，工程師應(yīng)該在這個(gè)階段了解幾個(gè)問題:

?模型的準(zhǔn)確度高嗎?

?每個(gè)場(chǎng)景中，模型是否按照預(yù)期執(zhí)行?

?所有邊緣情況都被覆蓋了嗎?

像Simulink這類的工具可以讓工程師在設(shè)備上使用之前，檢查模型是否按預(yù)期情況運(yùn)行。這有助于避免在重新設(shè)計(jì)上花費(fèi)時(shí)間和金錢。這些工具還通過成功地模擬和測(cè)試模型的預(yù)期案例，并確認(rèn)滿足預(yù)期目標(biāo)，從而幫助建立高度信任。

?部署

一旦準(zhǔn)備好部署，下一步就是用其將使用的語(yǔ)言準(zhǔn)備好模型。為此，工程師通常需要共享一個(gè)現(xiàn)成的模型。這讓模型適合指定的控制硬件環(huán)境，如嵌入式控制器、PLC或邊緣設(shè)備。MATLAB等靈活的工具通?？梢栽谌魏晤愋偷膱?chǎng)景中生成最終代碼，為工程師提供了在不同硬件供應(yīng)商的許多不同環(huán)境中部署模型的能力。他們可以做到這一點(diǎn)，而無(wú)需重新編寫原始代碼。

例如，當(dāng)將模型直接部署到PLC時(shí)，自動(dòng)代碼生成消除了手工編程過程中可能包含的編碼錯(cuò)誤。這也提供了優(yōu)化的C/c++或IEC61131代碼，將有效地運(yùn)行在主要供應(yīng)商的PLC上。

一些控制制造商支持從 MATLAB 和 Simulink 自動(dòng)生成 PLC 代碼（IEC 61131 或 C/C++）

成功部署人工智能，并不需要數(shù)據(jù)科學(xué)家或人工智能專家。然而，有一些關(guān)鍵的資源可以幫助工程師和其的AI模型為成功做好準(zhǔn)備。這包括為科學(xué)家和工程師制作的特定工具，將人工智能添加到工作流程中的應(yīng)用程序和功能，各種不間斷操作使用的部署選項(xiàng)，以及隨時(shí)準(zhǔn)備回答AI相關(guān)問題的專家。給工程師提供正確的資源來幫助成功添加人工智能，將讓他們交付最好的結(jié)果。