工厂在过去三十年见证了大变革，80年代和90年代见证了工业自动化和机器人走到了前列。在过去十年中，多种改变游戏规则的技术正在重塑工厂。机器学习，物联网（IoT），大数据，虚拟现实（VR）和人工智能（AI）从根本上威胁工厂的工作方式。它们的影响不仅限于制造业，它们几乎影响着每个行业。本文试图解释机器学习及其在制造业中的意义。

首先，让我们试着解释机器学习。简而言之，它指的是自己的算法改进。通常，在编写程序时，期望为给定的一组输入提供预先指定的输出。随着时间的推移，他们识别模式并“学习”以生成对应于不同输入集的输出。在某些情况下，算法会学习如何应对新情况，例如交易大厅的算法“学习”以响应不同的市场情况。机器学习可以通过决策树学习，关联规则学习，人工神经网络等来实现。

预测性维护

车间的设备在运行期间产生大量数据，就像飞机在飞行时产生大量数据一样。大多数这些数据几乎没有被注意到。随着高级分析的出现，使用大数据和物联网平台，可以分析这些数据。它有助于在故障发生前确定关键参数的范围。因此，可以编写算法，可以实时分析机器生成的数据，并在任何关键参数进入红色区域时立即触发警报。算法可以预测从未发生的故障类型，这有助于防止机器故障并最大限度地减少意外停机时间。

过程控制

就像设备一样，过程会生成大量数据。这些数据隐藏了大量有关过程控制以及失控（OOC）和失范（OOS）情况的信息。在OOC和OOS中，需要遵循一系列步骤，这些步骤称为OCAP（失控行动计划）。通过自动化，可以自动检测OOC和OOS，并且可以在很大程度上自动执行OCAP步骤。机器学习可以帮助自动化响应过去没有遇到的OOC和OOS。但是，机器学习能够实现对“任何”新OOS或OOC场景的自动响应并不完全正确。在一段时间内，自动化变得更加“智能”以响应某些新情况。

预测质量

在我们批量生产产品之前，了解可能的缺陷及其对产量的影响非常重要。预测模型分析与类似产品相关的历史数据以及在原型打字期间使用相同的产品来预测缺陷及其量子，这反过来会影响产量。随着预测模型的成熟，它们将在准确性方面得到改进，并且可以预测尚未编程的方案的缺陷率。

能源管理

能源费用是工厂的主要管理费用之一。公司希望最大限度地降低能源相关成本。对于给定的生产量，设备集群，楼层布局等，程序计算所需的最佳能量水平。如果存在闭环机制，则在超出规定限值的情况下确保能耗处于最佳水平。然而，在当今世界，车间具有动态环境，其中多个参数可以改变。例如，某些设备可能会超时或存在人为错误。为能源优化而设计的程序会随着时间“学习”以对这种动态情况作出反应，并将能耗保持在所需水平。

材料消耗

材料成本是总体成本的主要贡献因素，尤其是在流程制造环境中。因此，流程制造驱动的工厂密切监控不同工位和每个工艺步骤消耗的化学品。已经开发出算法来监控消耗并在消耗开始超出限制的情况下采取纠正措施。他们检查预先编制的可能原因列表，并根据需要采取纠正措施。随着时间的推移，这些算法“改进”并“学习”以响应某些未在程序中明确定义的情况。

产量提高

废钢有可能拖累收益率，实时分析可以深入了解导致废品的缺陷。反过来，这有助于为每种类型的缺陷提出缓解方法。可以设置检查和控制以防止出现缺陷。基础程序和逻辑不断改进，可以提供有助于减少缺陷的新观点，这有助于提高产量。

库存管理

制造组织希望携带最低库存以避免承担成本并降低营运资金需求。组织采用不同的预测和计划方法来最小化现有库存。仍有差距导致工厂和仓库缺货和库存水平提高。使用大数据和物联网平台的高级分析可以处理大量实时数据，并提供建议，以始终如一地保持最佳（或最低）库存水平。随着这些模型变得更加成熟，它们可以正确地响应以前没有经历过的某些场景。这有助于有效管理工厂的库存水平。

供应链计划

它涉及多个决策步骤，例如哪个工厂应该生产给定的产品，什么应该是生产量，是否制造或购买产品，在哪里维护生产设施，从哪里采购原材料等。目前的模型主要依赖于此，历史数据很多时候都无法预测新的情景。借助机器学习，它们可以实时分析大量数据并变得“直观”，这有助于构建灵活的模型，可以响应之前未遇到的某些情况。

结论

机器学习有望促进制造业多个领域的改进。它不是“一刀切”，组织必须谨慎选择正确的用例，并选择合适的技术平台和系统集成商（SI）。我们还需要记住，在我们看到实际利益之前需要一段时间。正确选择用例，技术平台和SI合作伙伴的长期路线图是这些计划成功的关键。