底線: 2019年製造商的領先增長戰略是通過投資機器學習平台來提高車間生產率,這些平台提供了提高產品質量和產量所需的洞察力。

使用機器學習來簡化生產的每個階段,從入庫供應商質量開始,從製造計划到履行,現在是製造業的優先事項。根據Deloitte最近的一項調查,機器學習將計劃外機器停機時間減少了15-30%,生產量提高了20%,維護成本降低了30%,質量提高了35%。

以下是機器學習在2019年徹底改變製造的十種方式:

  • 人工智慧有可能在全球業務的營銷和銷售中創造1.4T至2.6T的價值,在供應鏈管理和製造方面創造1.2T至2美元的價值。麥肯錫預測,基於人工智慧的預測性維護有可能為製造商帶來0.5美元至0.7億美元的價值。麥肯錫引用AI處理海量數據的能力,包括音頻和視頻,意味著它可以快速識別異常以防止故障。機器學習可以確定特定聲音是飛機發動機在質量測試下正確運行還是裝配線上的機器即將失效。資料來源:麥肯錫/哈佛商業評論。AI的大多數商業用途將由 Michael Chui,Nicolaus Henke和Mehdi Miremadi 兩個領域組成。2019年3月
資料來源:麥肯錫/哈佛商業評論。AI的大多數商業用途將由MICHAEL CHUI,NICOLAUS HENKE和MEHDI MIREMADI兩個領域組成。2019年3月
資料來源:麥肯錫/哈佛商業評論。AI的大多數商業用途將由MICHAEL CHUI,NICOLAUS HENKE和MEHDI MIREMADI兩個領域組成。2019年3月

  • 通過在雲平台上擴展的機器學習和預測分析,製造商正在獲得有關如何使其更具可持續性的新見解。流程製造商正在使用Azure的Symphony Industrial AI從模板庫部署設備模型,模板庫包括熱交換器,泵,壓縮機以及製造商所依賴的其他資產。Symphony AI的Process 360 AI可幫助用戶創建其流程的預測模型。高級別的過程被定義為通過設備生產的物品(如化學品,燃料,金屬,其他中間產品和成品)。工藝模板實例包括氨工藝,乙烯工藝,LNG工藝和聚丙烯工藝。過程模型有助於預測過程擾動和跳閘 – 單獨的設備模型可能無法預測。來源:Microsoft Azure博客,  使用Symphony Industrial AI實施製造預測分析
來源:MICROSOFT AZURE博客,使用SYMPHONY INDUSTRIAL AI實施製造預測分析,
來源:MICROSOFT AZURE博客,使用SYMPHONY INDUSTRIAL AI實施製造預測分析,

  • 波士頓諮詢集團(BCG)發現,製造商使用人工智慧可以將生產商的轉換成本降低多達20%,同時由於勞動力生產率提高,成本降低高達70%。BCG發現,生產商將能夠通過使用人工智慧開發和生產針對特定客戶量身定製的創新產品,並在更短的交付周期內交付產品,從而產生額外的銷售額。下圖說明了AI如何根據BCG的分析為生產流程帶來更高的靈活性和規模。資料來源:波士頓諮詢集團,AI未來工廠,2018年4月18日
資料來源:波士頓諮詢集團,AI未來工廠,2018年4月18日。
資料來源:波士頓諮詢集團,AI未來工廠,2018年4月18日。
  • 依賴重型資產的離散和流程製造商正在使用人工智慧和機器學習來提高吞吐量,能耗和每小時利潤。擁有重型設備(包括大型機械)的製造商正在探索使用演算法來提高產量,可持續性和良率。麥肯錫發現AI可以自動執行複雜的任務,並提供一致性和精確的最佳設定點,使機器能夠以自動駕駛模式運行,這對於在一個或多個生產班次上實現熄燈製造至關重要。資料來源:麥肯錫,AI正在製作中: Eleftherios Charalambous,Robert Feldmann,GérardRichter和Christoph Schmitz 為重型資產製造商改變遊戲規則
資料來源:麥肯錫,AI投入生產:ELEFTHERIOS CHARALAMBOUS,ROBERT FELDMANN,GÉRARDRICHTER和CHRISTOPH SCHMITZ為重型資產製造商改變遊戲規則
資料來源:麥肯錫,AI投入生產:ELEFTHERIOS CHARALAMBOUS,ROBERT FELDMANN,GÉRARDRICHTER和CHRISTOPH SCHMITZ為重型資產製造商改變遊戲規則

  • 基於AI和機器學習的產品缺陷檢測和質量保證顯示出將製造生產率提高50%或更多的潛力。機器學習在發現產品及其包裝異常方面的固有優勢具有提高產品質量和阻止有缺陷的產品離開生產設施的巨大潛力。使用基於深度學習的系統,與人工檢查相比,缺陷檢測高達90%的改進是可行的。鑒於開源人工智慧環境的可用性以及相機和功能強大的計算機方面的廉價硬體,即使是小型企業也越來越依賴基於人工智慧的視覺檢測。在啟用AI的視覺質量檢查中,通過從不同角度對優質和有缺陷產品進行視覺成像來創建參考示例,從而為監督學習演算法的培訓提供動力。資源:通過人工智慧(AI)實現智能化 – 德國及其工業部門有哪些內容?(52頁,PDF,無選擇加入)麥肯錫公司。
資料來源:智能化人工智慧(AI) - 德國及其工業部門有哪些內容?(52頁,PDF,無選擇加入)麥肯錫公司。
資料來源:智能化人工智慧(AI) – 德國及其工業部門有哪些內容?(52頁,PDF,無選擇加入)麥肯錫公司。

  • 機器學習有可能減少製造業的長期勞動力短缺,同時尋找新的方法來同時留住員工。製造業今天面臨嚴重的勞動力短缺,每一次製造商調查都反映出這個問題是影響行業增長的三大因素之一。承擔這一挑戰的最有趣的公司之一是Eightfold。他們基於AI的人才智能平台依賴於一系列有監督和無監督的機器學習演算法,以匹配候選人獨特的能力,經驗和優勢。包括ConAgra在內的製造商依賴於八倍改善招聘並重新發現他們為團隊配備人才和追求增長機會所需的人才。下圖解釋了Eightfold人才智能平台的工作原理:
HTTPS://EIGHTFOLD.AI/
HTTPS://EIGHTFOLD.AI/

  • 機器學習正在幫助製造商解決以前難以解決的問題並揭示他們從未知道的那些問題,包括隱藏的瓶頸或無利可圖的生產線。提高車間每台機器的預測性維護精度,揭示如何提高每台機器和相關工作流程的產量/吞吐量,優化系統和供應鏈優化。下圖說明了機器學習如何首先從機器級別開始提高車間生產率,然後擴展到工作流程及其所依賴的系統。資料來源:麥肯錫,製造業:分析提升生產率和盈利能力,由Valerio Dilda,Lapo Mori,Olivier Noterdaeme和Christoph Schmitz提供
資料來源:麥肯錫,製造業:分析提升生產率和盈利能力,由VALERIO DILDA,LAPO MORI,OLIVIER NOTERDAEME和CHRISTOPH SCHMIT提供
資料來源:麥肯錫,製造業:分析提升生產率和盈利能力,由VALERIO DILDA,LAPO MORI,OLIVIER NOTERDAEME和CHRISTOPH SCHMIT提供

  • 機器學習可以顯著改善產品配置,以及製造商依賴於按訂單生產產品的配置 – 報價(CPQ)工作流程。西門子的方法來銷售,設計,和安裝鐵路聯鎖控制系統使用AI和機器學習,找出10種的最佳配置90種可能的組合。機器學習擅長定義最能滿足客戶需求的最佳配置,同時也是最可靠的製造。資料來源:西門子,下一級AI – 由知識圖和數據思維提供支持,西門子中國創新日,Michael May,成都,2019年5月15日
資料來源:西門子,下一級AI - 由知識圖和數據思維提供支持,西門子中國創新日,MICHAEL MAY,成都,2019年5月15日
資料來源:西門子,下一級AI – 由知識圖和數據思維提供支持,西門子中國創新日,MICHAEL MAY,成都,2019年5月15日

  • 預計人工智慧和製造業中的機器學習將在未來五年內超過機器人技術,成為製造業的主要用例。供應鏈操作的複雜性和約束是機器學習演算法的理想用例,以提供推薦的解決方案。製造商正在尋求有關預測性維護的試點,那些能夠帶來明顯收入增長的企業最有可能投入生產。資料來源:MAPI基金會,製造業發展:人工智慧將如何改變製造業和未來的勞動力作者: Robert D. Atkinson,Stephen Ezell,信息技術與創新基金會(PDF,56頁,選擇加入)
資料來源:MAPI基金會,製造業發展:人工智慧將如何改變製造業和未來的勞動力作者:ROBERT D. ATKINSON,STEPHEN EZELL,信息技術與創新基金會(PDF,56頁,選擇加入)
資料來源:MAPI基金會,製造業發展:人工智慧將如何改變製造業和未來的勞動力作者:ROBERT D. ATKINSON,STEPHEN EZELL,信息技術與創新基金會(PDF,56頁,選擇加入)

FORRESTER,ZTX對供應商和用戶的意義2018年1月23日
FORRESTER,ZTX對供應商和用戶的意義2018年1月23日

補充閱讀:

2019年製造業趨勢報告,微軟(PDF,72頁,無選擇加入)

埃森哲,製造業的未來,人工智慧將推動工業設備公司的下一波增長(PDF,20頁,沒有選擇加入)

安德森,M。(2019年)。製造業的機器學習。汽車設計與生產,131(4),30-32。

布魯諾,J。(2019年)。IIoT如何改變商業模式。製造工程,163(1),12。

格林菲爾德,D。(2019年)。關於擴展IIoT項目的建議。ProFood世界

Hayhoe,T.,Podhorska,I.,Siekelova,A。,&Stehel,V。(2019)。工業可持續製造業4.0:多供應鏈,網路物理生產系統和人工智慧驅動決策的跨部門網路。自我雜誌

治理與管理經濟學,7(2),31-36。

霍尼韋爾,霍尼韋爾連接工廠,2018年6月(PDF,36頁,無選擇加入)

如何以及為何將您的供應鏈數字化。(2019)。Manufacturing.Net。

新興技術如何改變供應鏈。(2019)。Manufacturing.Net,

IRI在領先的分析解決方案套件中提供AI和機器學習。(2019)。製造特寫

Kazuyuki,M。(2019年)。製造過程數字化和開放式創新:日本中小企業的調查結果。聖路易斯:聖路易斯聯邦儲備銀行。

製造業中的機器學習 – 現在和未來的用例,Emerj人工智慧研究,最新更新於2019年5月20日,由Jon Walker出版

機器學習,AI是最具影響力的供應鏈技術。(2019)。物料搬運和物流

MAPI基金會,製造業發展:人工智慧將如何改變製造業和未來的勞動力作者: Robert D. Atkinson,Stephen Ezell,信息技術與創新基金會(PDF,56頁,選擇加入)

麥肯錫全球研究院,可視化AI和其他分析的用途和潛在影響,互動式可視化工具。2018年4月

麥肯錫,’燈塔’製造商引領潮流 – 世界其他地方能夠跟上嗎? –由Enno de Boer,Helena Leurent和Adrian Widmer領導; 2019年1月。

麥肯錫,AI正在製作中:由Eleftherios Charalambous,Robert Feldmann,GérardRichter和Christoph Schmitz 為重型資產製造商改變遊戲規則

麥肯錫,數字製造 – 逃避試點煉獄(PDF,24頁,無選擇加入)

麥肯錫,自動化和人工智慧推動影響和規模,2019年2月(PDF,100頁,無選擇加入)。

麥肯錫,製造業:分析提升生產力和盈利能力,作者:Valerio Dilda,Lapo Mori,Olivier Noterdaeme和Christoph Schmitz,2019年3月

麥肯錫/哈佛商業評論,AI的大部分業務用途將分為兩個方面,

莫雷,B。(2019年)。製造業和人工智慧:承諾和陷阱。製造工程,163(1),10。

奧托,S。(2018年)。預測性維護如何提高資產效率。機器設計。

減少高級分析中的進入門檻。(2019)。Manufacturing.Net,

實時監控的七種方式正在推動智能製造。(2019)。Manufacturing.Net,

西門子,下一級AI – 由知識圖和數據思維提供支持,西門子中國創新日,Michael May,成都,2019年5月15日

智能工廠:信息治理問題製造政策倡議公共與環境事務學院印第安納大學,2019年3月(PDF,68頁,無選擇加入)

通過人工智慧(AI)實現智能化 – 德國及其工業部門有哪些內容?(52頁,PDF,無選擇加入)麥肯錫公司。

團隊使用數據和AI預測電池的使用壽命。(2019年3月28日)。研發

人工智慧和製造業的未來,微軟,Greg Shaw(PDF,73頁,PDF,沒有選擇加入)。

機器學習在工業質量控制論文中的應用ErikGranstedtMöller獲得工程科學碩士學位。KTH皇家理工學院,2017年出版。(PDF,55頁,無選擇加入)

製造業八大數據科學用例,ActiveWizards:機器學習公司Igor Bobriakov,2019年3月12日

沃克,我(2019年)。武裝分析:製造作為一門武術。工業周刊

Whittle,T.,Gregova,E.,Podhorska,I。,&Rowland,Z。(2019)。智能製造技術:生產計劃,可持續價值創造和運營績效改進中的數據驅動演算法。經濟學,管理和金融市場,14(2),52-57。

為什麼軟體將推動智能工廠和製造業的未來。(2019)。Manufacturing.Net

Zulick,J。(2019)。機器學習如何改變工業生產。機器設計

本文轉自 Forbes,原文地址