AI如何改变制造业和工业物联网？

凭据Business Insider的数据显示
，制造业即将迎来物联网（IoT）和人工智能（AI）应用的再度大幅增长。预计到2027年
，物联网市场规模将抵达2.4万亿美元。

除了自动化和机械人技术等领域显而易见的应用外
，AI系统还能够优化制造流程
，发送早期警报
，提升质量检查和质量控制
，并预测机械中的设备故障。

优化制造历程的要害是收集正确的数据。通过这样做
，制造商可以开发出立异的AI应用程序
，使自己从竞争中脱颖而出。

许多制造企业开始在其工业物联网（IIoT）应用中接纳种种AI算法以进行实时决策。了解基于AI的应用中的数据为王是至关重要的Ｋ鸭⑶謇砗妥急钙嫣氐氖菔抢肁I来优化组织并获得见解的Z重要方面。

在AI工程师开始逊们的机械学习模型之前
，他们通；ǚ讯啻75％的时间来简单地处理起始数据。请记着
，要训练一个可以在IIoT设备上运行的机械学习模型
，须要有一个数据集或一系列数据集来反应应用程序运行时的实际情况。

创立一个数据集的历程需要分几个办法实现。通常是从收集多年的数据开始
，工程师需要确定命据的总体结构。接下来
，他们需要消除数据中的任何缺陷、差别或缺口
，然后将这些数据转换成算法需要的形式
，以便与之U效地交互。

嵌入式系统的边沿AI

边沿AI是制造颐魅整体AI生长的重要组成部分。边沿 AI能够在硬件设惫亓地处理数据
，而不是依靠通过互联网连接的集中式数据库或处理节点。

在大大都IoT解决计划中
，后端效劳器通过多个设备和互联网连接的传感器接收数据。一台或多台效劳器托管用于处理数据的机械学习算法
，以创立AI解决计划提供的任何价值。

这种AI架构的问题在于
，许多设备可能导致网络流量超载
，或者您可能正在使用已经大宗使用的网络。在这些情况下
，将数据发送回中央效劳器可能会导致处理速度慢得令人无法接受。而这正是边沿AI发挥其价值的地方
，因为可以在硬件设惫亓地执行一些不太庞大的机械学习和AI历程。

边沿AI对许多行业至关重要。一个例子是自动驾驶汽车
，其中边沿AI可以减少电池的电量消耗。监视系统、机械人技术和其他几个行业也将从边沿AI模型中受益。

引发边沿AI的潜力

知识蒸馏（Knowledge Distillation）技术的引入具有 的改善边沿AI解决计划的潜力。

知识蒸馏是通过知识压缩原理进行的一种模型压缩要领。使用诸如强化学习之类的技术
，神经网络可以学习如何爆发预期的结果
，从而使一个较小的网络也可以学习创立出与较大的网络创立出的相似结果。

这种较小的网络规模更适合移动设备、传感器和类似硬件等边沿设备。知识蒸馏可以将边沿设备的空间担负减少多达2000％
，从而减少了运行网络所需的能量、物理约束以及设备自己的本钱。

一个应用知识蒸馏技术的实例是使用视频源在监视系统上实时检测性别。通常
，识别性别需要相当大的基于云的神经网络。可是在实时系统中
，返回到云端并不总是Z好的选择。通过知识蒸馏技术可以将整个历程精简为一个较小的网络
，该网络可以在装置到边沿设备的同时准确地识别性别。

基于机械学习的预测性维护

预测性维护是机械学习和AI对制造爆发影响的 富有结果的领域。实际上
，凭据Capgemini咨询公司的一项研究
，将近30％的制造业AI实施与机械和生产工具的维护相关。这使得预测性维护成为目今制造业中使用Z为广泛的应用领域之一。

基于机械学习的预测性维护的两个Z重要的利益是它的快速性和准确性。AI可以足够快速、准确地识别机械问题
，以便在爆发故障甚至故障之前进行纠正。

例如
，通用汽车使用装置在装配机械人上的AI摄像头
，通过摄像头的使用
，它能够检测出一组5000多个机械人中的数十个组件故障
，从而规避了可能泛起的故障。

基于机械学习的预测性维护可以使用种种模型和要领
，从使用历史数据来预测故障的回归模型和分类模型
，到剖析系统和组件以寻找应变或异常迹象的异常检测模型。

用于质量控制的盘算机视觉

汽车和消费产品行业面临着监管机构的苛刻要求
，而维持这些规则的合规性是AI和机械学习可以大显身手的领域。高质量相机的本钱每年都在下降
，而AI图像识别和处理软件也在不绝快速革新。因此
，基于AI的检测要领对企业的吸引力越来越大。

是在汽车行业
，例如
，德国汽车制造商宝马率先接纳了这项技术。宝马将AI应用程序作为检查历程的Z后一步
，将新制造的汽车与订单数据和规格进行了比较。另一家汽车制造商日产
，在将AI视觉检测模型纳入其质量包管流程方面也取得了显著进展。

视觉检查算法越来越受接待的部分原因是这些算法的生长日趋成熟。现在
，基于神经网络的系统可以识别出种种潜在问题
，例如裂纹、泄漏、划痕、翘曲以及许多其他异常。

而应用所要检查的参数可以凭据庞大的规则映射进行调解或适应到给定情况。当与GPU和高区分率摄像头搭配使用时
，基于AI的检测解决计划在准确性和速度上可以大大凌驾古板的视觉检测系统。

制造业的未来

从某种角度来说
，制造业的未来险些就是基于IoT的AI的未来的代名词。在2019年
，预计有80亿个IoT设备
，可是到2027年
，预计将有410亿个IoT设备
，而这一增长的Z大份额将是制造业。预计制造业中AI的估值将增长15倍以上
，从目前的约11亿美元增长到2026年的160亿美元以上。

生产的全特征——标准化、规模经济、任务自动化和专业化
，都在很洪流平上得益于机械学习和AI解决计划的实施。因此
，在未来几年
，嵌入IoT设备的AI将不可制止地继续紧密地融入到更多的制造历程中。

文章来源：新机械视觉（*如有版权问题请联系后台
，将在24小时内删除文章）