如今,制造商必须尽可能高效且持续地生产高质量的产品,才能保持竞争力。随着原材料价格上涨、熟练劳动力短缺以及竞争加剧,这可能变得很困难。幸运的是,机器学习和物联网技术正在使效率和生产力的提高成为现实。根据 麦肯锡公司 的数据,人工智能有潜力为制造业创造 1.2 万亿至 2 万亿美元的价值。
制造商可以前所未有地访问海量数据,例如来自传感器技术(智能制造)的图像、声音频率、温度等。得益于价格更易接受的计算能力,制造业可以利用这些数据,并通过机器学习和深度学习模型来降低成本。这就是为什么制造商将从投资于具有数据科学和机器学习技能的人员以及他们开发驱动成本降低的创新解决方案所需的工具中获益最多。以下是数据科学家为制造商创造价值的四种方式
需求预测与供应链优化
在整个供应链中,预测分析模型用于识别不同营销策略、销售价格、地点和许多其他数据点的需求水平。它们有助于预测消费者需求,从而提出优化供应链的建议。数据科学家使用预测分析模型,通过使用历史销售数据、天气数据、经济数据等来预测特定产品的需求。然后,可以使用来自物流管理、运输和仓库管理的数据来优化供应链。
在分析当前库存水平与预测库存水平之间的差距后,数据科学家创建优化模型,帮助指导库存从制造商到配送中心,最终到面向客户的店面的确切流动。这保持了集中式和本地化存储之间的最佳平衡,最大限度地减少了不必要的持有成本。机器学习使制造商及其物流合作伙伴能够更高效、更有利可图。数据科学家不断测试不同的场景,以确保理想的库存水平并提高品牌声誉。
质量控制
图像识别和异常检测是机器学习算法的类型,可以快速检测和消除缺陷零件,防止它们进入制造工作流程。零件制造商可以捕获装配线上每个组件的图像,并自动通过机器学习模型运行这些图像,以识别任何缺陷。
高精度的异常检测算法可以检测到毫米级以下的缺陷。预测分析可用于评估有缺陷的零件是需要返工还是报废。在这个阶段消除或返工有缺陷的零件比在制造过程中后期发现和修复它们的成本要低得多,并降低了代价高昂的召回风险。它还有助于确保客户安全、满意度和保留率。
为了实施图像识别和分析模型,制造商需要一个包含数百甚至数千个零件图像的精确数据集,每个图像都标有诸如通过、失败、问题 A/B/C 等信息。构建模型的数据科学家还必须具备关于允许公差以及各种缺陷的潜在性能和安全影响的领域专业知识。
根本原因分析
当产品生命周期的任何阶段出现问题时——无论是制造过程早期发现的问题,还是影响到消费者手中的产品的问题——组织都会争先恐后地确定确切的原因以及如何解决它。品牌的声誉(以及可能的消费者安全)岌岌可危。
在制造阶段,识别问题的根本原因是一个漫长而艰苦的过程。根本原因分析使用大量的测试数据、传感器测量值、制造商参数等。使用传统方法执行,这也非常困难。
机器学习技术可以大大加速根本原因分析并加快解决速度。异常检测算法可以有效地分析大量的传感器和系统数据。并且它们可以使用比传统方法可以处理的更多的数据类型和更大的数量来执行此分析。
例如,在制造阶段,使用图像数据作为根本原因分析的输入有助于组织将故障模式与底层制造程序中可能的缺陷联系起来。如果产品在消费者手中出现问题,社交媒体上的文本识别和自然语言处理可以将这些注释纳入分析过程。每种方法都可以比传统分析快几个月地揭示非常具体的根本原因——并且通常可以诊断出可能无法以其他方式发现的问题。
预测性维护
机器学习可以提供更精确且(重要的是)不断发展的维护建议。算法处理历史机器数据和传感器数据,以预测机器可能何时发生故障并触发警报,从而使制造商能够及时提供预防性维护,避免停机成本。
预测分析模型不是每年更新几次的静态维护计划,而是可以继续从制造工厂、供应商、服务提供商甚至使用中的产品收集的数千个性能数据点中学习。该模型适应不断变化的条件和新的性能信息,从而相应地更新维护计划
使用 ML 进行预测性维护有助于制造商在机器达到报废期时计划和预算新设备或新零件。它还可以帮助减少浪费。例如,当机器发生故障或性能不佳时,原材料通常会在过程中浪费。预测分析还有助于提高对建议维护的合规性,并可以使制造系统以最佳性能水平运行——保护产量,帮助确保质量和安全,并最终节省时间和金钱。根据 麦肯锡公司 的数据,预测性维护通常可将机器停机时间减少 30-50%,并将机器寿命延长 20-40%。
开源技术提供创新解决方案
凭借正确的技能组合,制造业的数据科学家可以通过使用 Python 和尖端的开源库(如 TensorFlow、scikit-learn 和 scikit-image)实施此处讨论的用例来提供战略优势。因此,许多制造组织将从包含开源库和工具的企业机器学习平台中获得更大的价值,而不是为单一用例设计的点解决方案。