一、用于缺陷检测的深度学习

 

在制造中，生产线中的缺陷检测过程变得越来越智能。深度神经网络集成使计算机系统可以识别诸如刮擦，裂纹，泄漏等表面缺陷。

 

通过应用图像分类，对象检测和实例分割算法，数据科学家可以训练视觉检查系统来来进行给定任务的缺陷检测。结合了高光学分辨率相机和GPU，深度学习驱动的检测系统将比传统机器视觉具有更好的感知能力。

 

例如，可口可乐构建了基于AI的视觉检查应用程序。该应用程序诊断设施系统并检测问题，然后把检测到的问题通知给技术专家，助力专家采取进一步的措施。

 

二、通过机器学习进行预测性维护

 

与其在发生故障时进行修复或安排设备检查，不如在发生问题之前进行预测。

 

通过利用时间序列数据，机器学习算法可以微调预测性维护系统以分析故障模式并预测可能的问题。——当传感器跟踪诸如湿度，温度或密度之类的参数时，这些数据将通过机器学习算法进行收集和处理。

 

根据预测目标，如故障之前的剩余时间，获取故障概率或异常等，有几种机器学习模型可以预测设备故障：

 

①、预测剩余使用寿命(RUL)的回归模型。通过利用历史数据和静态数据，此方法可以预测故障之前还有多少天。

 

②、用于在预定时间段内预测故障的分类模型。为了定义机器将要失效的时间，我们可以开发一个模型，该模型将在定义的天数内预测失败。

 

③、异常检测模型可以标记设备。这种方法可以通过识别正常系统行为和故障事件之间的差异来预测故障。

 

基于机器学习的预测性维护所带来的主要好处是准确性和及时性。通过揭示生产设备中的异常，分析其性质和频率，可以在故障发生之前优化性能。

 

三、人工智能将打造数字双胞胎

 

数字孪生是物理生产系统的虚拟副本。在制造领域，存在着由特定机械资产，整个机械系统或特定系统组件组成的数字双胞胎。数字双胞胎的最常见用途是生产过程的实时诊断和评估，产品性能的预测和可视化等。

 

为了教数字孪生模型了解如何优化物理系统，数据科学工程师使用了监督和无监督的机器学习算法。通过处理从连续实时监控中收集的历史数据和未标记数据，机器学习算法可以查找行为模式并查找异常。这些算法有助于优化生产计划，质量改进和维护。

 

此外，利用NLP技术可以处理来自研究，行业报告，社交网络和大众媒体的外部数据。它不仅增强了数字双胞胎的功能，不仅可以设计未来的产品，还可以模拟其性能。

 

四、智能制造的生成设计

 

生成设计的思想是基于机器学习的给定产品的所有可能设计选项的生成。通过在生成的设计软件中选择重量，尺寸，材料，操作和制造条件等参数，工程师可以生成许多设计解决方案。然后，他们可以为将来的产品选择最合适的设计并将其投入生产。

 

先进的深度学习算法的使用使生成设计软件变得智能。人工智能的新趋势之一是生成对抗网络(GAN)。GAN依次使用两个网络：生成器和鉴别器，其中生成器网络为给定产品生成新设计，而鉴别器网络对真实产品的设计和生成的产品进行分类和区分。

 

因此，数据科学家开发并教授深度学习模型以定义所有可能的设计变体。计算机成为所谓的“设计伙伴”，它根据产品设计师给出的约束条件生成独特的设计思想。