此次疫情的肆虐，在很多制造商眼中反而成了“重置現(xiàn)有業(yè)務體系”的好機會，他們希望借此拓展并增強生產(chǎn)流程的適應性與智能化水平，而分析與AI技術的驅動自然成為轉型過程中不可或缺的一環(huán)。

將人類經(jīng)驗、見解與AI技術相結合，制造業(yè)企業(yè)發(fā)現(xiàn)了新的差異化方法，得以在降低成本的同時維持正常利潤。面對艱難的經(jīng)濟環(huán)境，各制造商都必須正視保持業(yè)務增長所需要克服的挑戰(zhàn)。但他們并不孤單——波士頓咨詢一項最新研究《后危機時代下，以AI為驅動力的企業(yè)將全面崛起（The Rise of the AI-Powered Company in the Postcrisis World）》就發(fā)現(xiàn)，在前四輪全球經(jīng)濟衰退當中，有14%的公司反而能夠逆勢提高銷售額與利潤率，如下圖所示：

▲ 圖片來源/波士頓咨詢《后危機時代下，以AI為驅動力的企業(yè)將全面崛起》，2020年4月2日。

AI，構建實時制造業(yè)的未來「核心」

實時監(jiān)控具有諸多優(yōu)勢，包括解決生產(chǎn)瓶頸、跟蹤廢品率、控制交貨日期等等。實時監(jiān)控指標也是上下文數(shù)據(jù)的理想來源，可用于訓練機器學習模型。有監(jiān)督與無監(jiān)督機器學習算法，能夠在幾秒鐘之內，解釋多個生產(chǎn)班次的實時數(shù)據(jù)，并據(jù)此探索出前所未有的流程、產(chǎn)品與生產(chǎn)運作模式。

凱捷近期發(fā)布了《在制造運營中擴展AI技術（Scaling AI in Manufacturing Operations: A Practitioners Perspective ）》研究報告。我們結合報告內容，同時參考過去幾個月來對多家制造商的訪談結論，整理出以下十條AI技術在2020年增強制造行業(yè)的重要見解：

• 制造企業(yè)中，29%的AI實施方案面向機械維護與生產(chǎn)性資產(chǎn)。凱捷研究團隊發(fā)現(xiàn)，利用AI技術預測機器/設備何時可能發(fā)生故障并制定最佳維護時間（基于條件型維護）已經(jīng)成為當今制造業(yè)中的主流。通用汽車就在技術供應商的幫助下，對安裝在組裝機器人上的拍攝圖像執(zhí)行分析，借此尋找機器人部件發(fā)生故障的跡象與征兆。在對該系統(tǒng)進行的一項先導測試中，通用方面檢測了7000臺機器人上的72個組件故障實例，并成功在可能導致計劃外停機之前發(fā)現(xiàn)了問題。下圖來自研究報告，說明了AI技術如何支撐起制造業(yè)中的智能維護方案：

▲ 圖片來源/凱捷制造業(yè)AI運營擴展報告：從業(yè)者視角。

• 通用汽車聯(lián)手Autodesk，依托于機器學習技術，在產(chǎn)品設計的約束與優(yōu)化領域建立起生成性設計算法。在CAD設計環(huán)境中建立起這樣一種約束優(yōu)化邏輯，幫助通用汽車顯著加快原型設計速度。設計師負責向算法中輸入功能需求、材料、制造工藝以及其他約束性定義，算法則快速給出設計結果。2018年5月，通用汽車開始采用Autodesk生成設計軟件，以優(yōu)化零部件重量等核心產(chǎn)品標準，并希望以此為基礎實現(xiàn)零件的增材制造能力。這套解決方案最近已經(jīng)開始在安全帶支架零件原型中進行測試，最終使單件設計較原始方案減重達40%、強度增長20%。——來自于哈佛商學院《捕夢網(wǎng)計劃：生成式設計如何加速增材制造（Project Dreamcatcher: Can Generative Design Accelerate Additive Manufacturing for additional information）》。

▲ 圖片來源/哈佛商學院案例分析，《捕夢網(wǎng)計劃：生成式設計如何加速增材制造》

• 諾基亞推出視頻應用程序，利用機器學習技術，為流水線裝配中的不一致問題發(fā)布警報。諾基亞公司在芬蘭奧盧的一家工廠中推出了利用機器學習監(jiān)控裝配線流程的視頻應用程序。它能夠及時發(fā)現(xiàn)操作員工作中的不一致，從而實時糾正問題。——來自于《諾基亞聯(lián)手瑞典電信與英特爾，公布全球首個「實用型」5G智能工廠實驗（Nokia claims first "real-world" 5G smart factory trial with Telia and Intel）》。

▲ 圖：諾基亞聯(lián)手瑞典電信與英特爾，公布全球首個「實用型」5G智能工廠實驗

• 實時分析圖像，對汽車及消費品制造業(yè)成品進行質量檢測，協(xié)助制造商遵循法規(guī)的嚴格要求。高分辨率攝像機成本在持續(xù)下降，基于AI的圖像識別軟件與技術，則在快速進步。這兩項因素的結合，令實時在線檢查的效果與實現(xiàn)成本愈發(fā)親民。奧迪公司正是這一領域的領導者，奧迪公司在英戈爾施塔特沖壓車間安裝了基于深度學習的圖像識別系統(tǒng)。下圖所示，為該實時產(chǎn)品質量檢查工作流的具體運作方式：

▲ 圖片來源/凱捷制造業(yè)AI運營擴展報告：從業(yè)者視角

• 消費級密封食品制造商對于預測準確性的要求，向來遠高于其他行業(yè)。達能集團是一家法國跨國食品制造商，正在利用機器學習系統(tǒng)，改善營銷、銷售、客戶管理、供應鏈與財務等領域之間的規(guī)劃與協(xié)調能力，希望借此提升對市場需求預測的準確性。其中的一大核心訴求，就是借助機器學習將渠道或店面的產(chǎn)品庫存控制在既定水平。這套系統(tǒng)使預測誤差減少了20%、銷售損失降低達30%、產(chǎn)品過期比例減少30%、規(guī)劃工作量降低達50%。

▲ 圖：基于機器學習的需求規(guī)劃與預測系統(tǒng)基本架構。圖片來源/ 凱捷制造業(yè)AI運營擴展報告：從業(yè)者視角。

• Thales SA是一家電子系統(tǒng)供應商，正在利用機器學習，對歐洲的鐵路系統(tǒng)進行預防性維護。該公司跨越整個歐洲，收集沿途部署的成千上萬個傳感器、火車零件以及子系統(tǒng)，從中整理歷史運行狀態(tài)與當前數(shù)據(jù)。利用這些數(shù)據(jù)，該公司開發(fā)出一種AI算法，能夠預測潛在問題，并確定何時需要更換特定零件。事實證明，系統(tǒng)給出的預測結果相當可靠。下圖所示為用于預測性維護的TIRIS大數(shù)據(jù)分析工具中的儀表板，可幫助鐵路行業(yè)實現(xiàn)零計劃外停機目標。

▲ 圖：用于預測性維護的TIRIS大數(shù)據(jù)分析工具中的儀表板，可幫助鐵路行業(yè)實現(xiàn)零計劃外停機目標，來自于Thales SA公司。

• 寶馬集團利用AI技術，評估其生產(chǎn)線中的零部件圖像，借此實時發(fā)現(xiàn)與質量標準不符的偏差問題。在寶馬集團丁格爾芬工廠的最終檢查區(qū)內，一款AI應用程序負責將車輛訂單數(shù)據(jù)與新生產(chǎn)汽車的實時圖像進行比較。具體車型與其他標識（例如用于標識四驅車型的「xDrive」）將以固定組合的形式保存在圖像數(shù)據(jù)庫當中。如果實時圖像與訂單數(shù)據(jù)不一致，例如缺少特定標識，則最終檢查團隊會立即收到通知。那么，寶馬如何利用AI技術進行創(chuàng)新，請參閱《快速、高效、可靠：寶馬集團生產(chǎn)體系中的人工智能（Fast, efficient, reliable: Artificial intelligence in BMW Group Production）》。寶馬集團還在開源平臺上共享其生產(chǎn)流程中使用的AI算法。

▲ 圖： 寶馬目前使用的AI圖像匹配技術示例。圖片來源/《快速、高效、可靠：寶馬集團生產(chǎn)體系中的人工智能（Fast, efficient, reliable: Artificial intelligence in BMW Group Production）》

• 施耐德電氣以微軟Azure Machine Learning服務與Azure IoT Edge為基礎，創(chuàng)建預測性物聯(lián)網(wǎng)分析解決方案，借此改進員工安全，削減成本，并實現(xiàn)可持續(xù)發(fā)展目標。施耐德電氣的數(shù)據(jù)科學家們使用來自油田的數(shù)據(jù)構建模型，并借此預測設施何時何地需要維護。數(shù)據(jù)科學家們使用自動機器學習功能，高效選擇最佳機器學習模型，并自動調整模型參數(shù)，以節(jié)約時間并提高效率。該公司在部署基于Azure Machine Learning服務的解決方案之后，短短兩天內就幫助運營商將效率提高了10%至20%。——來自于《施耐德電氣通過Azure Machine Learning服務的預測性維護功能，將成本與員工風險控制在最低水平（Schneider Electric minimizes costs and worker risk with Azure Machine Learning service predictive maintenance for additional details）》。

圖：包含微軟Azure Machine Learning Service的微軟IoT Edge Analytics植入方案 。圖片來源/《施耐德電氣通過Azure Machine Learning服務的預測性維護功能，將成本與員工風險控制在最低水平（Schneider Electric minimizes costs and worker risk with Azure Machine Learning service predictive maintenance for additional details）》

• 日產(chǎn)公司嘗試利用AI技術實時設計新車型，以期縮短下一代車型產(chǎn)品的上市周期。日產(chǎn)公司將這個已經(jīng)擁有四年發(fā)展歷史的項目，稱為DriveSpark程序。目前，日產(chǎn)設計師們使用DriveSpark系統(tǒng)，創(chuàng)造出完全符合行業(yè)最新法規(guī)與合規(guī)性要求的全新車型。他們還利用AI技術延長現(xiàn)有車型的生命周期。——來自于DriveSpark介紹文章《日產(chǎn)汽車的理念：讓人工智能設計我們的汽車（DriveSpark, "Nissan's Idea: Let An Artificial Intelligence Design Our Cars," September 2016）》，2016年9月。

• 佳能發(fā)明了資產(chǎn)缺陷識別系統(tǒng)，旨在將更高水平的質量控制方案，引入現(xiàn)有制造中心。佳能將人類專業(yè)知識、洞察能力與AI技術（包括機器學習、計算機視覺以及預測模型）相結合，希望借此提高對高精度機器零件的測試準確性與效率。目前，汽車與運輸、航空航天及國防、石油與天然氣以及建筑等行業(yè)中的精密零件制造商，往往需要執(zhí)行嚴格的組裝后檢查過程。佳能的制造組件將經(jīng)由工業(yè)級射線拍攝（X射線影像）與實拍圖像進行細致檢查，以確保每個零件及其內部結構皆符合完整性要求。借助計算機視覺與機器學習功能，輔助缺陷識別技術系統(tǒng)，能夠智能分析被栓零件的圖像、自動識別潛在缺陷，甚至包括人眼難以察覺的細小瑕疵。再配合人類工程師的介入與引導，該系統(tǒng)即可不斷學習并提高自身判斷準確性。