Application de l'intelligence artificielle dans l'industrie manufacturière

Avec l'arrivée du boom de la fabrication intelligente, les applications de l'intelligence artificielle ont pénétré tous les aspects de l'industrie manufacturière tels que la conception, la production, la gestion et les services.

Le concept d'intelligence artificielle a été proposé pour la première fois dans les années 1950, il y a plus de soixante ans. Cependant, ce n’est que ces dernières années que l’intelligence artificielle a connu une croissance explosive, principalement en raison de la maturité croissante de l’Internet des objets, du big data, du cloud computing et d’autres technologies.

L'Internet des objets permet d'obtenir une grande quantité de données en temps réel. Le Big Data fournit des ressources de données et un support d'algorithmes pour l'apprentissage en profondeur, et le cloud computing fournit des ressources informatiques flexibles pour l'intelligence artificielle. La combinaison organique de ces technologies stimule le développement continu de la technologie de l’intelligence artificielle et a réalisé des progrès substantiels. La bataille homme-machine entre AlphaGo et Lee Sedol a poussé l’intelligence artificielle au premier plan et a déclenché un nouvel engouement pour l’intelligence artificielle.

Ces dernières années, les recherches et les applications sur l'intelligence artificielle ont commencé à fleurir partout. Avec l’avènement du boom de la fabrication intelligente, les applications de l’intelligence artificielle ont pénétré tous les aspects de l’industrie manufacturière, tels que la conception, la production, la gestion et les services.

PREMIÈRE PARTIE

Détection des défauts de produit

En raison de l'application de l'apprentissage profond, le processus de détection des défauts des lignes de production manufacturières devient de plus en plus intelligent. L'intégration approfondie des réseaux neuronaux permet aux systèmes informatiques d'identifier les défauts de surface tels que les rayures, les fissures, les fuites, etc.

Ce processus est accompli par des data scientists qui forment le système d'inspection visuelle avec une tâche de détection de défauts donnée en appliquant des algorithmes de classification d'images, de détection d'objets et de segmentation d'instances. Les systèmes de détection basés sur l'apprentissage profond, combinés à des caméras et des GPU à haute résolution optique, forment des capacités de perception au-delà de la vision industrielle traditionnelle.

Par exemple, le programme d'inspection visuelle basé sur l'IA développé par Coca-Cola peut déjà diagnostiquer les systèmes des installations et détecter les problèmes de la chaîne de production, et renvoyer rapidement les problèmes détectés aux experts techniques pour résolution. Sur cette base, le personnel d'inspection de la qualité a été répertorié par Kai-fu Lee comme un type d'emploi qui sera remplacé à l'avenir par l'intelligence artificielle.

Les nouvelles technologies de détection incluent les données synthétiques, l’apprentissage par transfert et l’apprentissage auto-supervisé. Dans les données synthétiques, les outils de génération de données Generative Adversarial Networks (GAN) examinent les images que les inspecteurs de qualité considèrent comme « normales » et synthétisent les images défectueuses pour former des modèles d’intelligence artificielle. Dans le même temps, l’apprentissage par transfert et l’apprentissage auto-supervisé sont utilisés pour résoudre des problèmes spécifiques. À mesure que les données s’accumulent, les algorithmes de détection des défauts deviennent plus précis.

DEUXIÈME PARTIE

Tri intelligent

Il existe de nombreuses opérations qui nécessitent un tri dans l'industrie manufacturière Si des opérations manuelles sont utilisées, la vitesse est lente et le coût est élevé. élevé, et il est également nécessaire de fournir un environnement de température de travail approprié. Si des robots industriels sont utilisés pour le tri intelligent, les coûts peuvent être considérablement réduits et la vitesse augmentée.

Prenons l'exemple du tri des pièces. Les pièces à trier ne sont souvent pas bien rangées. Bien que le robot dispose d’une caméra pour voir les pièces, il ne sait pas comment les récupérer. Dans ce cas, utilisez la technologie d'apprentissage automatique pour laisser d'abord le robot effectuer une action de tri aléatoire, puis lui indiquer si l'action a réussi à récupérer les pièces ou à les attraper vides. Après plusieurs entraînements, le robot saura comment trier les pièces. le tri des pièces dans l'ordre aura un taux de réussite plus élevé ; quelle position prendre pendant le tri aura un taux de réussite plus élevé ; savoir dans quel ordre trier aura un taux de réussite plus élevé. Après plusieurs heures d'apprentissage, le taux de réussite du tri du robot peut atteindre 90 %, ce qui équivaut à celui d'ouvriers qualifiés.

TROISIÈME PARTIE

Gestion et logistique d'entrepôt

Par exemple, un entrepôt de JD Logistics doit trier les produits finis en fonction des commandes et des lieux d'expédition, recycler les cartons vides et mettre certains déchets et déchets produits Jetez-le à la casse. Ce travail est effectué par deux ouvriers par équipe. Il y a de la poussière et du bruit dans l'entrepôt, et les opérations de tri sont répétées 2 000 à 3 000 fois par jour. Bien que les objets lourds soient transportés par des robots, il s'agit toujours d'une opération de haute intensité. environnement médiocre et travail répétitif technique à faible contenu.

L'entreprise utilise un robot pour remplacer deux postes de travail qui travaillent trois équipes par jour. Le robot est équipé d'un système de vision industrielle qui permet de scanner les codes pour le tri des commandes et des lieux de livraison, des produits finis, des cartons vides, des déchets. et les déchets sont progressivement créés par les algorithmes d'apprentissage de l'IA. Pour améliorer le taux de reconnaissance, le taux de reconnaissance initial n'était que d'environ 62 %, et chaque quart de travail nécessitait qu'un travailleur comble les lacunes. Avec l'accumulation de données, la reconnaissance de l'IA. Le modèle a été continuellement amélioré. Après 9 mois, le taux de reconnaissance globale est passé à 96 % et le produit fini a été reconnu. Le tri est tout à fait précis avec le lieu de livraison. Il n'est pas nécessaire de garder des personnes dans l'entrepôt pour combler les postes vacants. Seule une très petite quantité de cartons vides peut être récupérée lors du recyclage des déchets.

QUATRE PARTIE

Fabrication

Ford s'est un jour vanté : peu importe la voiture que vous voulez, je ne la produirai qu'en noir. C'est une représentation typique de la production de masse sur chaîne de montage, mais si Ford. le met dans la situation actuelle. Si cette idée persiste, Ford ne fera que mourir. Parce qu'il y a de plus en plus de personnalisation maintenant, mais que le coût de la production personnalisée est très énorme, alors le seul moyen est la personnalisation de masse, qui utilise les données de consommation personnelle pour analyser et former des commandes complètes, puis la plate-forme les distribue pour la production de masse afin de réduire Le prix unitaire des produits finis est la voie empruntée actuellement par Rhino Manufacturing. Cependant, bien que le commerce électronique dispose d'une grande quantité de données sur le comportement des consommateurs, les données sont toujours en retard par rapport à la demande réelle. Ce scénario d'application nécessite que la plateforme d'analyse maximise la précision afin d'augmenter la précision.

PARTIE CINQ

Service d'exploitation et de maintenance à distance

Plateforme d'exploitation et de maintenance à distance, via l'Internet des objets, les algorithmes du big data et de l'intelligence artificielle et d'autres technologies, surveillance en temps réel des paramètres clés du processus de production et de l'équipement de production, alarme opportune en cas de défauts. Des fonctions telles que la maintenance prédictive et la prise de décision auxiliaire soutenues par l'analyse des mégadonnées industrielles et les algorithmes d'intelligence artificielle peuvent réduire davantage les déplacements du personnel et les retards d'arrêt causés par des temps d'arrêt imprévus, rendant l'exploitation et la maintenance des entreprises industrielles avec moins de personnel, sans personnel et plus efficaces. Changement de modèle à distance.

Partout dans le monde, des entreprises impliquées dans le domaine de l'intelligence artificielle industrielle ont déjà prouvé la valeur unique de cette technologie. La technologie de l'intelligence artificielle a un grand potentiel pour améliorer la productivité, l'efficacité, la qualité et les coûts des entreprises, et deviendra sans aucun doute un nouveau moteur pour l'industrie manufacturière du futur. Cependant, le parcours de transformation de l’IA des entreprises a encore un long chemin à parcourir. Les entreprises qui sont les premières à s'éveiller doivent renforcer leurs convictions, mettre en pratique leurs compétences internes avec diligence et étendre immédiatement leur territoire dans le domaine de l'intelligence artificielle industrielle, en s'efforçant de devenir un phare éclairant la future fabrication intelligente.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!