製造における人工知能の応用

スマート製造ブームの到来により、人工知能アプリケーションは設計、生産、管理、サービスなど製造業のあらゆる側面に浸透しました。

人工知能の概念は、60 年以上前の 1950 年代に初めて提案されました。しかし、人工知能が爆発的に成長したのは近年になってからであり、その主な原因は、モノのインターネット、ビッグデータ、クラウド コンピューティングなどのテクノロジーの成熟化によるものです。

モノのインターネットにより、大量のデータをリアルタイムで取得できます。ビッグデータは深層学習のためのデータ リソースとアルゴリズム サポートを提供し、クラウド コンピューティングは人工知能のための柔軟なコンピューティング リソースを提供します。知能。これらのテクノロジーの有機的な組み合わせにより、人工知能テクノロジーの継続的な開発が推進され、大幅な進歩を遂げています。 AlphaGo とイ・セドルの間の人間対機械の戦いは、人工知能を最前線に押し上げ、人工知能の新たなブームを引き起こしました。

近年、人工知能に関する研究と応用があらゆるところで花開き始めています。スマート製造ブームの到来により、人工知能アプリケーションは設計、生産、管理、サービスなど製造業のあらゆる側面に浸透しました。

#パート 1

##製品欠陥の検出

ディープラーニングの応用により、製造ラインの欠陥検出プロセスはますますインテリジェントになってきています。ニューラル ネットワークの深い統合により、コンピュータ システムは傷、亀裂、漏れなどの表面欠陥を識別できます。

このプロセスは、データ サイエンティストが画像分類、オブジェクト検出、インスタンス セグメンテーション アルゴリズムを適用して、特定の欠陥検出タスクに基づいて視覚検査システムをトレーニングすることによって実現されます。ディープラーニング主導の検出システムは、高光学解像度のカメラおよび GPU と組み合わせて、従来のマシン ビジョンを超えた認識機能を形成します。

たとえば、コカ・コーラが構築した AI ベースの外観検査プログラムは、すでに設備システムを診断して生産ラインの問題を検出し、検出された問題を解決のために技術専門家に即座にフィードバックすることができます。これを踏まえ、李凱福氏は将来人工知能に取って代わられる職種として品質検査員を挙げた。

新しい検出テクノロジーには、合成データ、転移学習、自己教師あり学習などがあります。合成データでは、敵対的生成ネットワーク (GAN) データ生成ツールが品質検査官が「正常」とみなす画像を検査し、人工知能モデルのトレーニング用に欠陥のある画像を合成します。同時に、転移学習と自己教師あり学習を使用して、特定の問題を解決します。データが蓄積されるにつれて、欠陥検出アルゴリズムはより正確になります。

#パート 2##インテリジェントな並べ替え

製造業では仕分けが必要な作業が多く、手作業では時間とコストがかかり、適切な作業温度環境を整える必要があります。産業用ロボットをインテリジェントな仕分けに使用すれば、コストを大幅に削減し、スピードを向上させることができます。

部品の並べ替えを例に挙げます。仕分けが必要な部品は整然と配置されていないことが多く、ロボットには部品を確認するためのカメラが付いていますが、部品をうまく取り出す方法がわかりません。この場合、機械学習テクノロジーを使用して、最初にロボットにランダムな仕分けアクションを実行させ、次にそのアクションが部品をうまく拾ったか、空の部品を捕まえたかをロボットに伝えます。何度も訓練した後、ロボットは部品の仕分け方法を理解します。順番に並べ替えると成功率が高くなります; 並べ替えるときにどの位置を選択すれば成功率が高くなりますか; どのような順序で並べ替えるかがわかっていると成功率が高くなります。数時間の学習後、ロボットの仕分け成功率は熟練労働者と同等の 90% に達します。

#パート 3

倉庫管理と物流

例, JD.com ある物流倉庫では、完成品を注文と出荷場所に応じて分別する必要がある一方で、空き箱をリサイクルし、一部の廃材や廃棄製品を廃棄物処理場に捨てる必要があります。この作業は2人体制で行われ、倉庫内には粉塵や騒音があり、毎日2,000～3,000回も仕分け作業が繰り返されるが、重量物はロボットが扱うとはいえ、依然として負荷が高く、劣悪な環境と技術的に要求の高い作業、内容の少ない反復作業。

企業用一台機器人替換每天三班倒的兩個工位，機器人帶有機器視覺系統，訂單和發貨地分揀可以掃RFID碼，成品、空箱、廢料廢料的判斷由AI學習演算法逐步提高識別率，最初識別率只有62%左右，需要每個班次配合一個工人拾遺補缺，隨著數據積累，AI識別模型不斷完善，9個月後，綜合識別率提高到96%的水平，成品識別及出貨地分揀完全準確，已不需要庫房留人補缺，只在廢料廢料回收時，撿起極少量的空箱即可。

PART FOUR

#生產製造

##FFull曾經豪言：不管你想要什麼車，我都只生產黑色，這是流水線大生產的典型寫照，但如果福特放在現狀還是這種思路的話福特汽車只有死路一條。因為現在個人化越來越多，但是個人化生產的成本又非常巨大，那麼只有一種途徑就是大規模定制，利用個人消費數據進行分析後形成綜合的訂單，然後平台分發進行大規模生產進而降低成品單價，犀牛製造目前就是要走的這條路。但雖然電商具備大量的消費行為數據，但數據永遠是落後於實際需求的，而這種應用情境需要將分析平台大幅化準確率才能增加。

PART FIVE

#遠端運作維服務

遠端運送維平台，透過物聯網、大數據和人工智慧演算法等技術，對生產過程、生產設備的關鍵參數進行即時監測，故障及時報警。由工業大數據分析及人工智慧演算法支撐的預測性維護和輔助決策等功能，可以進一步減少由於非計劃停機造成的人員出差和停工延誤，讓工業企業的運維實現少人化、無人化、遠端化的模式變革。

縱觀全球，涉足工業人工智慧領域的企業早已證明了這種技術的獨特價值。人工智慧技術在改善企業的生產力、效率、品質和成本等方面具備巨大潛力，無疑將成為賦能未來製造業的全新引擎。不過，企業的人工智慧轉型之旅任重而道遠。率先覺醒的企業必須堅定信念、勤練內功、即時出發，在工業人工智慧領域開疆拓土，力求將自己變成閃耀未來智慧製造之光的燈塔。

以上が製造における人工知能の応用の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。