11、AI在制造业的应用与变革

AI在制造业的应用与变革

1. ZF的AI实践

1.1 EoL流程改进

在制造过程中，ZF的EoL（End-of-Line）测试至关重要。当测试运行因超过阈值而失败时，EoL测试台操作员会凭借自身经验处理问题。为了提高效率，ZF采用大数据方法，利用所有测量数据而非仅首个超出阈值的数据来改进EoL流程，并使用人工智能（AI）实现自动化以减少人为错误。
具体操作步骤如下：
1. 特征识别 ：将数百万个EoL测试台测量点组合起来，以识别相关特征。
2. 特征降维 ：使用tSNE和PCA等降维技术减少特征数量。
3. 数据分析 ：应用DBSCAN或k - Means等机器学习聚类算法进行数据分析。

EoL专家可以访问算法结果和历史返工信息，从而评估每个聚类的一致性。为每个一致的聚类添加标签，以便训练监督式机器学习算法来预测特定的标签类别。通过自动超参数调整程序训练一系列多类分类模型，找到精确预测错误类别和相关返工操作的最佳设置。表现最佳的模型能够实时在测试台上预测返工建议，并集成到端到端的IT系统中，为车间的日常可靠运营提供支持。虽然目前仍需EoL专家手动确认返工建议的准确性和聚类的一致性，但未来有望实现完全自动化。

1.2 可扩展人工智能的基石

为了应对大规模AI实施的挑战，ZF正在构建中央“数据湖”和企业级高级分析与AI平台。开源机器学习库和大数据管理技术是其AI解决方案的基础，能够实现快速可扩展的数据处理和前沿AI算法的集成。
目前，ZF的大多数制造系统和数据都部署在本地，