17、机器学习在工业4.0应用中的角色

机器学习在工业4.0应用中的角色

1. 机器学习概述

在工业运营中应用机器学习（ML）算法需要大量的数据。大数据分析（BDA）表明，网络物理系统（CPS）和物联网（IoT）等新技术范式的出现，使得新型数据形式得以创建。不过，在收集信息以供后续分析时，区分背景噪声和实际数据收集可能具有挑战性。动态环境和多样的机器状态，也让基于ML的故障识别和预防变得复杂。同时，实时传输和计算必须可靠且精确，而且随着子系统互连性的增加，安全挑战也在不断加剧。

ML算法可分为四类：
- 监督学习 ：专家通过用已知输出替代指定输入，来训练分类和回归算法。监督式ML使用标记数据，常见算法包括人工神经网络（ANNs）和支持向量机（SVMs）。
- 无监督学习 ：在没有外部监督的情况下，算法进行无监督学习，在此过程中它会发现以前未见过的数据中的模式（聚类、关联规则、自组织映射）。因此，这类学习的训练过程使用未标记的数据。主成分分析（PCA）是最著名且应用广泛的无监督方法，常用于监测。
- 半监督学习 ：结合了监督和无监督方法的特点。为了训练其算法，它同时使用标记和未标记的数据集。利用半监督知识可以避免一些问题。
- 强化学习 ：是一种无监督的ML操作，用于检查给定行动是否对指定的绩效指标产生积极结果。为了解决问题，强化学习需要采取一系列步骤，然后尝试这些步骤的结果，直到找到最佳解决方案。因此，它与基于使用历史数据和从先前判断及激励中积累经验的学习类别有显著不同。

以下是机器学习类型的表格总结：
| 学习类型 | 特点 | 常用算法 | 数据类型 |
| — | — | — | — |
| 监督学习 | 用已知输出训练分类和回归算法 | 人工神经网络、支持向量机 | 标记数据 |
| 无监督学习 | 发现未见过数据中的模式 | 主成分分析 | 未标记数据 |
| 半监督学习 | 结合监督和无监督方法特点 | - | 标记和未标记数据 |
| 强化学习 | 检查行动对绩效指标的影响 | - | - |

2. 文献综述

为了降低成本并利用企业现有的大量数据，提出了ML元模型。工业决策支持系统中的预测模型必须不断进行训练，以长期保持较高的预测质量。

工业4.0相关研究众多，主题分析确定了工业4.0背景下的关键技术，包括物联网（IoT）、人工智能（AI）、云计算、ML、安全、大数据、区块链、深度学习、数字化和CPS等。

由于70 - 80%的最终产品成本是在产品开发和设计过程中确定的，因此在价值创造的早期阶段管理和控制产品成本至关重要。传统商业实践强调组织的控制单元跟踪相关支出。而“工业4.0”是制造业的下一个重大变革，互联网通过网络传感器从每个设备和行动中收集数据，产生了大量信息。随着ML和深度学习这两种AI类型的引入，制造商可以分析收集到的数据，深入了解如何改进运营。

以下是一些相关研究成果：
- 提出了基于语义原则将黑盒模型转换为可解释（且可互操作）分类器的方法，通过自动重建训练数据集和重新训练决策树（可解释模型）来实现。
- 有人提出了一个受锯木厂行业启发的用例，以证明这些技术在波动的数字孪生（DT）数据流中的相关性。
- 提出了一个用于异构物联网（IoFT）数据聚合的语义平台，实现了互操作性。该数据集包括巴西政府传感器收集的天气和植被数据以及卫星火灾数据，使用ML预测火灾影响区域。
- 有人研究了工业4.0应用及其在供应链弹性（SCRes）和供应链可见性（SCV）方面的功能，使用偏最小二乘结构方程建模（PLS - SEM）来研究潜在联系。
- 有研究者提出了一个工业4.0环境下的系统中断监测工具。当活动安排考虑资源位置时，ML系统可以生成定位预测模型。
- ML和自动化被认为对工业部门的成功至关重要。ML技术和高分辨率相机可以实现工业操作自动化，推动我们迈向工业4.0。ML和自动化项目旨在通过对制造零件进行高精度故障检测，实现视觉检查自动化。

3. 机器学习在工业4.0中的应用

工业4.0，有时也被称为“第四次工业革命”，描述了信息技术在制造业中的广泛应用。它可以广泛涵盖网络物理系统、物联网、云计算、数据分析和ML等。

在工业4.0的帮助下，可以建造智能工厂。网络物理技术用于监控操作，通过物联网，许多系统、人工操作设备和操作员可以实时相互协调。网络物理系统收集的信息可以集中存储在云中。ML在工业4.0的最后阶段用于从数据中提取先前建立的模式，成为许多领域突破的驱动力，并为企业带来以下好处：
- 提高产品质量
- 更灵活的生产

工业4.0中ML的最重要应用包括：
- 智能制造 ：将ML技术集成到制造中，以更好地理解和优化生产流程。制造过程中收集的数据有助于实现这一目标，评估会产生能够不断适应生产变化的新流程。因此，各个流程可以得到更好的监控和优化，智能制造会自动将这些改进实时实施。
- 自动驾驶车辆和机器 ：AI和ML在自动驾驶汽车和其他机器中的应用很明显，在商业世界中，它将人类从繁琐或危险的工作中解放出来。
- 质量控制 ：以前，成品检查仅在制造过程的最后一步进行。传感器和ML允许在整个制造过程中监控质量。
- 预测性维护 ：传感器的小型化和价格下降，使得用于机器健康监测的传感器使用量增加，为用户提供了以前无法获得的见解，从而降低了机器管理成本。通过在机器中安装数百或数千个传感器，可以实时监控其整体健康状况。这些数据可用于训练ML算法，以预测某些系统部件何时会发生故障。
- 需求预测 ：调整产出以满足需求是一个持续的挑战，特别是当产出易腐且不能保存供以后使用时，如电力生产。可再生能源的出现，其输出不可预测，也增加了管理的复杂性。使用ML可以更好地满足市场中的理想能源需求。可以通过查看过去的能源使用趋势来计算预期需求，也可以利用天气数据估算可再生能源的发电量。
- 聊天机器人 ：聊天机器人允许消费者通过文本或语音与计算机系统进行交流。它们降低了获取数据和节省劳动力工具的门槛。其主要功能是在交易前后协助客户，或在将询问转发给更专业的人工顾问之前进行筛选。它们有助于节省资金并提供全天候支持，还可用于研究最常见的问题。

以下是工业4.0中机器学习应用的mermaid流程图：

graph LR
    A[工业4.0] --> B[智能制造]
    A --> C[自动驾驶车辆和机器]
    A --> D[质量控制]
    A --> E[预测性维护]
    A --> F[需求预测]
    A --> G[聊天机器人]

4. 推动工业4.0的顶级机器学习初创公司

有一些初创公司在工业4.0领域利用机器学习发挥着重要作用：
- Rejig Digital ：印度公司，成立于2020年，总部位于艾哈迈达巴德。该公司创建定制的工业ML解决方案，以推动第四次工业革命。其数据分析解决方案采用大数据和ML算法，能够评估企业资源规划（ERP）软件、工业传感器和连接设备产生的大量数据。实时预测分析是该解决方案的众多好处之一，它可以解决预算超支、设备损坏和生产方法低效等问题。电子制造商、电力公司、公用事业提供商和银行都可以通过该初创公司的解决方案节省资金。
- Siali Tech ：总部位于西班牙，成立于2018年。该公司采用计算机视觉和深度学习来优化任何地方的运营。其深度学习平台Inspector可以适应任何商业环境，并通过学习视觉任务提供提高效率的解决方案。它可以改善包装和运输流程，通过查找不规则物品协助库存管理，监控设备和员工，并发现其他改进机会。该初创公司的平台可定制，适用于食品和饮料、汽车、建筑、消费电子和物流等多个行业。
- Nexocraft ：德国公司，自2016年开始运营，位于波恩。该公司开发了一个名为Graphicx.io的在线平台，使用ML评估工业机器的状况并制定维护计划。Graphicx.io的可视化和评估工具可以监控工业设备，并通过学习所有系统的最佳运行条件提供工业健康评分。它会收集所有连接传感器的信息，并使用自动数据分析来确定性能是否有显著变化。Nexocraft的解决方案使企业能够选择适合其独特工业流程关键绩效指标的ML模型，同时最大限度地减少设备停机时间。
- mSense ：美国公司，2018年在米尔皮塔斯成立。该公司致力于制造过程中的实时验证平台，以提供一致的质量控制和创新。其ASDL平台使用声学、振动和视觉的ML算法以及连接到工业物联网（IIoT）的传感器，来诊断和修复机械故障。该技术允许在本地快速诊断问题，减轻云存储压力，并且几乎无需额外的开发时间即可实施。ASDL平台通过提供特定行业的声学深度学习（AcousticDL）、触觉深度学习（TactileDL）和视觉深度学习（VisionDL）模块，增强了医疗保健、汽车、公用事业和保险等行业的能力。
- Tignis ：美国初创公司，总部位于西雅图，于2017年开业。其开发的PAICe Maker是一款强大的AI和ML软件解决方案。通过操纵广泛的控制参数，它可以模拟各种生产情况，从而实现工业组件和流程的设计和优化。平台边缘节点上运行的AI算法可以调节制造过程并缩短反馈循环。PAICe Maker有助于制造商和工艺工程师随着时间的推移改进其物理资产和流程，还可以加速模拟过程，并使用实际数据提高工厂的质量和产量。

以下是这些初创公司的表格总结：
| 公司名称 | 总部位置 | 成立时间 | 核心业务 | 优势 |
| — | — | — | — | — |
| Rejig Digital | 印度艾哈迈达巴德 | 2020年 | 定制工业ML解决方案 | 实时预测分析，解决预算、设备和生产问题 |
| Siali Tech | 西班牙 | 2018年 | 计算机视觉和深度学习优化运营 | 适应多种环境，改善多流程 |
| Nexocraft | 德国波恩 | 2016年 | 在线平台评估机器状况并制定维护计划 | 提供工业健康评分，减少设备停机时间 |
| mSense | 美国米尔皮塔斯 | 2018年 | 制造过程实时验证平台 | 本地快速诊断，减轻云存储压力 |
| Tignis | 美国西雅图 | 2017年 | AI和ML软件解决方案 | 模拟生产情况，加速模拟过程 |

机器学习在工业4.0应用中的角色

5. 工业4.0的影响

新冠疫情在全球的蔓延对经济的各个领域都产生了影响，制造业也不例外。不过，工业中的数字化转型和机器学习的应用有助于减轻一些负面影响。

工业4.0解决方案中的企业监控系统，能让一个中央团队实现对多个工厂的免接触式监控。相关信息会存储在云端，并可通过仪表盘进行访问和分析。这样做的好处显而易见，在专家建议保持社交距离的情况下，无需人员密集地在工厂车间，就能对工厂健康状况进行适当监控，既保障了工人的安全，也为企业提供了便利。

然而，一些传统行业和企业由于对新技术存在不信任，在采用工业4.0方面进展缓慢。2020年的特殊挑战让许多企业面临压力，但工业4.0在全球分布式劳动力环境中的优势正变得越来越明显。当大多数企业试图削减成本时，那些原本抗拒新技术的领域中的企业，可能会通过采用机器学习和其他工业4.0技术（如远程监控系统）而蓬勃发展。

机器学习在工业环境中的未来重要性不容小觑，特别是考虑到工业4.0的巨大增长潜力以及智能工厂已经在市场上取得的众多成功案例。采用工业4.0的方法和工具，能立即实现数亿美元的成本节约和效率提升。随着工业4.0的不断发展和被接受，制造业将是一个值得关注的快速增长领域。

6. 与以往预测方法相比，机器学习对工业4.0的影响

尽管机器学习算法已经存在了一段时间，但由于人工智能的兴起，最近它们受到了更多关注。特别是现代深度学习模型，推动了最前沿的人工智能程序的发展。机器学习平台是企业技术中竞争激烈的领域，包括亚马逊、谷歌、微软、IBM等在内的许多公司，都采用提供涵盖机器学习生命周期所有阶段（包括数据收集、数据准备、数据分类、模型构建、训练和应用部署）的全面平台服务的策略，来吸引客户并争夺市场份额。

工业4.0是制造业数字化转型的下一步，因其被视为第四次工业革命，所以有了“4.0”这个数字。其核心概念是在工业生产中使用先进的信息和通信技术。当对产品、流程和人员应用工业4.0运动中的互联技术时，能够满足连接性和实时信息的需求。与20世纪初使用的集中控制系统不同，工业4.0的工厂使用分散的创新技术自行做出决策。

在工业4.0之前，工业领域经历了三次重大变革：
- 第一次工业革命 ：重点从人力劳动转向工具和蒸汽机，现代工业由此诞生。在18世纪，全球经济开始认识到技术在生产中的重要性。
- 第二次工业革命 ：新技术的广泛采用以及生产中钢铁和能源等以前难以获取的材料的广泛使用，使工业2.0的生产力和产出大幅提高。
- 第三次工业革命 ：发生在20世纪50年代，通常被认为是自动化的开端，为后来供应链、装配线和生产流程计算机化的创建提供了范例。

而工业4.0的现代影响超越了其前身。在物联网、实时数据访问、智能计算和网络物理系统的支持下，它将前几十年对数字技术的关注提升到了一个新的水平。

以下是工业革命各阶段的对比表格：
| 工业革命阶段 | 时间 | 主要特点 | 技术应用 |
| — | — | — | — |
| 第一次工业革命 | 18世纪 | 从人力劳动转向工具和蒸汽机 | 工具、蒸汽机 |
| 第二次工业革命 | - | 新技术和新材料广泛应用，生产力大幅提高 | 新技术、钢铁、能源 |
| 第三次工业革命 | 20世纪50年代 | 自动化开端，供应链、装配线和生产流程计算机化 | 自动化技术、计算机 |
| 第四次工业革命（工业4.0） | - | 强调数字技术，使用分散创新技术决策 | 物联网、智能计算、网络物理系统 |

以下是工业革命发展历程的mermaid流程图：

graph LR
    A[第一次工业革命] --> B[第二次工业革命]
    B --> C[第三次工业革命]
    C --> D[第四次工业革命（工业4.0）]

综上所述，机器学习在工业4.0中扮演着至关重要的角色，从算法类型到实际应用，再到对工业发展阶段的影响，都展现出其巨大的潜力和价值。随着技术的不断进步，机器学习将继续推动工业4.0向更高水平发展，为制造业带来更多的创新和变革。