隨著計算機處理速度大幅提升、存儲成本下降、以及雲計算、物聯網等技術的發展，讓人工智能的應用成本大幅降低。消費者對個性化和產品品質升級的需求也不斷發展，大大增加了製造業的複雜性，包括生產的組織形式、質量檢測環節、倉儲物流等環節。係統越來越複雜，人的學習曲線就會越緩慢，人應對複雜係統的能力就會成為製約技術進步和應用的瓶頸。
        如何利用人工智能技術代替人腦，甚至使其超越人腦來實現製造業效率的提升？
        在傳統工業界大都以人的決策和反饋為核心，這就會導致係統中有很大一部分的價值並沒有被釋放出來。而人工智能為製造業帶來的變革，就是擺脫人類認知和知識邊界的限製，為決策支持和協同優化提供可量化依據。
        本文主要介紹人工智能在生產不同環節，包括產線設備、質量檢測、倉儲物流、整體運維四個方麵的應用。
        人工智能在工廠運維的應用：
        比如一條生產線突然發出故障報警，機器能夠自己進行診斷，找到哪裏產生了問題，原因是什麽。並且，還能根據曆史維護的記錄或者維護標準，告訴我們如何解決故障，甚至讓機器自己解決問題、自我恢複。
        人工智能在預測性維護的應用：
        如果工業生產線或設備如果突然出現問題，那造成的損失是非常巨大的。利用大數據建模和神經網絡等算法，可以讓機器在出現問題之前就感知到或者分析出可能出現的問題。比如，工廠中的數控機床在運行一段時間後刀具就需要更換，通過分析曆史的運營數據，機器可以提前知道刀具會損壞的時間，從而提前準備好更換的配件，並安排在最近的一次維護時更換刀具。
        產線設備參數優化
        生產產線工位少則幾十個，多則數百個，涉及的產線設備、生產物料、工人都非常多。通過基於生產線的大量數據，基於大數據分析和智能算法可以優化生產工藝、提升產品品質。現在有很多工廠傳統上都是用人工在做質量檢測的工作，在生產流水線上的質檢員，他們需要每天花10個小時以上的時間去判斷質量。很多工廠這個工作崗位兩三個月就要輪一次崗，因為肉眼確實受不了。
        為什麽之前沒用技術的手段幫助解決質檢的問題呢？主要原因是傳統視覺設備誤判率比較高。大概是有百分之二十，甚至三十的誤判率。人工智能最重要的一個能力，它具備學習能力。比如說，同樣一個劃痕，它會和傳統係統一樣，第一次都犯錯誤。但是人工智能第二次、第三次，它不會犯一樣的錯誤，它具備一個學習能力。通過利用深度學習，神經網絡，就可以讓電腦快速學習做自動檢測的工作。
        倉儲物流的包括環節很多，從入庫分揀、庫位管理、上下架、出庫分揀到物料運輸，中間涉及分揀機器人、上下料機器人、立庫、AGV小車、叉車等。
        通過計算機視覺用於分揀機器人的感知和地圖定位，利用機器學習和深度學習，實現分檢機器人的路徑規劃和避障。通過數學規劃等運籌優化算法和遺傳算法，實現倉庫上下架策略管理。
        通過多智能體算法 蟻群算法用於多個分揀機器人的協調行動。基於人工智能技術實現貨架、商品、機器人的整體協調，能夠更快速的實現產品出入庫和高效的倉庫貨架規劃。

返回列表