探索人工智能和机器学习的好处

就在不久之前，机器学习(ML)和人工智能(AI)对制造业的许多人来说还是一个相当新的概念。许多公司正在加快步伐，缓慢而有条不紊地采用这些技术。 幸运的是，近年来这个领域的产品有了很大的改善。然而，基本概念是一样的。

人工智能(AI)是一个包罗万象的术语，它涵盖了任何计算机或系统看起来智能的技术。 这可以是任何东西，从图像识别到飞机自动驾驶系统，这开始出现在1914年。机器学习(ML)是人工智能的一个子集，专注于机器提取数据洞察力的能力。 机器学习的研究通常是关于常见的ML算法，这些算法用于围绕数据开发见解。

机器学习的四个成果，对制造商有好处

近年来，人们的关注点从ML算法本身转向了ML结果类别。 以下是今天许多人正在寻求的四种主要类型的ML结果:

1.预测失败警报可以成为公司节省成本的最重要领域之一。 如果一条生产线即将停产，提前停产并进行维护比中途停产要划算得多。 基于算法预测故障并产生警报可以节省大量资金。

2.流程优化是另一个受欢迎的领域。 这通常采取让系统为系统的调优设定值和变量提供建议的形式。 有两种主要类型的流程优化:开环和闭环。 开环优化涉及用户交互，系统可能会建议更改以优化流程，工程师或其他专家会审查建议并选择是否应用它们。 闭环优化将任何人为干预完全排除在流程之外，并自动应用调优建议。

通常，一个公司会以开环的方式运行优化算法，在对结果感到满意后，就会切换到闭环。 虽然闭环优化通常每隔几分钟、几小时或几天才执行一次，但在少数情况下，运行得更快可能是有用的。 这将为一个过程提供恒定的调整，而使用传统方法(如比例-积分-导数(PID)循环)进行调整可能非常困难或不可能。 大多数进行高速ML过程调优的人最终在嵌入式PC或类似硬件上运行ML算法进行调优，就在PLC旁边。

3.异常检测发现正常操作条件的偏差。这可以深入了解流程何时运行不佳，或者有时可以预测糟糕的生产运行或设备错误。 这些系统通常提供一个数字，表明一个过程有多接近正常的操作条件。 结果可以被认为是一个额外的“传感器”，异常检测算法的结果可以用于任何事情，从对异常条件发出警报到关闭进程。 虽然类似于预测故障和警报，但异常检测提供的信息是关于进程当前如何工作，而不是预测它将来可能如何工作。

4.缺陷分析通常是通过图像识别算法完成的，对于分类部件和检测异常非常有用。

每个机器学习项目都有四个初始步骤

虽然这一切听起来都很棒，但一个人该如何开始呢?以下是一些适用于每个ML项目的初始步骤:

1. 确定一个可以从上面提到的结果中受益的系统。
2. 定义你想用这个系统分析什么，以及你想要得到什么结果。
3. 验证您已经为该系统收集了大量的历史数据。 大多数ML算法需要大量的数据才能有效(从中“学习”)。 如果系统上没有可用的日志记录，请添加历史日志记录，并在几周或几个月后重新访问。

做一个机器学习模型需要三个步骤

下一步是生成机器学习模型。模型是为获得所需结果而执行的程序。 生成一个模型:

1. 准备数据 所有ML模型都需要生成数据。 从历史记录或数据库导出的大多数数据并不完美，需要清理。 这通常意味着丢弃坏行，识别来自坏传感器的数据并排除它，并确保数据看起来合理。 熟悉系统的流程工程师可以查看数据并帮助确定它是否是一个干净的数据集。
2. 模型需要训练。 这是通过向它输入清理过的数据并选择一些训练选项来完成的。
3. 然后对模型进行评分，看看它的工作效果如何。如果你经过训练，总是会生成一个模型，但这个模型在预测事情方面可能非常糟糕。 看分数，看看一个模型做得有多好，并确保模型得分不错。

三种AI/ML软件

虽然用户可能知道如何准备数据，但他们可能不知道如何训练模型或为模型评分。 如果是这样的话，是时候选择AI/ML软件了。有很多选择。

1.人工智能软件供应商

这里出现了许多公司，其中许多公司将构建模型，或为某些类型的设备提供预先构建的模型。

2.低代码或无代码ML平台

越来越多的平台帮助人们开始创建自己的模型。 谷歌Cloud AutoML、AWS ML、Microsoft Azure Machine Learning Studio为例。 通常建议了解机器学习算法的基本知识，但入门并不太棘手。 一些关于聚类、回归和分类算法的阅读对于初学者来说是一个很好的起点。

3.编写ML平台

这些是最常见的。 如果你有一个数据科学家或信息技术(IT)部门已经在做ML，你可能只需要依靠他们为你指出正确的方向。 谷歌，AWS和Azure都有产品。 此外，许多免费选项，如TensorFlow和Scikit-learn，可以在本地运行。

从一个低代码的ML平台开始，然后再转向一个完整的编码平台，这并没有什么错。编码平台使用起来更复杂，通常由数据科学家使用，但增加的灵活性通常会导致更高的评分模型。 模型越好，结果越好，就越有可能实现既定的目标。

在初步探索之后，许多公司聘请数据科学家来帮助进行机器学习工作，但这并不是必需的。 这些技术对于任何想要尝试这项新技术并追求它带来的希望的人来说都是可用的。

毫无疑问，AI和ML将继续成为未来控制和自动化领域的重要组成部分。寻求运营成本或效率优势的公司可能会发现一些研究，看看可能的选择是非常值得他们花时间的。

凯文·奥特销售工程联合主管在归纳自动化．由副主编克里斯·瓦夫拉编辑，控制工程， CFE媒体与技术，cvavra@cfemedia.com．

更多的答案

关键词:人工智能，机器学习

人工智能(AI)和机器学习(ML)越来越多地被制造商使用，因为他们意识到它们的好处。

AI/ML软件可以帮助发现低效率并改善制造操作。

AI/ML软件有很多种类型，并不是所有的软件都需要数据科学家，尽管使用它的人需要对数据有很强的理解。

在线

了解更多关于人工智能和机器学习的信息www.globalelove.com．

考虑一下这个

你们工厂的哪些应用程序将受益于AI/ML软件?

您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献，并获得你和你的公司应得的认可。点击在这里开始这个过程。