如果要讓人工智能對制造業(yè)有價值，那它必須是整個制造過程的一部分。

　　制造商可以在多種方面受益于人工智能，如提高生產、質量控制和效率。盡管人工智能為制造商提供了幾種新的應用，但為了獲得最大的價值，企業(yè)必須在整個制造過程中使用它。

　　這意味著制造工程師需要專注于人工智能數(shù)據(jù)準備、建模、仿真和測試以及部署的四個關鍵方面，以成功地在不間斷的制造過程中使用人工智能。

　　不需要成為人工智能專家

　　工程師們可能認為開發(fā)人工智能模型需要相當長的時間，但事實往往并非如此。建模是工作流過程中的一個重要步驟，但不是最終目標。要成功使用人工智能，關鍵是在流程一開始就確定任何問題。這讓工程師知道工作流的哪些方面需要投入時間和資源以獲得最佳結果。

　　在討論工作流時，有兩點需要考慮：

　　制造系統(tǒng)龐大而復雜，人工智能只是其中的一部分。因此，AI需要在所有場景下與生產線上的所有其他工作部件一起工作。其中一部分是使用工業(yè)通信協(xié)議，如OPCUA，以及其他機器軟件，如控制、監(jiān)控邏輯和人機界面，從設備上的傳感器收集數(shù)據(jù)。

　　在這種情況下，工程師在融入AI時就已經為成功做好了準備，因為他們已經了解設備，且不管他們是否擁有豐富的AI經驗。換句話說，如果他們不是人工智能專家，仍然可以利用其的專業(yè)知識成功地將AI添加到工作流程中。

　　人工智能驅動的工作流程

　　構建人工智能驅動的工作流程需要4個步驟：

　　? 數(shù)據(jù)準備

　　當沒有良好的數(shù)據(jù)來訓練AI模型時，項目更有可能失敗。因此，數(shù)據(jù)準備至關重要。錯誤的數(shù)據(jù)可能會讓工程師浪費時間去弄清楚為什么這個模型行不通。

　　訓練模型通常是最耗時的步驟，但也是重要的步驟。工程師們應該從盡可能干凈、有標簽的數(shù)據(jù)開始，專注于輸入模型的數(shù)據(jù)，而不是專注于改進模型。

　　例如，工程師應該專注于預處理和確保輸入模型的數(shù)據(jù)被正確標記，而不是調整參數(shù)和微調模型。這可以確保模型理解和處理數(shù)據(jù)。

　　另一個挑戰(zhàn)是機器操作員和機器制造商之間的差異。前者通常可以訪問設備的操作，而后者需要這些數(shù)據(jù)來訓練AI模型。為了確保機器制造商與機器操作員(即他們的客戶)共享數(shù)據(jù)，雙方應該制定協(xié)議和商業(yè)模式來管理這種共享。

　　建筑設備制造商Caterpillar提供了一個很好的例子來說明數(shù)據(jù)準備的重要性。其收集了大量的現(xiàn)場數(shù)據(jù)，雖然這對精確的AI建模是必要的，但這意味著需要大量的時間來進行數(shù)據(jù)清洗和標記。該公司成功地利用MATLAB簡化了這一過程。它可以幫助該公司開發(fā)干凈、有標簽的數(shù)據(jù)，然后將這些數(shù)據(jù)輸入機器學習模型，利用現(xiàn)場機械的強大洞察力。此外，對于擁有領域專業(yè)知識但不是人工智能專家的用戶，該過程是可伸縮的和靈活的。

　　? 人工智能建模

　　這個階段在數(shù)據(jù)清理并正確標記后開始。實際上，就是模型從數(shù)據(jù)中學習的時候。當工程師們有了一個準確而可靠的模型，可以根據(jù)輸入做出智能決策時，就知道他們已經進入了一個成功的建模階段。這個階段還需要工程師使用機器學習、深度學習或兩者結合來決定哪個結果最準確。

　　在建模階段，無論使用深度學習還是機器學習模型，重要的是能夠訪問人工智能工作流的幾種算法，如分類、預測和回歸。作為一個起點，由更廣泛的社區(qū)創(chuàng)建的各種預構建模型可能是有幫助的。工程師也可以使用靈活的工具，如MATLAB和Simulink。

　　值得注意的是，盡管算法和預先構建的模型是一個很好的開始，但工程師應該通過使用其領域內其他人的算法和示例，找到最有效的路徑來實現(xiàn)他們的特定目標。這就是為什么MATLAB提供了數(shù)百個不同的例子來構建跨越多個領域的AI模型。

　　此外，還需考慮的另一個方面是，跟蹤更改和記錄訓練迭代是至關重要的。像實驗管理器此類工具可以通過解釋導致最準確的模型和可重復的結果的參數(shù)來幫助實現(xiàn)這一點。

　　? 模擬和測試

　　這一步確保AI模型正確工作。人工智能模型作為一個更大系統(tǒng)的一部分，需要與系統(tǒng)中的各個部分一起工作。例如，在制造業(yè)中，AI模型可能支持預測性維護、動態(tài)軌跡規(guī)劃或視覺質量檢查。

　　其余的機器軟件包括控制、監(jiān)控邏輯和其他組件。模擬和測試讓工程師知道，模型的一部分按照預期工作，包括自身工作和與其他系統(tǒng)一起工作。只有當能夠證明模型按預期工作，并且具有足夠的有效性來降低風險時，該模型才能在現(xiàn)實世界中使用。

　　無論在什么情況下，模型都必須以其應該的方式做出響應。在使用模型之前，工程師應該在這個階段了解幾個問題：

　　? 模型的準確度高嗎?

　　? 每個場景中，模型是否按照預期執(zhí)行?

　　? 所有邊緣情況都被覆蓋了嗎?

　　像Simulink這類的工具可以讓工程師在設備上使用之前，檢查模型是否按預期情況運行。這有助于避免在重新設計上花費時間和金錢。這些工具還通過成功地模擬和測試模型的預期案例，并確認滿足預期目標，從而幫助建立高度信任。

　　? 部署

　　一旦準備好部署，下一步就是用其將使用的語言準備好模型。為此，工程師通常需要共享一個現(xiàn)成的模型。這讓模型適合指定的控制硬件環(huán)境，如嵌入式控制器、PLC或邊緣設備。MATLAB等靈活的工具通?？梢栽谌魏晤愋偷膱鼍爸猩勺罱K代碼，為工程師提供了在不同硬件供應商的許多不同環(huán)境中部署模型的能力。他們可以做到這一點，而無需重新編寫原始代碼。

　　例如，當將模型直接部署到PLC時，自動代碼生成消除了手工編程過程中可能包含的編碼錯誤。這也提供了優(yōu)化的C/c++或IEC61131代碼，將有效地運行在主要供應商的PLC上。

　　一些控制制造商支持從 MATLAB 和 Simulink 自動生成 PLC 代碼(IEC 61131 或 C/C++)

　　成功部署人工智能，并不需要數(shù)據(jù)科學家或人工智能專家。然而，有一些關鍵的資源可以幫助工程師和其的AI模型為成功做好準備。這包括為科學家和工程師制作的特定工具，將人工智能添加到工作流程中的應用程序和功能，各種不間斷操作使用的部署選項，以及隨時準備回答AI相關問題的專家。給工程師提供正確的資源來幫助成功添加人工智能，將讓他們交付最好的結果。