Anwendung künstlicher Intelligenz in der Fertigung

Mit dem Aufkommen des Smart-Manufacturing-Booms sind Anwendungen künstlicher Intelligenz in alle Bereiche der Fertigungsindustrie wie Design, Produktion, Management und Dienstleistungen vorgedrungen.

Das Konzept der künstlichen Intelligenz wurde erstmals in den 1950er Jahren, also vor mehr als sechzig Jahren, vorgeschlagen. Allerdings erlebte die künstliche Intelligenz erst in den letzten Jahren ein explosionsartiges Wachstum. Der Grund liegt vor allem im immer ausgereifteren Internet der Dinge, Big Data, Cloud Computing und anderen Technologien.

Das Internet der Dinge ermöglicht die Erfassung großer Datenmengen in Echtzeit. Big Data bietet Datenressourcen und Algorithmenunterstützung für Deep Learning, und Cloud Computing bietet flexible Rechenressourcen für künstliche Intelligenz. Die organische Kombination dieser Technologien treibt die kontinuierliche Weiterentwicklung der Technologie der künstlichen Intelligenz voran und hat erhebliche Fortschritte gemacht. Der Mensch-Maschine-Kampf zwischen AlphaGo und Lee Sedol rückte die künstliche Intelligenz in den Vordergrund und löste eine neue Runde der Begeisterung für künstliche Intelligenz aus.

In den letzten Jahren hat die Forschung und Anwendung künstlicher Intelligenz überall begonnen, zu florieren. Mit dem Aufkommen des Smart-Manufacturing-Booms haben Anwendungen der künstlichen Intelligenz alle Aspekte der Fertigungsindustrie wie Design, Produktion, Management und Dienstleistungen durchdrungen.

TEIL EINS

Erkennung von Produktfehlern

Durch den Einsatz von Deep Learning wird der Fehlererkennungsprozess von Fertigungslinien immer intelligenter. Durch die tiefe Integration neuronaler Netzwerke können Computersysteme Oberflächenfehler wie Kratzer, Risse, Undichtigkeiten usw. erkennen.

Dieser Prozess wird von Datenwissenschaftlern durchgeführt, die das visuelle Inspektionssystem mit einer bestimmten Fehlererkennungsaufgabe trainieren, indem sie Bildklassifizierungs-, Objekterkennungs- und Instanzsegmentierungsalgorithmen anwenden. Auf Deep Learning basierende Erkennungssysteme schaffen in Kombination mit Kameras und GPUs mit hoher optischer Auflösung Wahrnehmungsfähigkeiten, die über die herkömmliche maschinelle Bildverarbeitung hinausgehen.

Zum Beispiel kann das von Coca-Cola entwickelte KI-basierte visuelle Inspektionsprogramm bereits Anlagensysteme diagnostizieren, Probleme in der Produktionslinie erkennen und erkannte Probleme umgehend an technische Experten zur Lösung zurückmelden. Auf dieser Grundlage wurde Qualitätsprüfpersonal von Kai-fu Lee als eine Berufsart aufgeführt, die in Zukunft durch künstliche Intelligenz ersetzt werden wird.

Zu den neuen Erkennungstechnologien gehören synthetische Daten, Transferlernen und selbstüberwachtes Lernen. In den synthetischen Daten untersuchen Generative Adversarial Networks (GAN)-Datengenerierungstools Bilder, die Qualitätsprüfer als „normal“ betrachten, und synthetisieren fehlerhafte Bilder für das Training von Modellen der künstlichen Intelligenz. Gleichzeitig werden Transferlernen und selbstüberwachtes Lernen zur Lösung spezifischer Probleme eingesetzt. Je mehr Daten sich ansammeln, desto präziser werden die Fehlererkennungsalgorithmen.

TEIL ZWEI

Intelligente Sortierung

In der Fertigungsindustrie gibt es viele Vorgänge, die eine Sortierung erfordern. Wenn manuelle Vorgänge verwendet werden, ist die Geschwindigkeit langsam und die Kosten hoch hoch und außerdem muss eine geeignete Arbeitstemperaturumgebung bereitgestellt werden. Werden Industrieroboter zur intelligenten Sortierung eingesetzt, lassen sich die Kosten deutlich senken und die Geschwindigkeit steigern.

Nehmen Sie als Beispiel das Sortieren von Teilen. Die zu sortierenden Teile sind oft nicht ordentlich angeordnet. Obwohl der Roboter über eine Kamera verfügt, um die Teile zu sehen, weiß er nicht, wie er sie erfolgreich aufnehmen kann. Lassen Sie in diesem Fall den Roboter mithilfe der Technologie des maschinellen Lernens zunächst eine zufällige Sortieraktion durchführen und teilen Sie ihm dann mit, ob die Aktion die Teile erfolgreich aufgenommen oder leer aufgefangen hat. Nach mehrmaligem Training weiß der Roboter, wie er die Teile sortiert Das Sortieren der Teile in der Reihenfolge hat eine höhere Erfolgsquote. Welche Position beim Sortieren eingenommen werden soll, hat eine höhere Erfolgsquote. Nach mehreren Lernstunden kann die Sortiererfolgsquote des Roboters 90 % erreichen, was der von Facharbeitern entspricht.

TEIL DREI

Lagerverwaltung und Logistik

Ein Lager von JD Logistics muss beispielsweise fertige Produkte nach Bestellungen und Versandorten sortieren, leere Kartons recyceln und einige Abfallmaterialien entsorgen Abfallprodukte Werfen Sie es auf den Schrottplatz. Diese Arbeit wird von zwei Arbeitern pro Schicht erledigt. Im Lager herrscht Staub und Lärm, und die Sortiervorgänge werden täglich 2.000 bis 3.000 Mal wiederholt. Obwohl die schweren Gegenstände von Robotern transportiert werden, handelt es sich immer noch um eine hohe Intensität. schlechte Umgebung und technische, sich wiederholende Arbeit mit geringem Inhalt.

Das Unternehmen ersetzt zwei Arbeitsplätze, die drei Schichten pro Tag arbeiten. Der Roboter ist mit einem Bildverarbeitungssystem ausgestattet. Der RFID-Code kann für die Sortierung fertiger Produkte und der Lieferorte gescannt werden Der Lernalgorithmus verbesserte die Erkennungsrate schrittweise. Die anfängliche Erkennungsrate betrug nur etwa 62 %. Mit zunehmender Datenhäufigkeit verbesserte sich das KI-Erkennungsmodell Nach 9 Monaten ist die Gesamterkennungsrate auf 96 % gestiegen, die Identifizierung der fertigen Produkte und die Sortierung der Lieferorte sind völlig korrekt und es besteht keine Notwendigkeit, die offenen Stellen im Lager zu besetzen Anzahl der leeren Kartons kann bei der Abfallverwertung herausgesucht werden.

TEIL VIER

Produktion#🎜 🎜 #

Ford prahlte einmal: Egal welches Auto Sie wollen, ich werde es nur in Schwarz produzieren. Das ist eine typische Darstellung der Fließband-Massenproduktion, aber wenn Ford in der aktuellen Situation noch so denkt , Ford-Autos werden nur eine Sackgasse haben. Da es mittlerweile immer mehr Personalisierung gibt, die Kosten für die personalisierte Produktion jedoch sehr hoch sind, ist die einzige Möglichkeit die Massenanpassung, bei der persönliche Verbrauchsdaten zur Analyse und Bildung umfassender Bestellungen verwendet werden und diese dann über die Plattform zur Reduzierung in die Massenproduktion verteilt werden Der Stückpreis der fertigen Produkte ist der Weg, den Rhino Manufacturing derzeit einschlägt. Obwohl E-Commerce über eine große Menge an Verbraucherverhaltensdaten verfügt, bleiben die Daten immer hinter der tatsächlichen Nachfrage zurück. Dieses Anwendungsszenario erfordert, dass die Analyseplattform die Genauigkeit maximiert, um die Genauigkeit zu erhöhen.

TEIL FÜNF

Fernbedienung und -wartung Service

Die Fernbetriebs- und Wartungsplattform nutzt Technologien wie das Internet der Dinge, Big Data und Algorithmen der künstlichen Intelligenz, um wichtige Parameter des Produktionsprozesses und der Produktionsausrüstung in Echtzeit zu überwachen. und rechtzeitige Alarme bei Störungen bereitstellen. Funktionen wie vorausschauende Wartung und unterstützende Entscheidungsfindung, unterstützt durch industrielle Big-Data-Analyse und Algorithmen der künstlichen Intelligenz, können Personalreisen und durch ungeplante Ausfallzeiten verursachte Stillstandsverzögerungen weiter reduzieren, wodurch der Betrieb und die Wartung von Industrieunternehmen weniger bemannt, unbemannt und effizienter werden. Fernmodellwechsel.

Weltweit haben Unternehmen im Bereich der industriellen künstlichen Intelligenz bereits den einzigartigen Wert dieser Technologie bewiesen. Die Technologie der künstlichen Intelligenz hat ein großes Potenzial zur Verbesserung der Produktivität, Effizienz, Qualität und Kosten von Unternehmen und wird zweifellos zu einem neuen Motor für die zukünftige Fertigungsindustrie werden. Die Reise der Unternehmen zur KI-Transformation hat jedoch noch einen langen Weg vor sich. Unternehmen, die als erste aufwachen, müssen ihre Überzeugungen stärken, ihre internen Fähigkeiten fleißig üben und sich sofort daran machen, ihren Horizont im Bereich der industriellen künstlichen Intelligenz zu erweitern, um sich zu einem Leuchtturm zu entwickeln, der das Licht der zukünftigen intelligenten Fertigung erhellt.

Das obige ist der detaillierte Inhalt vonAnwendung künstlicher Intelligenz in der Fertigung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!