제조업에 인공지능 적용

스마트제조 붐이 도래하면서 인공지능 응용이 디자인, 생산, 관리, 서비스 등 제조산업 전 분야에 침투했습니다.

인공지능의 개념은 60여년 전인 1950년대에 처음 제안되었습니다. 그러나 인공지능이 폭발적인 성장을 경험한 것은 최근 몇 년이 지나서다. 그 이유는 주로 사물인터넷, 빅데이터, 클라우드 컴퓨팅 및 기타 기술이 점점 더 성숙해졌기 때문이다.

사물인터넷은 대량의 데이터를 실시간으로 얻을 수 있게 해주고, 빅데이터는 딥러닝을 위한 데이터 자원과 알고리즘 지원을 제공하고, 클라우드 컴퓨팅은 인공지능을 위한 유연한 컴퓨팅 자원을 제공합니다. 이러한 기술들의 유기적인 결합은 인공지능 기술의 지속적인 발전을 견인하며 상당한 발전을 이루었습니다. 알파고와 이세돌의 인간-기계 대결은 인공지능을 전면에 내세우며 새로운 인공지능 열풍을 일으켰다.

최근 몇 년간 인공지능에 대한 연구와 응용이 곳곳에서 꽃피우기 시작했습니다. 스마트 제조 붐의 도래와 함께 인공지능 애플리케이션은 설계, 생산, 관리, 서비스 등 제조 산업의 모든 측면에 침투했습니다.

PART ONE

제품 결함 감지

딥러닝의 적용으로 인해 제조 생산 라인의 결함 감지 프로세스가 점점 지능화되고 있습니다. 심층 신경망 통합을 통해 컴퓨터 시스템은 긁힘, 균열, 누출 등과 같은 표면 결함을 식별할 수 있습니다.

이 프로세스는 이미지 분류, 객체 감지 및 인스턴스 분할 알고리즘을 적용하여 주어진 결함 감지 작업으로 시각적 검사 시스템을 교육하는 데이터 과학자에 의해 수행됩니다. 고해상도 카메라 및 GPU와 결합된 딥 러닝 기반 감지 시스템은 기존 머신 비전을 뛰어넘는 인식 기능을 형성합니다.

예를 들어, 코카콜라가 구축한 AI 기반 육안 검사 프로그램은 이미 시설 시스템을 진단하고 생산 라인 문제를 감지하고, 감지된 문제를 기술 전문가에게 즉시 피드백하여 해결을 요청할 수 있습니다. 이를 바탕으로 품질검사 인력을 앞으로 인공지능으로 대체될 직종으로 이개후 대표가 꼽았다.

새로운 감지 기술에는 합성 데이터, 전이 학습, 자기 지도 학습이 포함됩니다. 합성 데이터에서 GAN(Generative Adversarial Networks) 데이터 생성 도구는 품질 검사관이 "정상"으로 간주하는 이미지를 검사하고 결함이 있는 이미지를 합성하여 인공 지능 모델을 훈련시킵니다. 동시에 특정 문제를 해결하기 위해 전이 학습과 자기 지도 학습이 사용됩니다. 데이터가 축적됨에 따라 결함 감지 알고리즘은 더욱 정확해집니다.

PART TWO

지능형 정렬

제조업에서는 수동 작업을 사용하면 속도가 느리고 비용이 많이 듭니다. 높으며, 적절한 작업 온도 환경도 제공되어야 합니다. 지능형 분류에 산업용 로봇을 사용하면 비용을 크게 절감하고 속도를 높일 수 있습니다.

부품 정렬을 예로 들어보세요. 분류해야 할 부품이 깔끔하게 정리되어 있지 않은 경우가 많습니다. 로봇에 부품을 볼 수 있는 카메라가 있지만 부품을 성공적으로 픽업하는 방법을 알지 못하는 경우가 많습니다. 이 경우 기계 학습 기술을 사용하여 먼저 로봇이 무작위 정렬 작업을 수행한 다음 해당 작업이 부품을 성공적으로 집어냈는지 또는 빈 부품을 잡았는지 알려면 로봇은 부품을 정렬하는 방법을 알게 됩니다. 부품을 순서대로 정렬하면 성공률이 높아지고, 정렬할 때 어떤 위치를 선택하면 성공률이 높아집니다. 몇 시간 동안 학습한 후 로봇의 분류 성공률은 숙련된 작업자의 성공률과 동등한 90%에 도달할 수 있습니다.

PART THREE

창고 관리 및 물류

예를 들어 Jingdong Logistics의 창고에서는 완제품을 주문 및 배송 위치에 따라 분류하고, 빈 상자를 재활용하고, 일부 폐기물을 넣어야 합니다. 폐기물을 쓰레기 더미에 버리십시오. 이 작업은 교대조마다 2명의 작업자가 수행하고 있으며, 창고에는 먼지와 소음이 있으며, 분류 작업은 매일 2,000~3,000회씩 로봇이 처리하지만 여전히 강도가 높습니다. 열악한 환경, 기술적으로 까다로운 작업.

1일 3교대로 근무하는 워크스테이션 2대를 로봇으로 교체하는 로봇에 머신비전 시스템이 탑재돼 있어 RFID 코드를 스캔해 완제품, 빈 상자, 폐기물 등을 분류할 수 있다. 인식률을 높이기 위해 초기 인식률은 62% 정도에 불과했고, 교대 근무마다 데이터가 축적되면서 부족한 부분을 AI 인식이 채워나갔다. 모델이 지속적으로 개선되어 9개월 만에 종합 인식률이 96%로 향상되었으며, 완제품이 인식되었습니다. 배송 장소까지 완벽하게 정렬되어 빈자리를 채우기 위해 창고에 사람을 둘 필요가 없습니다. 폐기물 재활용 시 아주 적은 양의 빈 상자만 꺼낼 수 있습니다.

PART FOUR

Manufacturing

Ford는 한때 다음과 같이 자랑했습니다. 어떤 차를 원하든 검정색으로만 생산합니다. 이는 조립 라인 대량 생산의 전형적인 묘사이지만 Ford의 경우. 현 상황에서 이 아이디어가 계속된다면 포드는 죽을 것입니다. 현재 개인화가 점점 더 많아지고 있지만 개인화된 생산 비용이 매우 크기 때문에 유일한 방법은 개인 소비 데이터를 사용하여 종합적인 주문을 분석하고 형성한 다음 플랫폼에서 대량 생산을 위해 배포하여 비용을 절감하는 대량 맞춤화입니다. 완제품의 단가는 현재 라이노제조가 가고 있는 길입니다. 그러나 전자상거래는 소비자 행동 데이터가 많지만 실제 수요에 비해 데이터가 항상 뒤떨어진다. 이 응용 시나리오에서는 정확도를 높이기 위해 정확도를 극대화하는 분석 플랫폼이 필요하다.

PART FIVE

원격 운영 및 유지 관리 서비스

사물인터넷, 빅데이터, 인공지능 알고리즘 및 기타 기술을 통한 원격 운영 및 유지관리 플랫폼, 주요 매개변수의 실시간 모니터링 생산 공정 및 생산 장비의 결함에 대한 적시 경보. 산업 빅데이터 분석 및 인공 지능 알고리즘을 통해 지원되는 예측 유지 관리 및 보조 의사 결정과 같은 기능은 계획되지 않은 가동 중지 시간으로 인한 인력 이동 및 가동 중단 지연을 더욱 줄여 산업 기업의 운영 및 유지 관리를 덜 유인, 무인화하고 더 효율적으로 만들 수 있습니다. 원격 모델 변경.

전 세계적으로 산업용 인공지능 분야에 종사하는 기업들은 이미 이 기술의 독보적인 가치를 입증해 왔습니다. 인공 지능 기술은 기업의 생산성, 효율성, 품질 및 비용을 향상시키는 데 큰 잠재력을 갖고 있으며 의심할 여지 없이 미래 제조 산업을 강화하는 새로운 엔진이 될 것입니다. 그러나 기업의 AI 혁신 여정은 갈 길이 멀다. 가장 먼저 깨어나는 기업은 신념을 강화하고, 내부 기술을 부지런히 실천하며, 즉시 산업 인공 지능 분야에서 지평을 확장하기 시작하여 미래 지능형 제조의 빛을 비추는 등대가 되도록 노력해야 합니다.

위 내용은 제조업에 인공지능 적용의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!