本文叙述机器学习技术如何在工业生产流程上发挥影响力产生变革，采用对设备的预测性维护、基于电脑视觉的异常检测、提升营运效率及供应链优化预测等四种方式来优化多种工作负载。

每天，企业都会在地端产生大量资料，并将其储存在云端，同时思考如何变革所有的流程。为了更好地挖掘资料潜力，推动更快、更明智的决策，制造业、能源、采矿业、运输业和农业领域的企业正利用新型机器技术优化多种工作负载，包括工程和设计、生产和资产优化、供应链管理、预测、品质控管、智慧产品和机器等。

企业采用机器学习技术正在透过四种方式变革工业生产流程：

方式1：对设备的预测性维护

图1 : 大多数设备维护分为被动型或预防型，其实最佳解决方案是预测型维护。

（来源：德意志电信）

持续性维护设备，是很多工业和制造企业面临的一大挑战。从以往经验来看，大多数设备维护分为被动型（在机器发生故障后进行维修）或预防型（透过定期检测以避免故障），两者皆成本高昂，效率低下。其实最佳解决方案是预测型维护，企业可以提前预测设备需要维护的时间，但大部分企业缺乏相关人员和专业知识来开发解决方案。

像奇异（GE）这样在发电设备、解决方案与服务领域的先进供应商，已经可以实现对设备的预测型维护。企业本身无需具备机器学习或云端相关的技术，只需借助使用感测器和机器学习技术的端到端系统，检测到机器振动或温度的异常波动，从而收到警报。

这类技术支援奇异利用感测器实现资讯的快速更新，透过采用云端即时分析，将基于时间的维护操作转变为预测性和规范性维护。随着系统规模的不断扩大，奇异可以透过上述系统对感测器组进行远端更新和维护，而无需实际接触。

方式2：基于电脑视觉的异常检测

图2 : 企业在建构、部署和管理使用机器学习技术的视觉异常系统时，会面临很多复杂挑战。(source：Weareworldquant.com)

保证产品品质与确保设备正常运转同等重要。生产制程的目视检查通常需要人力，这不仅乏味，且不能保证一致性。为了提升品质控管，工业企业希望采用电脑视觉技术，提高瑕疵侦测的速度和准确性。但企业在建构、部署和管理使用机器学习技术的视觉异常系统时，仍会面临很多复杂挑战。现在，企业可以使用高准确度、低成本的异常检测解决方案，每小时处理数千张图像，从而发现瑕疵和异常，辨识出与基线不符的图像，以便企业采取下一步行动。

瑞典家庭食品制造商 Dafgards 公司在其下属品牌 Billy's Pan Pizza 的生产过程中应用了电脑视觉技术。 Billy’s Pan Pizza 是一种微波披萨，生产线每秒能完成2块披萨的烘烤和包装。 Dafgards 公司曾安装过机器视觉系统，成功用于检测披萨上的乳酪比例。但问题在于一旦披萨上馅料种类过多，该功能就会失效。

透过采用使用电脑视觉的新型机器学习技术，Dafgards公司轻松获得了高经济效益的检测能力。在成功应用后，Dafgards 公司计画将电脑视觉应用扩展至更多种类披萨以及汉堡、法式咸派等其他产品线。

方式3：提升营运效率

图3 : 许多工业和制造企业都希??借助电脑视觉技术来提升营运效率。(source：Medium)

许多工业和制造企业都希望借助电脑视觉技术来提升营运效率。一般情况下，企业会透过视讯对工厂现场进行人工监测和审核，以验证设施进出权限、检查出货、检测泄漏或其他危险情况。但在实际情况中，这项工作不仅困难，还极容易出错、成本高昂。

当然，企业可以将现有的IP摄影机升级为智慧摄影机，以便拥有更好的处理能力执行电脑视觉模型。但这依然不仅价格高昂，也会存在问题，即使采用智慧摄影机，也未必可以达到高准确度和低延迟要求。

事实上，企业可以透过使用硬体设备将电脑视觉技术应用到现有的本地摄影机中，甚至可以使用软体开发套件（SDK）来建置新的摄影机，从而在边缘端就能执行电脑视觉模型，取得更高的效率。

全球能源公司英国石油公司（BP）正计画在全球18,000个服务站部署电脑视觉系统，他们计画利用电脑视觉技术自动控制燃料车进出设施，并确认有效订单的完成情况。如果有碰撞危险，电脑视觉技术可以提醒工人，还可以识别动态隔离区内的异物，并检测漏油情况。

方式4：供应链优化预测

图4 : 越来越多的企业希望采用机器学习技术，使生产流程变得更简单、快速、准确。 (source：www.applyscience.it)

现代供应链是由制造商、供应商、物流和零售商共同组成的庞大网路，需要复杂的方法了解和满足客户需求，同时根据原材料供应波动以及节假日、活动、天气等外部因素进行相应调整。如果无法正确预测上述变数，会造成成本的大幅增加，从而导致资源配置过度或不足，进而浪费投资或带来不良的客户体验。

为了预见未来可能发生的情况，企业正利用机器学习技术分析时间序列资料，提供准确预测，从而减少营运支出，提高效率，确保更高的资源和产品可用性，更快地交付产品，并降低成本。

总部在台北的富士康是全球最大的电子产品制造商和技术解决方案提供商。在COVID-19疫情期间，富士康采用了机器学习技术应对前所未有的客户需求、供应和产能波动挑战。富士康为其在墨西哥的工厂开发了一个需求预测模型，以生成准确的净订单预测。借助机器学习模型，他们将预测准确度提高8%，预计每家工厂每年可节省55.3万美元，同时，最大限度减少劳动力浪费，并大幅提升客户满意度。

为了充分发掘机器学习在工业环境、工业产品、物流和供应链营运领域的应用潜力，越来越多的企业希望采用机器学习技术，使生产流程变得更简单、快速、准确。透过将云端中即时资料分析和边缘机器学习相结合，工业企业正稳步将愿望转变成现实，同时推动新一代工业革命的到来。

（本文作者Swami Sivasubramanian为AWS 亚马逊机器学习副总裁）

**刊头图(source：Virtual.Commissioning)