工業4.0場景下的AI即服務(AIaaS)
發布時間：2022-07-20 www.xstr.xyz
關于采用工業4.0技術實現制造業數字化轉型的緊迫性已不言而喻。可以肯定的是，這些技術中的許多解決方案為無數的先進生產場景提供了獨立的可行性。
然而，工廠實施的任何新技術，只有在其對工廠生產線上的物料流動產生相對積極的影響時，才是有效的。它應該帶來可衡量的改進，如質量、產能、整體設備效率（OEE）或所有這些傳統指標。這種實實在在的改進是通往下一代生產的成功之旅的開始。
隨著企業信息技術（IT）和運營技術（OT）系統的融合，制造商正在轉向實現更多連接和具有高級分析功能的解決方案，以更好地實現這些關鍵績效指標（KPI），行業領導者也在嘗試人工智能。這有一個很好的理由：數據。
通過數字化成熟度適應不斷變化的目標
對于"最后一英里"的優化，工業企業感到壓力，需要理解工業流程產生的TB級數據，而僅靠人類專家的能力是不夠的。半導體晶圓廠是這種技術挑戰的極端例子，但任何高級生產環境也是如此，從生產邊緣利用數據至關重要。
工廠建立足夠的數據過濾、預處理、可視化和可追溯性來完成這項工作。只有這樣，它才能在數字之旅上邁出下一步。第二步決定了上述對生產過程的改進有一個關鍵維度：適應性。為什么適應性對于制造技術來說是不可或缺的？
首先，隨著工業產品（以及制造它們的機器）的材料和功能的進步，限制生產的參數也在變化。其次，由于創新、科學發現、文化轉變和全球環境力量，舊產品不斷迭代，新產品也不斷被發明。衡量任何工業4.0技術集成價值的關鍵指標是其對不斷發展的新生產或現有生產流程的整體貢獻。然而，盡管工業轉型的持續適應性至關重要，但僅僅完成制造業的更大使命是不夠的。
數據驅動的大規模創新
以數字為主導的擴展是更廣泛的業務轉變的一部分。從本質上講，它以數據智能改變游戲規則的可能性為指導--已經在健康和金融等行業建立起來。例如，Gartner 的副總裁分析師Mike Rollings認為所有當代組織都必須進行運營轉型，并堅稱他們只能在數據運行顯示的范圍內實現它：
"首席數據官（CDO）需要與業務主管合作，以確定數據源、數據質量問題、分析類型和新的工作實踐。很多時候，這導致人們意識到數據驅動的機會跨越了組織邊界，需要改變運營模式才能實現預期的結果。"
在沒有CDO的情況下，Rollings 仍然強調利用專門的數據專業知識成功"采用優先級或領導其數據和分析策略的任務"對組織轉型的重要性。
新范式中需要的新指標
鑒于這些以數字為基礎的巨變，讓我們暫時想象一下智能制造的未來。它可能是一個泛運營、自我優化的生態系統。碳中和，并在循環經濟的更廣泛背景下發揮作用。
人類將需要被授權在未來提升他們的數字技能。隨著制造專業人士與智能機器的交互，勞動力的數字技能重新校準將是必要的。負責質量、生產和維護的控制器、操作員和團隊將參與關鍵的自動化任務、控制系統安裝和遷移、遠程系統監控以及其他不可預見的優化項目。
根據這一愿景，未來的制造業還將通過不同的指標來獲取價值，例如社會和環境效益以及數字能力的可擴展性。根據 2022 年世界經濟論壇白皮書《通過先進制造解鎖商業模式創新》：
"公司需要利用其在先進制造領域的投資，不僅要優化運營模式，還要開啟新的商業模式，為所有利益相關者創造和交付新價值，包括公司本身、工人、社會和環境。"
與所有偉大的工業變革一樣，我們當前的時代超越了對孤立用例的持續改進。公司范圍的調整必須超出離散生產事件甚至端到端操作的水平。對于制造商來說，這意味著對可用技術和與之交互的人有不同的思考。
工業4.0思維方式的轉變
我們所處的工業時代以跨學科協作方式為前提。部門孤島將被整合并嵌入到一個互連的網絡中。因此，接受更大的制造使命需要采用和利用新技術的戰略思維轉變。這種變化與上述不斷擴大的復雜性和工業的快速技術進步是相稱的。在實踐中，這種新的思維范式帶來了兩個轉變：
· 它讓制造業專業人士在OT和IT融合的前沿領域占據主導地位。
· 它使工業企業能夠重新定義如何在不斷變化的環境中靈活地獲取價值。
實施全新的商業模式聽起來像是一個雄心勃勃的理想。然而，正如世界經濟論壇所建議的（以及制造燈塔所顯示的），它已從生產層面開始。所以，正確的問題是：先進制造業如何成為更全面工業變革的風向標？
它始于一個完全連接的智能生產環境。有四個連接構件，它們必須為自適應IIoT平臺奠定基礎，以實現價值。
首先，在數據感知層，工廠可以確保傳感器、機器、邊緣設備（具有實時AI和計算能力）和數據庫的靈活集成。感知層建立了一個基礎，IIoT平臺可以從中成功地聯網、收集和存儲其邊緣數據。
數據的收集方式多種多樣：通過可編程邏輯控制器（PLC）、監控和數據采集（SCADA）系統，以及制造執行系統/質量管理系統（MES/QMS）。至于數據存儲，邊緣到云的整合為不斷發展的生產環境提供了安全、保障和遠程訪問。在網絡層，專家可以確保通過眾多協議進行無縫通信。
然而，一個連接解決方案在感知、網絡和存儲到位的情況下還不夠完整。完全連接發生在上層應用程序。如果制造企業最重要的戰略目標是充分嵌入技術創新以改變其運營模式，那么全工廠的連通性是必要的，但還不夠。工業企業需要一種技術干預來準備大規模執行下一代生產。
圖 1：良好的連接平臺可實現集中、實時的報告和直觀的分層數據可視化。本文圖片來源：Dataprophet
AIaaS是如何工作的？
面對日益增加的IT/OT復雜性，內部資源限制（如員工流失和數字技能差距）變得更加明顯。因此，必須注意的是，實現智能工廠目標不僅僅是將適當的IT和OT基礎設施組合在一起。工廠經理和高管必須確保有足夠的專業知識來管理這些技術，并以最佳方式執行新時代生產的數字化轉型。
AI 即服務 （AIaaS）將支持AI的IIoT 平臺與自動化深度學習智能相結合，以幫助加速實現更大的制造使命。它通過規范化靈活、敏捷和協作的制造，在生產層面實現這一目標。AIaaS是如何工作的？
它從AI準備情況評估（深入研究工廠的流程和質量數據系統）開始。這種探索產生了關于規范性AI成熟度的清晰報告。一旦建立了數字化成熟度，AI系統就可以被安裝并從邊緣到云再到網絡。調試測試展示了AI系統的影響并量化了其價值。
在整個過程中，網絡工程師、IT系統所有者、工廠運營人員、生產操作員和控制工程師與外部數據科學家和軟件工程師進行互動。工廠團隊首先根據商定的 KPI 基準，為特定生產線協作部署數據衍生的 AI 解決方案。這個過程通常需要3到4個月。
在完成安裝和調試測試后，AIaaS 提供商確保持續訪問、報告、培訓、支持、完整的模型維護和自適應改造 AI 系統。
ROI 保障的制造智能自動化
理想情況下，面向制造的AI部署是一種運營支出（OpEx）解決方案，它通過從工廠已經擁有的數據中提取可衡量的投資回報率來獲得其價值。對于制造環境而言，最具影響力的AI是作為規范性分析應用的深度學習。
它解析來自學習的生產多方面的實時和歷史數據，以發現最佳操作制度。這些都是作為工廠運營商的優先處方提供的，以制定積極的設定點調整，以便在生產損失之前獲得最佳的生產結果。一切都在不阻止生產或將其置于危險之中的情況下實現。
善于利用深度學習的制造商可以不斷推動即時和可衡量的流程和機器健康狀況的改善。他們之所以能夠做到這一點，是因為最好的 AI 部署創建了一個生產反饋循環，系統通過流程的每次迭代來學習--自動進行根本原因分析并嵌入專家執行，這成為系統動態、不斷增長的智能的一部分。
圖2：利用深度學習處方的制造商可以不斷推動即時和可衡量的過程和機器健康的改善。
圍繞可擴展的 AI 協調團隊
這些 AIaaS 部署還協調了以前孤立的團隊。生產、質量、維護、工廠操作員和工藝工程師每天都可以與集中式、自洽的系統進行交互。
此外，還內置了可擴展性。深度學習本質上與制造過程無關，其內核是高質量的工業數據。因此，一旦它在一條生產線或一件制造設備上證明了其有效性，就可以將其推廣到其他重復或類似的生產線。企業還可以將其應用于新產品和產品變體，從而為快速提升至關重要的新建運營提供面向未來的人工智能驅動生產。
擴展深度學習創新
為了利用這種規模化、端到端的生產數字化轉型所捕獲的價值，下一級創新必須擴展到整個價值鏈。端到端擴展AI實施可以進一步降低運營成本，從而提高整個價值鏈的利潤率。此外，它可以通過正確的戰略部署不斷地做到這一點。
通過在工業現場級別進行基于AI的數據分層和 AI 驅動的優化，數據驅動的價值推動因素在其他地方更容易實現。這些推動因素包括產品需求預測和動態生產計劃。經驗豐富的數據科學家可以使用前面提到的自我優化自治循環，調整AI的自動化智能，以便在供應鏈波動的情況下完成訂單。
至于采用新的指標來衡量成功，深度學習作為規范性分析應用是一種合適的技術。捕獲數據并維持自主反饋循環建立了一個工作模型，用于以不同的方式感知生產問題（以及擴展的運營問題）。
例如，可持續性與任何傳統的生產目標相差不遠--更高效地運行，減少廢料或延長生產線的使用壽命等。深度學習擅長識別生產制度中的固有偏見。在這種情況下，AIaaS提供商可以與工廠人員合作，找到一種方法，可以在不影響質量或吞吐量的情況下最大限度地提高OEE測量的準確性。
圖 3：深度學習擅長識別生產制度中的固有偏差，并且可以在不影響質量或吞吐量的情況下最大限度地提高準確的OEE測量。
AIaaS推動了數字能力并促成了全系統范圍的協作。制造商需要重塑他們在不斷變化的環境中定義和獲取價值的方式。數字創新的影響需要在每個階段進行衡量。建立數字化成熟度并維持 AIaaS 執行的智能系統可確保持續的投資回報率。除此之外，它還使先進的制造商能夠追求其更廣泛的目標，并通過調整商業、社會、環境和客戶基準并在業務發展過程中獲取滾動價值來量化目標。
一旦在生產環境中得到驗證，隨著工業企業鞏固其戰術實施中積累的專業知識，人工智能的應用將變得更加具有戰略性。為了使AI成為力量倍增器，制造商必須擴展用例并將其擴展到組織的其他領域，并衡量整個價值鏈的可行性和影響的最佳點。