在最近一项关于人工智能（AI）的制造业洞察调查中，来自汽车和制造业的44%的受访者将人工智能列为未来五年对制造业功能“非常重要”的一类，而近一半至49%的受访者认为人工智能“对成功绝对至关重要”。

但是，在很多情况下，制造商很难理解AI，因为技术行业已经使用了如此广泛的工具，几乎没有人真正理解它是如何被实例化的，除了一些提供更好的商业结果的万能资源之外。

制造商实际上可能认为人工智能非常复杂和昂贵，需要整个公司的端到端系统正常工作，这就意味着要对整个IT/OT操作进行代价高昂的更新。事实是，人工智能更专注，更容易实现。人工智能可以在工厂以最小的结构工作，并通过工业物联网（IIoT）与机器连接。

当涉及到人工智能的实现时，原始设备制造商首先需要了解的是要关注的用例类型。作为物联网的一部分，生产车间的大多数边缘机器正在进行重组，以便通过无线传感器发送数据。然后，这些数据被输入到软件套件中进行处理。数据输入过程将成为一个持续的过程，以创建一个不断扩展的数据网络。所有这些数据都可以存储在云中以获取洞察力，从而使人工智能驱动的模型成为可能。

以下三个用例可以帮助消除制造商对人工智能能力的疑虑：

1.机器正常运行时间

消费品包装生产线为24×7，生产数百万个大小不同的纸箱，用于包装不同的消费品。保持生产无任何故障或任何质量问题至关重要。速度和质量至关重要。手动监控容易出错，成本高昂且效率低下。

通过IIoT系统收集的数据可通过量身定制的可视化和警报，提供有关生产线吞吐量和设备故障的24/7实时洞察。AI最终可以帮助您了解要收集的大量数据。这些数据在边缘网关上进行处理，以快速识别异常并发送即时警报。更大的数据聚集在基于云的IoT平台中，以进行进一步的预测分析以及已定义的基于行为和规则的模型。 该系统将提供一个自定义的仪表板，并报告机器空闲时间，故障原因代码和总体OEE数据。这样，管理人员可以更好地计划操作计划，从而避免机器闲置时间并进行预测性维护。

2.成本优化

美国传感器制造商SpectraSymbol一直在生产业内最好的线性传感器和电位器之一，以应对能源市场。作为一个过程，在遥远的油井中，当油和水被泵入油罐时，需要测量油和水的水平。关于这项石油钻探作业，该公司迫切需要通过利用IIoT数据来更经济地延长边际油井的使用寿命，从而持续优化成本，最大的问题是，这些油井的产油量不足，不值得对数据传感器进行统一投资，因此必须降低它们的成本模型。这些油井也位于偏远地区，增加了成本和时间挑战。这些油井的传感器安装成本也非常高，增加了60%的成本。对于较小的操作和较远的报废井，快速投资回报率是物联网实施的关键。

为SpectaSymbol的多口油井建立了一个用于存储和处理所有机器数据的IIoT软件平台。它创建了一个“数据湖（data lake）”，相关数据存储在云中。通过AI驱动的机器学习进行分析的数据已成为针对业务的定制应用程序的推动力，该应用程序明确设计用于评估油井性能并通过AI分析进行状态监控。结果，所有利益相关者都可以获得特定的报告，并且边际油井的运行时间和性能都得到了优化。

3.提高预测质量

一家化学公司SRF希望通过基于IoT的数字化转型来提高其生产率和制造运营。为了实现这一目标，SRF必须在其包装薄膜和工业用纺织品的生产中连接关键过程。 目标是通过分析对制造过程至关重要的参数来提高质量，改善其燃料消耗并降低功耗，以及减少任何线路中断。SRF的工厂生产率可以通过使用状态监视来预测停工来提高。通过制造过程的输入创建的结果“数据湖”已与SRF的ERP集成在一起，以闭合整个制造价值链上的循环。

人工智能是该项目的核心，因为利用了机器学习技术来支持一组灵活的多元统计分析。具体来说，实时机器数据被用作反馈回路，以更准确地定义机器的最佳设置，以确保产品质量和机器可靠性。结果就是SRF能够监视和分析对机器健康至关重要的参数，并通过在发生故障之前进行预测来优化机器停机时间。

从一个可以达到的实验或试验开始

在思考AI如何精确地提高制造智能时，关键是要从可以实现的方向开始，如此处的三个用例所示。无论您是要实现机器正常运行，最大程度地降低成本还是提高运营效率，通过云托管数据进行机器学习都可以发挥重要作用。

原文链接