簡介： 人工智慧的改進與更好的機器視覺控制相結合，為智慧製造行業創造了至關重要的新組成部分–高精度和可擴充套件的故障檢測。這項技術的前景廣闊，不僅可以提高效率，而且可以提高安全性並提供實時可見性。

人工智慧的改進與更好的機器視覺控制相結合，為智慧製造行業創造了至關重要的新組成部分–高精度和可擴充套件的故障檢測。這項技術的前景廣闊，不僅可以提高效率，而且可以提高安全性並提供實時可見性。

全球智慧製造市場將在不久的將來實現顯著增長，據《市場研究》(Research and Markets)的一份報告預測，2020年至2025年的複合年增長率為12.4%，市場規模約為3848億美元，而2020年為2147億美元。該分析公司表示，這種增長是製造過程中的工業自動化，並且透過軟體解決方案對減少時間和降低成本的需求不斷增加。

AI驅動的故障檢測是工業自動化領域新興需求和創新領域的一個很好的例子。引起關注的部分趨勢是，在製造過程的兩個關鍵領域中，自動進行故障檢測的能力至關重要–將其作為預測性維護計劃的一部分和作為質量保證工具的一部分來檢測工廠機械中的故障，以確保製造輸出符合規格。

機器視覺

一個關鍵的技術共性是對可靠且高度可配置的機器視覺的需求，尤其是在QA過程中，在該過程中，發現表面缺陷是該過程的關鍵要素。傳統的機器視覺解決方案(例如自動光學檢查(AOI))依靠不靈活的規則或所謂的“黃金影象”來將產品影象與已知的無缺陷影象進行比較。但是，這裡的問題是，任何誤報都會導致不必要的浪費，而相反的情況則會使有缺陷的零件透過。在這個灰色地帶，人工智慧可以改變有效性。在某些情況下，它可以提供高達95%的改進，還消除了誤報。

人工智慧機器視覺的挑戰和好處

有趣的是，製造商轉移到AI故障檢測環境的主要挑戰之一是確保用於訓練AI的資料清晰無歧義。例如，人工檢查往往是主觀的，不同的檢查員會透過或未透過相同的缺陷，因此將主觀透過/失敗資料合併可能導致模稜兩可或矛盾的決策，從而導致模型不完善。即使擁有乾淨的資料來訓練AI，也只是過程的一小部分。確實，訓練用於視覺檢查的概念驗證AI模型可能只佔整個部署總時間和成本的10%。

另一個關鍵挑戰是確保材料和環境因素(例如照明)的一致性。這兩種方法中的任何一種更改都可能立即導致非常高的錯誤率，需要重新校準或重新訓練模型。然後，這需要成功的部署才能使環境變化檢測系統處於執行狀態。但是，除了故障檢測之外，環境變化檢測系統還可以提供廣泛的好處。例如，分段系統可能會提高工人的安全性(如果在受限區域檢測到運動，則透過自動切斷機器的動力)，監視火、煙或其他空氣質量危害(如灰塵或氣體洩漏)的安全性。

遠見卓識

AI機器視覺有更廣泛的應用，特別是隨著它開始成熟。瑞士無人機公司Sulzer Schmid和AI公司NNAISENSE進行了合作，其中一個令人興奮的領域是自動監視風力渦輪機葉片的損壞。先前對轉子葉片的詳細檢查將涉及完全停機，然後技術人員“爬到塔架上”以手動檢查表面是否磨損。

自動化系統使用Sulzer Schmid的3DX檢測平臺來連續獲取高畫質影象，並實現100%的刀片覆蓋率，同時將人為錯誤和操作風險降至最低。 AI軟體會自動掃描整個刀片表面，僅突出顯示不一致性和需要關注的區域以進行手動檢查，從而節省了數百個工作時間，否則將花費大量時間檢查完美執行的刀片表面。

當然，人工智慧機器視覺的使用已經遠遠超出了渦輪機葉片的範圍，並且幾乎滲透到了現代生活的各個方面。這一事實從最近開放採購的潛在改變遊戲規則的新物體檢測框架DETR可以看出，或檢測變壓器。

實時合作

總體上來說，支援AI的故障檢測無疑是當前的熱點，而且元件和試點專案的日趨成熟表明在未來幾年中將繼續擴充套件。由德國政府資助的SPAICER是一個合作專案，展示了大工業對這一概念的重視程度–SPAICER旨在使用領先的AI技術和Industry 4.0標準來最佳化生產過程並實時預測故障。於2020年4月啟動，相關合作夥伴包括西門子、寶馬、福克斯、微軟、福特、戴姆勒、蔡司和戴爾。

早期的使用案例是利用AI來預測材料波動對一家德國中型公司的工具磨損率的影響，該公司在工具磨損和更換方面每小時產生的成本高達500000歐元。目的是實時對變化及其影響進行分類，從而降低生產的總體風險，從而建立更具彈性的生產流程。

搜尋實時資料(以及當時的實時可操作資料)不可避免地是自動故障檢測的關鍵。日益強大的AI的使用使這個以前無法實現的前景成為今天的現實可能性，也是明天的重要業務資產。確實，從中期來看，可能會帶來越來越商品化的SaaS風格的雲AI平臺，這些平臺具有專門的故障檢測和監視模組，並被用於內部感測器和具有機器視覺的攝像頭系統。