• 製造業中的人工智慧目前專注於管理特定流程的離散系統，而不是完全自主的工廠，從而提高效率和對工具磨損或系統中斷等事件的回應能力。

• 製造業中的人工智慧透過處理重複性任務、提高安全性和效率以及讓人類專注於創造性和複雜性的問題解決來為工人提供支援。

• 製造業中的人工智慧用於預測性維護、即時監控和生成式設計，從而減少停機時間、優化流程並創建更智慧、更具適應性的製造系統。

完全自主的工廠一直是個具有挑釁性的願景，經常出現在推理小說中。這是一個幾乎無人值守的地方，完全由人工智慧 (AI) 系統指揮機器人生產線運作。但在實際規劃範圍內，這不太可能是人工智慧在製造業的應用方式。

製造業中人工智慧的現實概念看起來更像是管理特定製造流程的緊湊、離散系統的應用程式集合。它們將或多或少地自主運行，並以越來越聰明甚至人性化的方式響應外部事件——包括工具磨損、系統中斷、火災或自然災害等事件。

什麼是製造業中的人工智慧？

製造業中的人工智慧是機器的智能，可以自主執行類似人類的任務——回應內部和外部事件，甚至預測事件。機器可以檢測到工具磨損或意外情況（甚至可能是預期發生的情況），並且可以做出反應並解決問題。

歷史學家追蹤人類從石器時代到青銅時代、鐵器時代等的進步，根據人類對自然環境、材料、工具和技術的掌握來衡量進化的發展。人類目前正處於資訊時代，也稱為矽時代。在這個以電子為基礎的時代，人類透過電腦集體增強，利用對自然世界前所未有的力量，並具有協同能力來完成幾代人之前難以想像的事情。

隨著電腦科技的進步，越來越有能力完成人類傳統上自己做的事情，人工智慧成為一種自然的發展。人們可以選擇如何應用機器學習和人工智慧。人工智慧擅長的一件事是幫助有創造力的人做得更多。它不一定會取代人；它也不一定會取代人。理想的應用程式可以幫助人們做他們獨特擅長的事情——在製造領域，這可能是在工廠製造組件或設計產品或零件。

它越來越多地涉及人類和機器人的協作。儘管工業機器人普遍給人的印像是自主和“智慧”，但大多數工業機器人都需要大量的監督。但透過人工智慧創新，它們變得更加聰明，這使得人類和機器人之間的協作變得更安全、更有效率。

製造業中的人工智慧是如何演變的？

如今，製造業中的人工智慧大部分用於測量、無損檢測 ( NDT ) 和其他流程。人工智慧正在協助產品設計，但製造仍處於人工智慧採用的早期階段。機床仍然相對笨拙。自動化車間工具已成為新聞焦點，但世界上許多工廠仍然依賴舊設備，通常只有機械或有限的數位介面。

較新的製造系統配備螢幕、人機介面和電子感測器，可提供有關原材料供應、系統狀態、功耗和許多其他因素的回饋。人們可以在電腦螢幕或機器上直觀地看到他們正在做什麼。前進的道路正變得越來越清晰，人工智慧在製造業的應用場景也越來越清晰。

近期場景包括即時監控加工過程和監控刀具磨損等狀態輸入。此類應用程式屬於「預測性維護」的標題。對於人工智慧來說，這是一個明顯的機會：使用來自感測器的連續資料流的演算法可以找到有意義的模式，並應用分析來預測問題，並提醒維護團隊在問題發生之前解決問題。機器內部的感測器可以監控正在發生的事情。它可以是監聽皮帶或齒輪開始磨損的聲學感測器，也可以是監測工具磨損的感測器。這些資訊將與一個分析模型相關聯，該模型可以預測該工具的剩餘壽命。

在車間，積層製造正在成為一種重要的模式，並促使在系統中添加許多新型感測器，監控影響材料和製造技術的新條件，這些技術在過去 10 年才被廣泛採用。

製造業中人工智慧的現狀

透過使用數位孿生，人工智慧使更精確的製造流程設計以及製造過程中出現缺陷時的問題診斷和解決成為可能。數位孿生是實體零件、工具機或正在製造的零件的精確虛擬複製品。它不僅僅是 CAD 模型。它是零件的精確數字表示，以及在發生缺陷等情況下零件的表現。 （所有零件都有缺陷；這就是它們失敗的原因。）人工智慧對於在製造過程設計和維護中應用數位孿生是必要的。

大型企業可以從人工智慧的採用中獲益匪淺，並擁有資助這些創新的財務實力。但一些最具想像的應用是由中小型企業（SME）資助的，例如為航空航天等技術密集型行業提供服務的合約設計師或製造商。

許多中小企業正試圖透過快速採用新機械或新技術來超越更大的競爭對手。提供這些服務在製造領域具有差異化優勢，但在某些情況下，他們在沒有必要的知識或經驗的情況下實施新的工具和流程。從設計的角度或製造的角度來看，這可能是正確的；因此，進入積層製造領域具有挑戰性。在這種情況下，中小企業可能比大型企業更有動力採用人工智慧：使用可以提供回饋並協助設定和營運的智慧系統可以幫助小型企業在市場上建立顛覆性的立足點。

從本質上講，端到端的工程專業知識可以建置到製造過程中。也就是說，具有板載人工智慧的工具可以提供指導其安裝、採用、感測器和分析的知識，以檢測操作和維護問題。 （這些分析可能包括所謂的“無監督模型”，經過訓練，可以通過尋找待調查的奇怪或“錯誤”方面來尋找與已知問題無關的傳感器反饋模式。）

這個概念的現實例子是DRAMA（航空航太數位可重構增材製造設施），這是一個於2017 年11 月啟動的耗資1,430 萬英鎊（1,940 萬美元）的合作研究計畫。技術中心合作的公司聯盟之一（MTC）打造「數位學習工廠」原型。整個積層製造流程鏈正在實現數位孿生；該設施將可重新配置，以滿足不同使用者的要求，並允許測試不同的硬體和軟體選項。開發人員正在建立積層製造“知識庫”，以幫助技術和流程的採用。

在 DRAMA 中，Autodesk 在設計、模擬和最佳化方面發揮關鍵作用，充分考慮了製造中發生的下游流程。了解製造過程對每個零件的影響是人類可以自動化的關鍵訊息，然後透過生成設計將其帶入設計過程，使數位設計的性能更接近物理零件。

人工智慧如何改變製造業

這種情況表明有機會有效地打包端到端工作流程以銷售給製造商。它可以包括從軟體到工廠中的實體機械、機械的數位孿生、與工廠供應鏈系統交換資料的訂購系統，以及監控製造方法和在輸入流經工廠時收集資料的分析。本質上是創建“盒子工廠”系統。

盒子裡的工廠

這樣的系統可以讓製造商查看今天製造的零件，將其與昨天製造的零件進行比較，了解產品品質保證的情況，並分析生產線上每個流程的無損檢測。回饋將幫助製造商準確地了解製造這些零件所使用的參數，然後根據感測器數據查看哪裡有缺陷。

機器學習與自主人工智慧

人工智慧的大部分力量來自於機器學習、神經網路、深度學習和其他自組織系統在無需人工幹預的情況下從自身經驗中學習的能力。這些系統可以快速發現大量資料中的重要模式，這超出了人類分析師的能力。然而，在當今的製造業中，人類專家仍然在很大程度上指導人工智慧應用程式的開發，從他們之前設計的系統中編碼他們的專業知識。人類專家提出了他們對發生了什麼、出了什麼問題、什麼進展順利的想法。

最終，自主人工智慧將建立在這個專業知識體系的基礎上，因此，積層製造領域的新員工可以從營運回饋中受益，因為人工智慧會分析機載感測器數據以進行預防性維護並完善流程。這是邁向自我校正機器等創新的中間一步——當工具磨損時，系統會自我調整以保持性能，同時建議更換磨損的部件。

工廠規劃佈局優化

人工智慧應用並不局限於製造過程本身。從工廠規劃的角度來考慮這一點。設施佈局由許多因素驅動，從操作員安全到製程的效率。它可能要求該設施可重新配置，以適應一系列短期專案或頻繁變更的流程。

頻繁的變化可能會導致不可預見的空間和材料衝突，進而產生效率或安全問題。但此類衝突可以使用感測器進行追蹤和測量，並且人工智慧在優化工廠佈局方面可以發揮作用。

感測器捕獲數據以進行即時人工智慧分析

當採用存在許多不確定性的新技術（例如積層製造）時，重要的一步是在零件製造後使用無損檢測。無損檢測可能非常昂貴，特別是如果它包含固定設備 CT 掃描儀（用於分析製造零件的結構完整性）。機器中的感測器可以連結到根據從特定零件的製造過程中學習到的大型資料集建立的模型。一旦感測器資料可用，就可以使用感測器資料建立機器學習模型，例如與 CT 掃描中觀察到的缺陷相關聯。感測器資料可以標記分析模型顯示可能有缺陷的零件，而無需對零件進行 CT 掃描。僅掃描這些零件，而不是在所有零件下線時對其進行例行掃描。

該操作還可以監控人們如何使用設備。製造工程師在設計設備時會做出機器如何操作的假設。透過人工分析，可能會發生額外的步驟或跳過步驟。感測器可以準確捕獲該資訊以進行人工智慧分析。

人工智慧還可以使製造流程和工具適應其可能應用的各種環境條件。以濕度為例。積層製造技術的開發人員發現，某些機器在某些國家無法依照設計工作。工廠中的濕度感測器被用來監測條件，有時會發現違反直覺的事情。在一個案例中，濕度在原本應該控制濕度的環境中產生了問題：結果發現，有人出去吸煙時沒有把門打開。

有效利用感測器數據需要開發有效的人工智慧模型。這些模型必須經過訓練才能理解它們在數據中看到的內容——什麼會導致這些問題、如何檢測原因以及該怎麼做。如今，機器學習模型可以使用感測器數據來預測問題何時發生，並向人工故障排除人員發出警報。最終，人工智慧系統將能夠預測問題並即時做出反應。人工智慧模型很快將承擔創建主動方法來阻止問題和改進製造流程的任務。

生成式設計

人工智慧在生成設計中發揮重要作用，在生成設計中，設計工程師輸入一組專案需求，然後設計軟體創建多次迭代。最近，Autodesk 收集了大量用於積層製造的材料數據，並使用這些數據來驅動產生設計模型。該原型能夠「理解」材料特性如何根據製造工藝如何影響各個特徵和幾何形狀而變化。

生成設計是一種適應性最佳化技術。許多傳統的最佳化技術都著眼於更通用的零件最佳化方法。生成設計演算法可以更加具體，專注於單一特徵，基於材料測試和與大學的合作來應用對該特徵的機械性能的理解。儘管設計是理想化的，但製造過程是在現實世界中進行的，因此條件可能不是恆定的。有效的生成設計演算法包含了這種程度的理解。

衍生式設計可以在軟體中創建最佳設計和規範，然後使用相容的工具將該設計分發到多個設施。這意味著規模較小、地理上分散的工廠可以生產更多種類的零件。這些設施可能靠近需要它們的地方；一家工廠有一天可能為航空航太製造零件，第二天為其他重要產品製造零件，從而節省分銷和運輸成本。例如，這正在成為汽車產業的一個重要概念。

靈活且可重新配置的流程和工廠車間

人工智慧還可用於優化製造流程，並使這些流程更加靈活和可重新配置。當前需求可以確定工廠車間佈局並產生流程，這也可以針對未來需求進行。然後可以使用這些模型來比較和對比它們。然後，該分析確定是擁有更少的大型增材機器更好，還是擁有更多的小型機器更好，這些機器的成本可能更低，並且在需求放緩時可以轉移到其他項目。 「假設」分析是人工智慧的常見應用。

模型將用於優化車間佈局和流程排序。例如，可以直接透過 3D 列印機對積層零件進行熱處理。材料可能是經過預回火的，或者需要重新回火，需要另一次熱循環。工程師可以運行各種假設情境來確定該設施應該擁有什麼樣的設備——將部分流程分包給附近的另一家公司可能更有意義。

這些人工智慧應用程式可能會改變業務案例，從而決定工廠是專注於一個自備流程還是承擔多個產品或專案。後者將使工廠更具彈性。以航空航太業為例，該產業正在經歷低迷，其製造業務可能也可以透過製造醫療零件來適應。

預測性維護

製造業人工智慧關注的另一個關鍵領域是預測性維護。這使得工程師能夠為工廠機器配備經過預先訓練的人工智慧模型，其中包含該工具的累積知識。基於來自機械的數據，模型可以學習現場發現的因果關係的新模式，以防止問題。

製造和人工智慧：應用和優勢

設計、流程改善、減少機器磨損、優化能源消耗都是人工智慧在製造業應用的領域。這種演變已經開始。

機器之間、與供應鏈和其他業務自動化變得更加智慧和整合。理想的情況是材料輸入、零件輸出，感測器監控鏈條中的每個環節。人們保持對過程的控制，但不一定在環境中工作。這可以釋放重要的製造資源和人員，讓他們專注於創新——創造設計和製造組件的新方法——而不是重複性工作，因為這些工作可以實現自動化。

與任何根本性轉變一樣，人工智慧的採用也遇到了阻力。人工智慧所需的知識和技能可能昂貴且稀缺；許多製造商不具備這些內部能力。他們認為自己在專業能力方面是有效的，因此為了證明投資創造新產品或改善流程的合理性，他們需要詳盡的證據，並且可能會規避擴大工廠規模的風險。

這可以使「盒子裡的工廠」的概念對企業更具吸引力。更多的企業，尤其是中小企業，可以自信地採用端到端的打包流程，其中軟體與工具無縫協作，並使用感測器和分析進行改進。增加數位孿生功能，工程師可以透過模擬來嘗試新的製造流程，也可以降低決策的風險。

人工智慧在品質檢查中也發揮著重要作用，品質檢查是一個產生大量資料的過程，因此自然適合機器學習。考慮積層製造：一次建置會產生多達 1 TB 的數據，這些數據涉及機器如何生產零件、現場條件以及建造過程中發現的任何問題。這些數據量超出了人類的分析能力，但人工智慧系統現在可以做到。適用於積層工具的方法也可以輕鬆適用於減材製造、鑄造、射出成型以及各種其他製造流程。

當添加虛擬實境（VR）和擴增實境（AR）等互補技術時，人工智慧解決方案將減少設計時間並優化裝配線流程。生產線工人已經配備了 VR/AR 系統，使他們能夠可視化組裝過程，提供視覺指導以提高工作速度和精度。操作員可能戴著 AR 眼鏡，可以投影解釋如何組裝零件的圖表。系統可以監控工作情況並向工人提供提示：你已經將扳手轉得足夠多，你沒有轉動它足夠，或者你還沒有扣動扳機。

大公司和中小企業在採用人工智慧方面有不同的重點領域。中小企業往往會製造大量零件，而大公司通常會組裝大量從其他地方購買的零件。也有例外；汽車公司對底盤進行大量點焊，但購買和組裝其他零件，例如軸承和塑膠零件。

就零件本身而言，一個新興趨勢是使用智慧組件：具有嵌入式感測器的零件，可以監控自身狀況、應力、扭矩等。這個想法對於汽車製造來說尤其具有挑戰性，因為這些因素更多地取決於汽車的駕駛方式，而不是行駛了多少英里；如果每天行駛過很多坑洼，可能需要更多的維護。

智慧組件可以通知製造商它已達到使用壽命或需要接受檢查。該部件本身不會從外部監控這些數據點，而是偶爾會與人工智慧系統進行檢查，報告正常狀態，直到情況出現問題，此時該部件將開始需要關注。這種方法減少了系統內的資料流量，而大規模資料流量可能會嚴重拖累分析處理效能。

人工智慧增加價值的最大、最直接的機會是積層製造。增材製程是主要目標，因為它們的產品更昂貴且體積更小。未來，隨著人類發展人工智慧並使其成熟，它可能會在整個製造價值鏈中變得重要。