工业4.0：支持AI的故障检测

人工智能的改进与更好的机器视觉控制相结合，为智能制造行业创造了至关重要的新组成部分–高精度和可扩展的故障检测。这项技术的前景广阔，不仅可以提高效率，而且可以提高安全性并提供实时可见性。

全球智能制造市场将在不久的将来实现显着增长，据《市场研究》(R工业esearch and Markets)的一份报告预测，2020年至2025年的复合年增长率为12.4%，市场规模约为3848亿美元，而2020年为2147亿美元。该分析公司表示，这种增长是制造过程中的工业自动化，并且通过软件解决方案对减少时间和降低成4.本的需求不断增加。

AI驱动的故障检测是工业自动化领域新兴需求和创新领域的一个很好的例子。引起关注的部分趋势是，在制造过程的两个关键领域中，自动进行故障检测的能力至关重要–将其作为预测性维护计划的一部分和作为质量保证工具的一部分来检测工厂机械中的故障0：，以确保制造输出符合规格。

机器视觉

一个关键的技术共性是对可靠且高度可配置的机器视觉的需求，尤其是在QA过程中，在该过程中，发现表面缺陷是该过程的关键要素。传统的机器视觉解决方案(例如自动光学检查(AOI))依靠不灵活的规则或所谓的“黄金图像”来将产支持品图像与已知的无缺陷图像进行比较。但是，这里的问题是，任何误报都会导致不必要的浪费，而相反的情况则会使有缺陷的零件通过。在这个灰色地带，人工智能可以改变有效性。在某些情况下，它可以提供高达95%的改进，还消除了误报。

人工智能机器视觉的挑战和好处

有AI趣的是，制造商转移到AI故障检测环境的主要挑战之一是确保用于训练AI的数据清晰无歧义。例如，人工检查往往是主观的，不同的检查员会通过或未通过相同的缺陷，因此将主观通过/失败数据合并可能导致模棱两可或矛盾的决策，从而导致模型不完善。即使拥有干净的数据的故来训练AI，也只是过程的一小部分。确实，训练用于视觉检查的概念验证AI模型可能只占整个部署总时间和成本的10%。

另一个关键挑战是确保材料和环境因素(例如照明)的一致性。这两种方法中的任何一种更改都可能立即导致非常高的错误率，需要重新校准或重新训练模型。障检然后，这需要成功的部署才能使环境变化检测系统处于运行状态。但是，除了故障检测之外，环境变化检测系统还可以提供广泛的好处。例如，分段系统可能会提高工人的安全性(如果在受限区域检测到运动，则通过自动切断机器的动力)，监视火、烟或其他空气质量危害(如灰尘或工业气体泄漏)的安全性。

远见卓识

AI机器视觉有更广泛的应用，特别是随着它开始成熟。瑞士无人机公司Sulzer Schmid和AI公司NNAISENSE进行了合作，其中一个令人兴奋的领域是自动监视风力涡轮机叶片的损坏。先前对转子叶片的详细检查将涉及完全停机，然后技4.术人员“爬到塔架上”以手动检查表面是否磨损。

自动化系统使用Sulzer Schmid的3DX检测平台来连续获取高清图像，并实现100%的刀片覆盖率，同时将人为错误和操作风险降至最低。 AI软件会自动扫描整个刀片表面，仅突出显示不一致性和需要关注的区域以进行手0：动检查，从而节省了数百个工作时间，否则将花费大量时间检查完美运行的刀片表面。

当然，人工智能机器视觉的使用已经远远超出了涡轮机叶片的范围，并且几乎渗透到了现代生活的各个方面。这一事实从最近开放采购的潜在改变游戏规则的新物体检测框架DETR可以看出，或检测变支持压器。

实时合作

总体上来说，支持AI的故障检测无疑是当前的热点，而且组件和试点项目的日趋成熟表明在未来几年中将继续扩展。由德国政府资助的SPAICER是一个合作项目，展示了大工业对这一概念的重视程度–SPAICER旨在使用领先的AI技术和IndusAItry 4.0标准来优化生产过程并实时预测故障。于2020年4月启动，相关合作伙伴包括西门子、宝马、福克斯、微软、福特、戴姆勒、蔡司和戴尔。

早期的使用案例是利用AI来预测材料波动对一家德国中型公司的工具磨损率的影响，该公司在工具磨损和更换方面每小时产生的成的故本高达500000欧元。目的是实时对变化及其影响进行分类，从而降低生产的总体风险，从而创建更具弹性的生产流程。

搜索实时数据(以及当时的实时可操作数据)不可避免地是自动故障检测的关键。日益强大的AI的使用使这个以前无法实现的前景成为今天的现实可能性障检，也是明天的重要业务资产。确实，从中期来看，可能会带来越来越商品化的SaaS风格的云AI平台，这些平台具有专门的故障检测和监视模块，并被用于内部传感器和具有机器视觉的摄像头系统。

(责任编辑：发售日历)