Об авторе
Хан Гуанцзу, Tencent Cloud TVP, в настоящее время директор Shanghai Tengzhan Changrong. & Технический директор. Магистр делового администрирования Университета Южной Калифорнии. Ранее он занимал должности вице-президента отдела каналов и цифрового банкинга в штаб-квартире Fubon China Bank, вице-президента отдела информационных технологий штаб-квартиры и Wistron Group. WistronITS Директор по информационным технологиям глобальной штаб-квартиры , председатель отдела информационной безопасности предприятия и по совместительству технический консультант Zichen International Development (государственное предприятие Hong Kong Bank Boyuan Fund) COO (Инвестиции), директор по глобальным технологиям и аутсорсинговым услугам Newegg.com, руководитель технологического отдела первого уровня иностранных банков 12 Год. иметь 20 Юниан Энтерпрайз IT/MIS/IS Опыт эксплуатации, да DD, частное долговое финансирование, операции с промышленной недвижимостью и передача акций, трансграничное финансирование, развитие технологий и инновационный опыт. Он также имеет многолетний опыт работы в сфере крупномасштабной электронной коммерции и замены базовой банковской системы. Знаком с информатизацией, цифровизацией, анализом бизнес-систем, облачной архитектурой и облачной миграцией, построением и разработкой общедоступных телекоммуникационных облаков, а также их интеграцией; И быть знакомым с исследованиями и разработками, продуктами, предпродажными, поставками, послепродажными и другими видами деятельности, включая профессиональные сервисные решения, планирование, внедрение, создание крупномасштабного анализа данных, сбора данных и глубокого обучения технологии обнаружения объектов изображений; для оказания помощи в принятии решений и знакомстве с предприятием в целом. Стратегическое планирование и реализация.
1. Ключевые технологии эпохи Индустрии 4.0
Как мы все знаем, анализ больших промышленных данных является ключевой технологией в эпоху Индустрии 4.0. Он обеспечивает беспрецедентную информацию и поддержку принятия решений для производственных операций, инноваций в продуктах, оптимизации цепочек поставок, управления безопасностью и других областей за счет глубокого анализа огромных промышленных данных. Промышленный анализ больших данных включает в себя широкий спектр тем и сценариев. Ниже приводится общий вид бизнеса, основанного на данных, и некоторые основные примеры:
(Иллюстрация, общая бизнес-архитектура, основанная на данных)
(Рис. 1. Тема анализа больших промышленных данных)
(Рисунок 2, метод анализа данных)
Во-первых, в области производственных операций анализ больших промышленных данных точно выявляет узкие места в производственном процессе путем мониторинга данных о работе датчиков и оборудования в режиме реального времени, тем самым оптимизируя производственный процесс и повышая эффективность. В то же время благодаря анализу данных проверки качества продукции можно быстро обнаружить причины дефектов продукции, что не только улучшает качество продукции, но и повышает удовлетворенность клиентов. Кроме того, анализ данных о потреблении энергии может помочь обнаружить точки потери энергии, тем самым оптимизируя распределение энергии и обеспечивая экологически чистое производство.
Во-вторых, прогнозное обслуживание — еще одно важное применение больших промышленных данных. Оно анализирует исторические данные об эксплуатации и отказах оборудования для прогнозирования потенциальных рисков сбоев и разработки научных планов технического обслуживания. Такой подход не только сокращает незапланированные простои, но и эффективно снижает затраты на техническое обслуживание. В то же время благодаря анализу данных об использовании продукта можно спрогнозировать срок его службы и вовремя напомнить пользователям о необходимости замены или технического обслуживания, что повышает надежность продукта и доверие пользователей.
Кроме того, в процессе исследования и разработки продуктов анализ больших промышленных данных использует рыночные данные и данные о потребительском спросе, чтобы помочь компаниям получить представление о тенденциях рынка, быстро реагировать на изменения рынка и разрабатывать инновационные продукты, отвечающие потребностям рынка. В то же время анализ проектных данных и данных испытаний помогает оптимизировать конструкцию продукта и повысить его производительность и конкурентоспособность.
Кроме того, управление цепочками поставок является еще одним ключевым сценарием применения анализа больших промышленных данных. Анализируя данные поставщиков и данные о закупках, компании могут оптимизировать стратегии закупок и сократить затраты на закупки. Анализ данных о запасах и данных логистики помогает оптимизировать управление запасами и повысить скорость реагирования и эффективность цепочки поставок.
Наконец, с точки зрения управления безопасностью анализ больших промышленных данных помогает компаниям выявлять риски безопасности, формулировать эффективные меры безопасности и снижать количество несчастных случаев за счет анализа данных о несчастных случаях и данных расследования скрытых опасностей. Анализ данных о поведении сотрудников и данных мониторинга окружающей среды может помочь выявить потенциальные угрозы безопасности и предотвратить несчастные случаи.
(Рис. 3. Сценарии и узлы приложений для анализа данных)
Стоит отметить, что анализ больших промышленных данных играет важную роль во многих сценариях, таких как интеллектуальное производство, промышленный Интернет вещей, промышленный Интернет и энергетический Интернет. На «умных» производственных предприятиях это помогает реализовать интеллектуальное производство, интеллектуальное принятие решений и интеллектуальные услуги. В области промышленного Интернета вещей он может обрабатывать и анализировать большие объемы данных устройств и извлекать ценную информацию.
Инспекционная платформа-робот-собака представляет собой интеллектуальное решение для инспекции, которое объединяет передовые технологии робототехники, искусственный интеллект и автоматизированное управление. Используя гибких и маневренных собак-роботов в качестве объектов проверки, эта платформа может выполнять задачи в различных сложных средах, таких как промышленные объекты, склады, общественные места и даже места реагирования на стихийные бедствия.
(Рис. 4. Комбинация Интернета вещей и технологии роботов-собак:
Интеллектуальная платформа промышленного контроля и мониторинга в реальном времени)
(Успешный случай эксперимента с досмотровой собакой)
(Случай неудачного эксперимента с досмотровой собакой)
Развитие промышленного Интернета вещей позволило аналитике больших данных обрабатывать и анализировать огромные потоки данных с бесчисленного количества устройств, обнаруживая скрытую ценность. Промышленная интернет-платформа использует анализ больших данных, чтобы преодолеть разрозненность данных и реализовать процветание обмена данными и инновационных приложений. Энергетический Интернет также оптимизирует баланс спроса и предложения энергии посредством анализа больших данных и повышает эффективность использования энергии.
Кроме того, особая ценность, которую анализ больших промышленных данных приносит предприятиям, выражается на нескольких уровнях: он не только повышает эффективность производства и качество продукции, но также снижает затраты за счет сокращения цикла исследований и разработок и оптимизации управления цепочками поставок. Что еще более важно, это значительно повышает безопасность производства за счет профилактических и профилактических мер. Благодаря постоянному развитию технологий анализ больших промышленных данных будет продолжать расширять сферу применения и станет важным инструментом для предприятий, позволяющим достичь устойчивого развития и сохранить конкурентные преимущества.
В целом, с быстрым развитием таких технологий, как промышленный Интернет вещей и промышленный Интернет, перспективы применения промышленного анализа больших данных бесконечно широки. Он станет для предприятий важным инструментом для получения конкурентных преимуществ и достижения интеллектуальной трансформации. В то же время технологии искусственного интеллекта, такие как ChatGPT, будут играть важную роль в очистке данных, исследовательском анализе данных, проверке гипотез, выборе метода анализа и интерпретации результатов, предоставляя предприятиям углубленную бизнес-информацию и поддержку принятия решений.
2. Как будет развиваться промышленный ИИ?
Менталитет, методы и практики перемен
Фактически, обсуждая будущий путь промышленного искусственного интеллекта, мы можем черпать вдохновение из лучших практик отрасли и соответствующим образом выстраивать эффективную и устойчивую стратегию развития. На мой взгляд, его будущий путь развития можно резюмировать с точки зрения менталитета, методов и практик:
Мышление: Сокращение затрат — конечная цель, а основная цель промышленного искусственного интеллекта — сократить производственные и эксплуатационные затраты с помощью интеллектуальных средств. Это включает не только прямые материальные и трудовые затраты, но также предполагает сокращение отходов и улучшение использования ресурсов за счет оптимизации процессов.
Метод: Сокращение изменчивости является ключевым процессом, а снижение изменчивости в производстве и операциях имеет решающее значение для достижения снижения затрат. Вариативность может привести к неопределенности и растратам, в то время как точный контроль процессов с помощью технологии искусственного интеллекта может значительно повысить согласованность и надежность.
Практика: интеграция ресурсов использует новые процессы искусственного интеллекта, такие как принципы ECRS (устранить, объединить, переупорядочить, упростить), которые могут помочь компаниям переосмыслить и спроектировать рабочие процессы, исключить ненужные шаги, объединить схожие задачи, изменить последовательность процессов и упростить сложные операции. . В то же время оперативные исследования ресурсов ИИ могут обеспечить эффективное использование технологий и максимизировать эффективность производства. Фактором исследования ИИ является применение науки о данных, которое играет важную роль в применении промышленного ИИ. Изучая и анализируя большие объемы данных, компании могут обнаружить потенциальные закономерности и тенденции для постоянного улучшения и оптимизации производственных процессов.
(Рисунок 5, путь развития промышленного ИИ)
Типичным примером является TSMC, ведущая в мире компания по производству полупроводников, ее успешная практика внедрения искусственного интеллекта стала эталоном для всей обрабатывающей промышленности. Глубоко интегрируя технологию искусственного интеллекта в свой производственный процесс, TSMC не только повышает точность производства, но также оптимизирует эффективность производства и качество продукции.
(Рис. 6. История развития интеллектуального производства)
3. С точки зрения лучших практик предприятия
Путь к будущему промышленного искусственного интеллекта
(1) Цифровое применение искусственного интеллекта в общественных и вспомогательных мастерских.
Кроме того, мы можем видеть огромную роль промышленного искусственного интеллекта в конкретном звене заводского цеха. Применение общественных вспомогательных цехов IOT + ML и технологии машинного обучения в общественных вспомогательных цехах значительно повысило энергоэффективность и обеспечило энергосбережение и сокращение выбросов углерода. Фактически, производственный цех завода в основном состоит из цеха косвенного производства (общественного вспомогательного цеха) и цеха прямого производства, а также включает в себя систему воздушного компрессора, центральную систему кондиционирования и систему оборотного водоснабжения. Мы используем технологию искусственного интеллекта для реализации интеллектуального управления каждой деталью, что позволяет успешно добиться энергосбережения и сокращения выбросов, а также повысить эффективность производства. Например, благодаря интеллектуальной оптимизации центральная система кондиционирования может обеспечить эффективную работу хоста и сэкономить 10-20% энергопотребления. Система оборотного водоснабжения будет выполнять интеллектуальное дозирование и интеллектуальную регулировку на основе изменений данных о качестве воды с помощью данных. моделирование и анализ.
(рис. 7, подробная схема производственного цеха)
В цифровой мастерской с интеллектуальным управлением ИИ каждая станция общественной вспомогательной мастерской может достичь среднего уровня энергосбережения более 10% благодаря технологии цифрового интеллекта, а принцип энергосбережения технологии цифрового интеллекта заключается в основном в сборе «энергии». сторона спроса» и интеллектуальное производство завода. Контроль «параметров оборудования на стороне энергоснабжения» для реализации кривой спроса и предложения, это энергосбережение и сокращение потребления также совпадает со стратегией углеродной нейтральности, пропагандируемой страной. В настоящее время это самое передовое интеллектуальное решение для управления и энергосбережения для общественных вспомогательных мастерских. Оно в основном снижает затраты на эксплуатацию и техническое обслуживание за счет мониторинга и визуализации данных, а также использует интеллектуальное управление с помощью искусственного интеллекта, чтобы помочь мастерским экономить энергию и снижать потребление на 10-30%.
(Рис. 8. Рендеринг технологии искусственного интеллекта в мастерской)
С другой стороны, в воздушной системе воздушной компрессорной станции, внедряя цифровые и интеллектуальные решения, мы можем полностью реализовать мониторинг в реальном времени, диагностику неисправностей, анализ и отображение отчетов, а также автоматически запускать и останавливать в соответствии с изменениями в цехе. Управление расходом воздуха, управление аналитическими отчетами, управление системой и другие практические функциональные модули. В то же время можно обеспечить обратное интеллектуальное управление для экономии энергопотребления и повышения эффективности управления. Благодаря постоянному развитию технологий будущее промышленного искусственного интеллекта будет уделять больше внимания снижению затрат и сокращению вариаций, что приведет к тому, что обрабатывающая промышленность будет развиваться в более разумном, более эффективном и более экологически чистом направлении.
(2) Большой модельный анализ и прогнозирование газовых предприятий.
Стоит отметить, что применение анализа статистических данных предприятий по газу, несомненно, внесло весомый вклад в развитие промышленного искусственного интеллекта. В частности, на практике реализации этой оптимизации управления энергопотреблением нам необходимо проанализировать тип предприятия и собрать данные о частоте данных предприятия, чтобы понять общую ситуацию с данными на предприятии. Кроме того, мы можем использовать модели LightGBM, LSTM и ARIMA для. анализировать прогноз использования газа. Фактически, анализ и прогноз данных об корпоративном использовании газа также дают нам предложения по выбору модели, важности предварительной обработки данных и методам оценки возможностей обобщения модели.
Примечание. Каждая точка представляет прогнозируемое значение и фактическое значение использования газа в течение следующих 24 часов в текущий момент времени. Синий цвет — реальное значение, а оранжевый — прогнозируемое значение модели (ось X — время, ось Y — время). расход газа)
(Рисунок 9, диаграмма результатов прогнозирования модели)
Результаты прогнозирования модели LightGBM близко соответствуют фактическим значениям: показатель R² равен 0,829, что демонстрирует высокую точность модели.
Формула расчета R2: 1-sse/sst (sse — остаточная сумма квадратов, sst — общая сумма квадратов)
В современной бизнес-среде, основанной на данных, эффективное управление информационными активами предприятий посредством планирования капитала может значительно повысить общую стоимость предприятия. Стандартизация активов данных, особенно в производственной сфере, может не только повысить эффективность управления и оптимизировать процессы, но и улучшить способность прогнозировать изменения рынка, способствуя тем самым значительному увеличению производственных мощностей. Однако конкретная степень этого улучшения будет зависеть от различных факторов, таких как размер предприятия, характеристики отрасли, конструкция инфраструктуры и существующий уровень управления данными.
В частности, стандартизация активов данных может повысить производительность на 10–30 % за счет автоматизации и прогнозного анализа. Стандартизация процессов управления может привести к увеличению мощности на 5–15 % за счет повышения эффективности принятия решений и управления производительностью. Кроме того, стандартизация процессов может увеличить производственную мощность еще на 10–25 % за счет оптимизации процессов и более эффективного распределения ресурсов. Кроме того, за счет прогнозной стандартизации, сокращения ошибок и повышения эффективности обучения сотрудников ожидается, что производственные мощности вырастут на 5–10%.
Объединение этих мер по стандартизации может не только способствовать оптимизации эффективности производства, но и усилить контроль качества продукции, тем самым давая предприятиям преимущество в условиях жесткой конкуренции на рынке.
Заключение
В будущем искусственный интеллект будет использоваться как кисть для создания грандиозного плана интеллектуального производства. Поскольку технологии продолжают совершать прорывы, искусственный интеллект продемонстрирует свои выдающиеся возможности в области прогнозного обслуживания, контроля качества, оптимизации цепочек поставок и т. д., что приведет отрасль в новую эру, которая будет более эффективной, умной и экологически чистой. Мы с нетерпением ожидаем глубокой интеграции искусственного интеллекта и промышленности, которая принесет революционные изменения в глобальное производство.