사물 인터넷 기술 시장이 $ 2.4 조 매년 2027 년까지 이러한 발전의 범위를 무시하는 것은 불가능합니다. General Motors 및 Autodesk 제품 설계의 문제를 극복하는 데 도움이되는 기계 학습 기반의 제너 레이 티브 설계 알고리즘을 사용하고 있습니다.
사실, AI는 제조의 사용 사례 AI 기반 장비 고장 방지, 스마트 에너지 소비, 공급망 관리 등에서 광범위합니다. 이러한 기술을 적절하게 활용함으로써 제조업체는 경쟁 업체와 차별화되는 창의적인 솔루션을 개발할 수 있습니다.
제조에서 AI 사용 사례
AI 알고리즘은 제조업체가 다양한 IoT 애플리케이션 및 사용 사례. AI가 이러한 애플리케이션에서 성공하려면 운영을 최적화하기 위해 고품질의 고유 한 데이터가 필요합니다. 데이터 품질 매우 중요합니다. 모델, 소프트웨어 및 하드웨어는 지금까지만 사업을 할 수 있습니다. IIoT 장치에서 실행되는 기계 학습 알고리즘은 경쟁력을 갖추기 위해 고품질 데이터 세트가 필요합니다.
임베디드 시스템을위한 인공 지능
Edge AI는 IoT 장치 및 모바일 장치를위한 최신 신경망을 최적화하여 제조 프로세스를 혁신했습니다. 기존 구성에서 라우터를 통해 직접 연결된 IoT 장치는 네트워크 트래픽을 느리게 할 수 있습니다. 이로 인해 백엔드 서버에 대한 원시 데이터 수집이 중단 될 수 있습니다. 이를 완화하기 위해 덜 복잡합니다. 기계 학습 알고리즘 IoT 센서 및 스마트 폰과 같은 임베디드 시스템에서 수행 할 수 있습니다.
지식 증류는 에지 AI 프로세스의 효율성을 개선하는 데 중요합니다. 기계 학습 네트워크는 데이터 세트를 기반으로 강화 학습을 사용합니다. 소규모 ML 네트워크는 대규모 ML 네트워크와 동일한 결과를 생성하도록 훈련됩니다. 지식 증류의 전반적인 목표가 모델 압축이므로 더 작은 ML 네트워크는 에지 장치에서 실행하기가 더 쉽습니다. 즉, 주어진 장치에서 ML 모델의 무게를 최대 2000 %까지 줄일 수있어 상당한 에너지와 하드웨어를 절약 할 수 있습니다.
지식 증류의 예는 사람들이 얼굴을 덮고 있는지 여부를 감지해야하는 비디오 감시 시스템입니다. 마스크를 감지하려면 클라우드에서 가장 잘 실행되는 대규모 신경망이 필요합니다. 그러나 클라우드가 실시간 탐지에 항상 신뢰할 수있는 것은 아닙니다. 더 큰 네트워크의 정보를 더 작은 네트워크로 추출함으로써 동일한 마스크 감지 작업을 소형 모바일 또는 에지 장치에 맞출 수있을만큼 작은 네트워크에서 수행 할 수 있습니다.
예측 유지 관리를위한 기계 학습
산업 제조 공간의 효율성은 특히 유지 보수와 관련하여 항상 개선되고 있습니다. 비용 절감으로 인해 2021 년 경쟁력을 유지하려면 ML로 유지 관리 요구 사항을 예측할 수 있어야합니다. 그러나 ML을 사용하여 예측 유지 관리 시스템을 성공적으로 구현하려면 상당한 조직 변화가 필요합니다.
기계 학습 기반의 예측 유지 관리는 정확성과 신속성을 제공합니다. 생산 시스템의 데이터를 분석하여 오류가 발생하기 전에 최적화 할 수 있습니다.
Schneider Electric은 유전 데이터로 지원되는 ML 기반 예측 유지 보수를 활용합니다. 이를 통해 회사의 데이터 과학자는 이틀 만에 시간을 절약하고 효율성을 최대 20 %까지 높일 수 있습니다. Caterpillar의 해양 선박은 기계 학습 기반 예측 유지 보수 시스템을 구현 한 후 선박 당 연간 $ 400,000 이상을 절약했습니다.
기계 학습을 통한 예측 유지 관리에는 여러 가지 접근 방식이 있습니다.
- 회귀 모델 : RUL (Remaining Useful Life) 예측에 사용됩니다. 히스토리 및 정적 데이터를 사용하면이 방법을 사용하면 실패하기 며칠 전에 예측할 수 있습니다.
- 분류 모델 : 미리 정의 된 일 수 내에 오류를 예측합니다.
- 이상 탐지 모델 : 비정상적인 장치에 플래그를 할당합니다. 정상적인 시스템 동작과 오류 이벤트 간의 차이를 식별하여 오류를 예측합니다.
가장 좋은 방법을 선택하는 것은 고장 가능성과 이상 징후뿐만 아니라 고장 전 남은 시간에 따라 달라집니다.
품질 관리를위한 컴퓨터 비전
육안 검사는 모든 산업 제조 시나리오에서 품질 보증을 유지하는 데 중요합니다. 그러나 인공 지능은 고품질 훈련 데이터를 고려할 때 인간의 눈보다 효율성과 품질을 향상시킬 수 있습니다. AI 기반 품질 관리 이보다 더 많은 상황에서 도움이됩니다. 제조업체는 기계 학습을 사용하여 엄격한 규제 요구 사항을 더 잘 준수하는지 확인할 수 있습니다.
Nokia는 이와 동일한 기술을 활용하고 있습니다. 실시간 비디오 모니터링을 사용하여 컴퓨터 비전을 활용하는 ML 알고리즘은 생산 불일치를 식별 할 수 있습니다. 운영자는 경고를 받으면 이러한 불일치를 즉시 수정할 수 있습니다. BMW는 또한 AI를 사용하여 라인의 부품을 검사하여 품질 편차를 식별합니다. 이를 통해 부품이 항상 주문 데이터와 일치하는지 확인할 수 있습니다.
이 성장 기술의 원천은 심층 신경망 통합의 발전에서 비롯됩니다. 스크래치, 균열, 누출 및 기타 결함과 같은 것을 감지함으로써 운영자는 문제를 즉시 알릴 수 있습니다. 여기에는 이미지 분류, 객체 감지 및 인스턴스 분할 알고리즘과 같은 도구가 사용됩니다.
데이터 과학자는 이러한 모델이 효과적이려면 이러한 모델을 교육해야합니다. 이 기술은 또한 고해상도 카메라와 GPU (그래픽 처리 장치)에 의존합니다. 이러한 요인으로 인해 AI 기반 품질 관리는 기존 머신 비전보다 강력합니다.
제조 분야에서 AI의 미래
제조 시장에서 AI의 역할은 최대 $ 16.7 억 2026 년까지 기계 학습의 역할은 과소 평가 될 수 없습니다. 사실,이 기술의 주요 장벽 중 하나는이를 유지할 수있는 데이터 과학자의 숙련 된 인력이 제한되어 있기 때문에이를 채택하기를 꺼리는 것입니다.
IoT 장치의 확장 네트워크가 점점 더 커지고 있습니다. IoT 보안 위협에 취약. 머신 러닝 기반 침입 탐지 시스템은 향후 공격을 예측하고 이전 공격의 과거 데이터에서 패턴을 분석하고 실시간 IoT 네트워크 데이터에서이를 인식 할 수 있습니다.
자동차 산업은 지난 몇 년간 제조 시나리오에서 AI의 가장 큰 사용자 중 하나 였지만이 기술의 잠재적 사용 사례는 품질을 개선하고 비용을 제어하기 위해 훨씬 더 확장됩니다. 산업 제조업이 2021 년 이후에도 경쟁력을 유지하려면 인공 지능 IoT 네트워크는 필수입니다.
또한 읽기 머신 러닝을 배우는 이유
코인 스마트. 유로파 최고의 비트 코인-보르 스
출처 : https://www.aiiottalk.com/ai-and-industrial-iot-transforming-manufacturing/
