确保人工智能在制造业中的成功
人工智能为制造业的工程师提供了许多新的应用。为了提供全部价值，需要将 ai 模型集成到整个制造过程中，该过程每周 7 天不间断地运行。
为了完全集成，工程师还需要关注人工智能的多个方面。从数据准备开始，然后是建模，然后是模拟和测试，最后是部署，这个四步工作流程允许将 ai 模型成功集成到 24/7 制造流程中。
不仅仅是建模
使用机器学习和深度学习的工程师通常希望将大部分时间用于开发和微调 ai 模型。是的，建模是工作流程中的重要一步，但模型并不是旅程的终点。在实际 ai 实施中取得成功的关键因素是尽早发现任何问题，并了解工作流程的哪些方面需要集中时间和资源以获得最佳结果——这并不总是最明显的步骤。
在深入研究完整的工作流程之前需要考虑两个重要方面：
大多数情况下，人工智能只是更大制造系统的一小部分，它需要在所有场景中与连续运行的生产线的所有其他工作部分一起正常工作。这包括通过工业通信协议（如opc ua）以及机器软件的其他部分（如控制、监控逻辑和 hmi）从设备上的传感器收集的数据。
在这种情况下，工程师已经具备成功整合 ai 的技能。他们拥有有关设备的固有领域知识，并使用用于数据准备和设计模型的工具，即使他们不是人工智能专家，他们也可以开始，从而使他们能够利用现有的专业领域。
人工智能驱动的工作流程
现在，我们可以深入了解 ai 驱动的完整工作流程的四个步骤，并更好地了解每个步骤如何在制造设备上成功实施 ai 方面发挥其关键作用。
第 1 步：数据准备
数据准备可以说是 ai 工作流程中最重要的一步：如果没有可靠且准确的数据作为训练模型的输入，项目更有可能失败。如果工程师给模型提供“糟糕”的数据，他或她将无法获得有洞察力的结果——并且可能会花费大量时间试图找出模型无法正常工作的原因。
要训练模型，您应该从尽可能多的干净、标记数据开始。这也可能是工作流程中最耗时的步骤之一。当深度学习模型不能按预期工作时，许多人通常会关注如何让模型变得更好——调整参数、微调模型以及提供多次训练迭代。但是，工程师最好专注于输入数据：预处理和确保将数据正确标记输入模型，以确保模型可以理解数据。制造业通常遇到的另一个挑战是，那些操作机器的公司可以访问设备的操作数据，而机器制造商则需要数据来训练人工智能模型以部署在设备上。
数据准备重要性的一个例子来自工程机械和设备公司caterpillar，该公司从各种机器中获取大量现场数据。这些过多的数据对于准确的 ai 建模是必要的，但庞大的数据量会使数据清理和标记过程比平时更加耗时。为了简化这一过程，caterpillar 使用自动标记和与matlab的集成来快速开发干净的标记数据以输入机器学习模型，从而从现场机械中提供更有前景的见解。这个过程是可扩展的，让用户可以灵活地使用他们的领域专业知识，而不必成为人工智能专家。
第 2 步：人工智能建模
一旦数据干净并正确标记，就该进入工作流的建模阶段了，该阶段将数据用作输入，模型从该数据中学习。成功建模阶段的目标是创建一个健壮、准确的模型，该模型可以根据输入做出明智的决策。这也是深度学习、机器学习或其组合进入工作流程的地方，因为工程师决定什么是最准确、最可靠的结果。
在这个阶段，无论是在深度学习（神经网络）还是机器学习模型（svm、决策树等）之间做出选择，重要的是能够直接访问用于 ai 工作流的许多算法，例如分类、预测和回归。 您可能还想使用由更广泛的社区开发的各种预构建模型作为起点或进行比较。
使用 matlab 和 simulink 等灵活工具可为工程师提供迭代环境所需的支持。虽然算法和预建模型是一个好的开始，但它们并不是完整的图景。工程师学习如何使用这些算法，并通过使用示例找到解决特定问题的最佳方法，而 matlab 提供了数百个示例，用于跨多个领域构建 ai 模型。
ai 建模是整个工作流程中的一个迭代步骤，工程师必须在整个步骤中跟踪他们对模型所做的更改。使用experiment manager等工具跟踪更改和记录训练迭代至关重要，因为它有助于解释导致最准确模型的参数并创建可重复的结果。
第 3 步：模拟和测试
ai 模型存在于一个更大的系统中，并且必须与系统中的所有其他部分一起工作。在制造业中，人工智能模型可能负责预测性维护、动态轨迹规划或视觉质量检查，而机器软件的其余部分则包括控制、监督逻辑等。在将模型部署到现实世界之前，模拟和准确性测试是验证 ai 模型是否正常工作以及一切与其他系统正常工作的关键。
为了在部署之前建立这种级别的准确性和稳健性，工程师必须确保模型能够以预期的方式响应，无论情况如何。在这个阶段你应该问的问题包括：
模型的整体精度是多少？
模型在每种情况下都按预期执行吗？
它是否涵盖所有边缘情况？
一旦您成功模拟和测试了您希望模型看到的所有案例，并且可以验证模型是否按目标执行，信任就实现了。通过使用simulink之类的仿真工具，工程师可以在部署到设备之前验证模型是否符合所有预期用例的要求，从而避免重新设计成本和时间成本。
第 4 步：部署
一旦您准备好部署，接下来就是目标硬件——换句话说，准备好模型的最终语言，以实现模型。此步骤通常要求设计工程师共享一个可实施的模型，使他们能够将该模型适配到指定的工业控制硬件环境中。
指定的硬件环境可以从嵌入式控制器和 plc 到边缘设备和工业 pc 再到云，而 matlab 可以处理在所有场景中生成最终代码。这些类型的灵活工具将为工程师提供在不同硬件供应商的各种环境中部署模型的余地，而无需重写原始代码。
以将模型直接部署到 plc 为例：自动代码生成消除了可能通过手动编程引入的编码错误，并提供优化的 c/c++ 或 iec 61131 代码，这些代码将在主要供应商的 plc 上高效运行。
图 . 多家控制制造商支持从 matlab 和 simulink 自动生成 plc 代码（iec 61131 或 c/c++）。
一起更强大
工程师不必成为数据科学家甚至 ai 专家就可以在 ai 上取得成功。专为工程师和科学家设计的工具、将 ai 集成到您的工作流程中的功能和应用程序、24/7 全天候运行使用的部署选项以及可以回答与 ai 集成相关的问题的专家是设置工程师及其 ai 模型的关键资源为了成功。最终，当工程师可以专注于他们最擅长的事情并在此基础上利用正确的资源帮助他们将人工智能带入画面时，他们将处于最佳状态。
英特尔策动反攻 Quark处理器掰倒ARM的N个理由
企业物联网的部署应该怎样做
fu 13电子管功率放大器电路图
富士通半导体推出新型1 Mbit 和 2 Mbit FRAM产品
西班牙奥拓正式揭牌开业 拓展海外市场业务版图
确保人工智能在制造业中的成功
一次消谐是一种防止系统谐振过电压烧毁电压互感器
AMD 机器人入门套件开启未来智慧工厂
化工厂气象站用哪种合适?哪个厂家的防爆?
老炮儿告诉你真实的华为工资和华为加班真实情况
浅谈农业虫情监测系统
华为荣耀note10测评:搭载麒麟970人工智能芯片 性能强悍满血性能
基于传感器的扫描技术已经可以很成功的重建室内场景
云计算特征是什么
IR2103在电动自行车中的应用
短距离无线通信的方案与选择
折叠屏手机，会是全面屏后的下一个创新点吗?
KUKA机器人首次投入运行的整个步骤
计算机中的图像（Image）和图形（Graphic）
华为携手浙江电信演示基于5G网络的无人机直播
为了完全集成，工程师还需要关注人工智能的多个方面。从数据准备开始，然后是建模，然后是模拟和测试，最后是部署，这个四步工作流程允许将 ai 模型成功集成到 24/7 制造流程中。
不仅仅是建模
使用机器学习和深度学习的工程师通常希望将大部分时间用于开发和微调 ai 模型。是的，建模是工作流程中的重要一步，但模型并不是旅程的终点。在实际 ai 实施中取得成功的关键因素是尽早发现任何问题，并了解工作流程的哪些方面需要集中时间和资源以获得最佳结果——这并不总是最明显的步骤。
在深入研究完整的工作流程之前需要考虑两个重要方面：
大多数情况下，人工智能只是更大制造系统的一小部分，它需要在所有场景中与连续运行的生产线的所有其他工作部分一起正常工作。这包括通过工业通信协议（如opc ua）以及机器软件的其他部分（如控制、监控逻辑和 hmi）从设备上的传感器收集的数据。
在这种情况下，工程师已经具备成功整合 ai 的技能。他们拥有有关设备的固有领域知识，并使用用于数据准备和设计模型的工具，即使他们不是人工智能专家，他们也可以开始，从而使他们能够利用现有的专业领域。
人工智能驱动的工作流程
现在，我们可以深入了解 ai 驱动的完整工作流程的四个步骤，并更好地了解每个步骤如何在制造设备上成功实施 ai 方面发挥其关键作用。
第 1 步：数据准备
数据准备可以说是 ai 工作流程中最重要的一步：如果没有可靠且准确的数据作为训练模型的输入，项目更有可能失败。如果工程师给模型提供“糟糕”的数据，他或她将无法获得有洞察力的结果——并且可能会花费大量时间试图找出模型无法正常工作的原因。
要训练模型，您应该从尽可能多的干净、标记数据开始。这也可能是工作流程中最耗时的步骤之一。当深度学习模型不能按预期工作时，许多人通常会关注如何让模型变得更好——调整参数、微调模型以及提供多次训练迭代。但是，工程师最好专注于输入数据：预处理和确保将数据正确标记输入模型，以确保模型可以理解数据。制造业通常遇到的另一个挑战是，那些操作机器的公司可以访问设备的操作数据，而机器制造商则需要数据来训练人工智能模型以部署在设备上。
数据准备重要性的一个例子来自工程机械和设备公司caterpillar，该公司从各种机器中获取大量现场数据。这些过多的数据对于准确的 ai 建模是必要的，但庞大的数据量会使数据清理和标记过程比平时更加耗时。为了简化这一过程，caterpillar 使用自动标记和与matlab的集成来快速开发干净的标记数据以输入机器学习模型，从而从现场机械中提供更有前景的见解。这个过程是可扩展的，让用户可以灵活地使用他们的领域专业知识，而不必成为人工智能专家。
第 2 步：人工智能建模
一旦数据干净并正确标记，就该进入工作流的建模阶段了，该阶段将数据用作输入，模型从该数据中学习。成功建模阶段的目标是创建一个健壮、准确的模型，该模型可以根据输入做出明智的决策。这也是深度学习、机器学习或其组合进入工作流程的地方，因为工程师决定什么是最准确、最可靠的结果。
在这个阶段，无论是在深度学习（神经网络）还是机器学习模型（svm、决策树等）之间做出选择，重要的是能够直接访问用于 ai 工作流的许多算法，例如分类、预测和回归。 您可能还想使用由更广泛的社区开发的各种预构建模型作为起点或进行比较。
使用 matlab 和 simulink 等灵活工具可为工程师提供迭代环境所需的支持。虽然算法和预建模型是一个好的开始，但它们并不是完整的图景。工程师学习如何使用这些算法，并通过使用示例找到解决特定问题的最佳方法，而 matlab 提供了数百个示例，用于跨多个领域构建 ai 模型。
ai 建模是整个工作流程中的一个迭代步骤，工程师必须在整个步骤中跟踪他们对模型所做的更改。使用experiment manager等工具跟踪更改和记录训练迭代至关重要，因为它有助于解释导致最准确模型的参数并创建可重复的结果。
第 3 步：模拟和测试
ai 模型存在于一个更大的系统中，并且必须与系统中的所有其他部分一起工作。在制造业中，人工智能模型可能负责预测性维护、动态轨迹规划或视觉质量检查，而机器软件的其余部分则包括控制、监督逻辑等。在将模型部署到现实世界之前，模拟和准确性测试是验证 ai 模型是否正常工作以及一切与其他系统正常工作的关键。
为了在部署之前建立这种级别的准确性和稳健性，工程师必须确保模型能够以预期的方式响应，无论情况如何。在这个阶段你应该问的问题包括：
模型的整体精度是多少？
模型在每种情况下都按预期执行吗？
它是否涵盖所有边缘情况？
一旦您成功模拟和测试了您希望模型看到的所有案例，并且可以验证模型是否按目标执行，信任就实现了。通过使用simulink之类的仿真工具，工程师可以在部署到设备之前验证模型是否符合所有预期用例的要求，从而避免重新设计成本和时间成本。
第 4 步：部署
一旦您准备好部署，接下来就是目标硬件——换句话说，准备好模型的最终语言，以实现模型。此步骤通常要求设计工程师共享一个可实施的模型，使他们能够将该模型适配到指定的工业控制硬件环境中。
指定的硬件环境可以从嵌入式控制器和 plc 到边缘设备和工业 pc 再到云，而 matlab 可以处理在所有场景中生成最终代码。这些类型的灵活工具将为工程师提供在不同硬件供应商的各种环境中部署模型的余地，而无需重写原始代码。
以将模型直接部署到 plc 为例：自动代码生成消除了可能通过手动编程引入的编码错误，并提供优化的 c/c++ 或 iec 61131 代码，这些代码将在主要供应商的 plc 上高效运行。
图 . 多家控制制造商支持从 matlab 和 simulink 自动生成 plc 代码（iec 61131 或 c/c++）。
一起更强大
工程师不必成为数据科学家甚至 ai 专家就可以在 ai 上取得成功。专为工程师和科学家设计的工具、将 ai 集成到您的工作流程中的功能和应用程序、24/7 全天候运行使用的部署选项以及可以回答与 ai 集成相关的问题的专家是设置工程师及其 ai 模型的关键资源为了成功。最终，当工程师可以专注于他们最擅长的事情并在此基础上利用正确的资源帮助他们将人工智能带入画面时，他们将处于最佳状态。
英特尔策动反攻 Quark处理器掰倒ARM的N个理由
企业物联网的部署应该怎样做
fu 13电子管功率放大器电路图
富士通半导体推出新型1 Mbit 和 2 Mbit FRAM产品
西班牙奥拓正式揭牌开业 拓展海外市场业务版图
确保人工智能在制造业中的成功
一次消谐是一种防止系统谐振过电压烧毁电压互感器
AMD 机器人入门套件开启未来智慧工厂
化工厂气象站用哪种合适?哪个厂家的防爆?
老炮儿告诉你真实的华为工资和华为加班真实情况
浅谈农业虫情监测系统
华为荣耀note10测评:搭载麒麟970人工智能芯片 性能强悍满血性能
基于传感器的扫描技术已经可以很成功的重建室内场景
云计算特征是什么
IR2103在电动自行车中的应用
短距离无线通信的方案与选择
折叠屏手机，会是全面屏后的下一个创新点吗?
KUKA机器人首次投入运行的整个步骤
计算机中的图像（Image）和图形（Graphic）
华为携手浙江电信演示基于5G网络的无人机直播