新智元编译
文／Louis Columbus）每家制造商都可以把机器学习整合到其运营中，通过获得对产品的预测性洞察而让自己变得更有竞争力。
机器学习的核心技术能很好地解决制造商每日遭遇的那些复杂问题。从努力保持供应链有效运营到按时生产定制化的、按订单制造的产品，机器学习算法能够为每个生产阶段都带来更高的预测准确度。被研发出的许多算法是迭代性的，它们可以连续学习，并找出最优结果。这些算法以毫秒的速度迭代，使得制造商能够在几分钟时间里找到最优结果，而非像从前那样需要耗时数月。
机器学习革新制造业的 10 种方式如下——
1. 生产力提高20%，原材料消耗率降低4%
智能制造系统利用预测性数据分析方法和机器学习，提高机器、生产单元和工厂层面的生产率，将生产能力提高 20%，同时将原材料消耗率降低 4%。下面的图表来自通用电气，并被美国国家标准技术研究所引用，它总结了在制造业中使用预测性分析和机器学习能获得的好处。
【点击看大图】报告1_Foucs Group：智能制造系统大数据分析（附下载）
2. 优化流程
提供关联度更高的数据，这样财务、运营和供应链团队就能够更好地管理工厂和需求侧约束条件（demand-side constraints）。在许多制造业公司中，IT 系统尚未整合起来，这样各个跨功能的团队就很难一起实现共同目标。机器学习有望将全新水平的洞察和智能引入这些团队，使他们能够完成优化产品流程、目录、在途工作量（Work In Process）和价值链决策等方面的目标。
【点击看大图】报告2_通用电气全球调查2015年投资公司工业大会（附下载）
3. 提升预防性养护及MRO
提高预防性维护以及维护-修理-大修（MRO）绩效，在零件和部件层面都带来更高的预测准确度。从亚马逊、谷歌和微软的报告中可见，将机器学习数据库、App和算法都整合到云平台这种做法正变得越来越普遍。
下图揭示了机器学习如何整合入微软 Azure 平台。微软使 Krones 公司能够通过在微软 Azure 上实现制造操作若干方面的自动化来完成其工业 4.0 目标。
【点击查看大图】报告3_微软：制造业在物联网中的转型（附下载）
4. 提高整体设备使用率到85%
实现条件监控过程，使制造商能在工厂层面管理整体设备效率（Overall Equipment Effectiveness，OEE），将整体设备效率从 65% 提高到 85%。
一家汽车设备原产商与塔塔咨询合作以提高其生产过程，当时其生产线的整体设备效率只有 65%，停工时间比例占 17-20%。该企业连续 12个月每 15 秒钟都从设备中收集和整合关于 15 个操作参数的传感器数据。该解决方案的要素如下图。
【点击查看大图】报告4_麦肯锡：使用机器学习分析制造业大数据（附下载）
同样，在上面这份麦肯锡的调查中，
76%的企业表示预计使用机器学习实现更高的销售目标
至少40%的企业已经使用机器学习提升销售和市场营销业绩
38%的企业认为机器学习对提升销售额有用
多家欧洲银行新品销售额提升10%，同时客户流失率降低20%
报告4_麦肯锡：使用机器学习分析制造业大数据（附下载）
5. 商务云将带来巨大收入
机器学习正在革新关系智能（relationship intelligence），而 Salesforce 正在迅速成为这方面的领导者。Salesforce所做的一系列收购使它成为机器学习和人工智能方面的全球领袖。
下表来自 Cowen and Company 研究笔记 《Salesforce: Initiating At Outperform; Growth Engine Is Well Greased》，总结了Salesforce 的一系列机器学习和人工智能收购，还分析了它的新产品发布和预期年收入贡献。
Akex Konrad 在文章《Salesforce Will Acquire Demandware For $2.8 Billion In Move Into Digital Commerce》中分析了 Salesforce 最近对电子商务提供商 Demandware 高达 28 亿美元的收购。Cowen&Company 预测，商务云在 2018财年将为 Salesforxce 贡献 3.25 亿的收入，其中 Demandware 的销售将为此作出重要贡献。
6. 量化具体流程对成品影响
机器学习算法将确定哪些因素在全公司范围内最大和最小程度地影响了质量，从而革新产品和服务的质量。制造商往往在如何让产品和服务质量成为公司工作流的核心组成部分遭遇困难。机器学习能通过确定哪些内部过程、流程和因素对达成质量目标的贡献最大或最小，革新产品和服务质量。
使用机器学习，制造商将能够获得更大的智能，能够在定义、测量、分析、提高、控制（DMAIC）的框架中，预测他们的质量和采购决策，对于实现更大的六西格玛绩效（Six Sigma performance）有多大贡献。
使用普通统计模型（单条褐色曲线）和机器学习分析（颜色越深风险越大）得出的结果差距很大。来源：麦肯锡报告_An Executives' Guide to Machine Learning（点击“阅读原文”可查看）
7. 优化机器、员工和供应商业选择
通过优化团队、机器、供应商和客户需求提高产量。目前机器学习在航空航天与国防、离散制造和高科技制造等领域都为车间生产带来了变化。制造业正在转向更复杂、更定制化的产品，更充分地利用生产力，而机器学习能帮助优化对机器、受训员工和供应商的选择。
报告5_GE Predix：工业互联网平台（附下载）
8. 制造业将成为服务业
“作为服务的制造业”将成为现实，因为机器学习使得人们在生产领域也能采用订阅模式（subscription models）。生产过程能够支持快速、高度定制化产品生产的制造商将处于有利地位，能够发起基于服务订阅费的业务，并向全球扩展。制造成本飞速增长的快速消费品、电子产品提供商和零售商有望使用订阅制造服务，而让自己更多地投入到品牌、市场和销售业务中。
报告6_IDC调查报告：设计和制造未来工厂（附下载）
9. 超过70%供应商会根据交款时间选择客户
机器学习十分适合优化供应链和创造更宏大的规模经济。对许多综合设施制造商而言，70% 以上的产品原料供应商都会权衡先完成谁的订单。通过使用机器学习，购买者和供应商将能更有效地协作，减少无存货情况，提高预测准确度，更好地满足客户的时间要求。
10. 利润和成交额最大化
机器学习能够知晓对特定客户在什么时间收取何种价格，以获得最大的利润和成交额。机器学习将扩展目前的企业级定价优化应用所提供的那些服务。最大的一个变化将是，如何根据建议策略优化定价来达成交易，从而加快销售周期。
原文标题：10 ways machine learning is revolutionizing manufacturing
利用机器学习提升制造业良品率
云星数据
摘要：云星数据分享，如何基于海量工业数据，利用大数据分析、机器学习技术帮助某知名制造企业提升生产制造良品率。
新一代的云计算/大数据技术正在给传统工业发展方式带来颠覆性、革命性的影响。传感器、工控系统、物联网等技术的广泛应用，推动工业企业实现生产流程各环节的互联互通，促进互联网与工业融合发展。
随着信息化与工业化的深度融合，工业制造企业已经积累和拥有了日益丰富的工业数据。工业大数据呈现出大体量、多源性、连续采样、价值密度低、动态性强等特点。
我们理解大数据分析在工业制造行业主要有两个应用领域：
1.利用大数据进行建模仿真：传统生产企业在测试、验证环节需要生产出实物来评测其性能等指标，成本随测试次数增加而不断提升。利用虚拟仿真技术，可以实现对原有研发设计环节过程的模拟、分析、评估、验证和优化，从而减少工程更改量，优化生产工艺，降低成本和能耗。
2.利用大数据提升良品率：实际工作中，对失效/残次品的个案分析往往无疾而终，有价值的信息淹没在量测误差、实验噪声或者不科学的实验设计里。而通过对于大量数据的分析，噪声信息会消失，差异点会叠加放大。生产的过程数据越多，分析就越细致，在信息充足的情况下，工程师甚至可以将异常定位到机台的某个机构，从而实验设计也能合理化，目的化，极大地加速良率提升的脚步。
但在具体大数据应用领域上，工业企业普遍面临：
不知道如何把大数据和企业自身业务结合起来；
大数据人才匮乏；
数据采集和治理不完善，未形成闭环；
工业领域有其独特的领域知识，需要行业知识结合数据分析等困难和挑战。
最近云星数据与国内某知名LCD生产企业在利用大数据提升良品率领域开展合作，利用大数据分析和机器学习来研究关键因子，提升生产制造的良品率。具体包括：对生产线上数以万计的传感器进行工业数据(温度、压力、振动和噪声等)采集和存储，通过建模分析识别出生产流程作业过程中的关键缺陷因子指标；建立告警预警系统实现传感器数据流指标的实时监控，一旦偏离关键因子设定的阈值，就会触发报警信号，快速地发现错误或者瓶颈所在。通过关键因子与产品合格数据之间的联动，跟踪识别关键因子的变化趋势，从而优化提高产品良品率，达到提升生产效率、降低成本的目标。
那么云星数据采用何种数据分析逻辑来实现缺陷因子的识别？又是如何通过技术手段落地实现这样的工业数据分析处理的呢？数据存储和数据分析两大核心平台又分别提供那些核心功能呢？
首先，项目组专家成员通过业务分析，样本数据收集、建模仿真等手段识别出了如下的缺陷因子分析逻辑：
不同缺陷在时间上的聚集性
不同缺陷在不同因素上的分布倾向
过程异常与缺陷的相关性
不同缺陷在不同成分含量上的分布倾向
此后，算法专家将分析逻辑映射为数据算法(逻辑回归、聚类、关联分析等)实现在分析平台上对基础平台中存储的数据集进行分布式计算处理，获得输出结果(关键因子集、因子阈值参数等)。
总体逻辑架构
大数据基础平台：重用现有的工具和基础架构，实现全自动的数据收集、整理、转换和存储。充分利用 Hadoop/Spark 集群提供海量数据存储能力。
大数据基础平台
大数据分析平台：充分基础平台上存储的数据，在数据建模、模型训练上采用深度学习(Deep Learning)模式。通过数据逻辑层上针对工业制造细分领域的生产流程，提供监督学习、和非监督学习两种模式的模型训练机制的支持，可以进行如数据清洗、数据仓库、特征工程等应用。
云星大数据分析平台
云星数据致力于帮助企业在工业生产过程中管理和应用大数据。首先是利用云平台、物联网等技术实时监测工业生产中的一系列设备，通过从设备中监控到的数据，再结合生产过程中的环境因素、产品质量、过程控制等数据，给出数据驱动的生产优化解决方案，实现提高精准制造、高端制造、敏捷制造的能力，加速智能车间、智能工厂等现代化生产体系建立，实现智能生产。
人工智能赛博物理操作系统
AI-CPS OS
“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能）分支用来的今天，企业领导者必须了解如何将“技术”全面渗入整个公司、产品等“商业”场景中，利用AI-CPS OS形成数字化+智能化力量，实现行业的重新布局、企业的重新构建和自我的焕然新生。
AI-CPS OS的真正价值并不来自构成技术或功能，而是要以一种传递独特竞争优势的方式将自动化+信息化、智造+产品+服务和数据+分析一体化，这种整合方式能够释放新的业务和运营模式。如果不能实现跨功能的更大规模融合，没有颠覆现状的意愿，这些将不可能实现。
领导者无法依靠某种单一战略方法来应对多维度的数字化变革。面对新一代技术+商业操作系统AI-CPS OS颠覆性的数字化+智能化力量，领导者必须在行业、企业与个人这三个层面都保持领先地位：
重新行业布局：你的世界观要怎样改变才算足够？你必须对行业典范进行怎样的反思？
重新构建企业：你的企业需要做出什么样的变化？你准备如何重新定义你的公司？
重新打造自己：你需要成为怎样的人？要重塑自己并在数字化+智能化时代保有领先地位，你必须如何去做？
AI-CPS OS是数字化智能化创新平台，设计思路是将大数据、物联网、区块链和人工智能等无缝整合在云端，可以帮助企业将创新成果融入自身业务体系，实现各个前沿技术在云端的优势协同。AI-CPS OS形成的数字化+智能化力量与行业、企业及个人三个层面的交叉，形成了领导力模式，使数字化融入到领导者所在企业与领导方式的核心位置：
精细：这种力量能够使人在更加真实、细致的层面观察与感知现实世界和数字化世界正在发生的一切，进而理解和更加精细地进行产品个性化控制、微观业务场景事件和结果控制。
智能：模型随着时间（数据）的变化而变化，整个系统就具备了智能（自学习）的能力。
高效：企业需要建立实时或者准实时的数据采集传输、模型预测和响应决策能力，这样智能就从批量性、阶段性的行为变成一个可以实时触达的行为。
不确定性：数字化变更颠覆和改变了领导者曾经仰仗的思维方式、结构和实践经验，其结果就是形成了复合不确定性这种颠覆性力量。主要的不确定性蕴含于三个领域：技术、文化、制度。
边界模糊：数字世界与现实世界的不断融合成CPS不仅让人们所知行业的核心产品、经济学定理和可能性都产生了变化，还模糊了不同行业间的界限。这种效应正在向生态系统、企业、客户、产品快速蔓延。
AI-CPS OS形成的数字化+智能化力量通过三个方式激发经济增长：
创造虚拟劳动力，承担需要适应性和敏捷性的复杂任务，即“智能自动化”，以区别于传统的自动化解决方案；
对现有劳动力和实物资产进行有利的补充和提升，提高资本效率；
人工智能的普及，将推动多行业的相关创新，开辟崭新的经济增长空间。
给决策制定者和商业领袖的建议：
超越自动化，开启新创新模式：利用具有自主学习和自我控制能力的动态机器智能，为企业创造新商机；
迎接新一代信息技术，迎接人工智能：无缝整合人类智慧与机器智能，重新
评估未来的知识和技能类型；
制定道德规范：切实为人工智能生态系统制定道德准则，并在智能机器的开
发过程中确定更加明晰的标准和最佳实践；
重视再分配效应：对人工智能可能带来的冲击做好准备，制定战略帮助面临
较高失业风险的人群；
开发数字化+智能化企业所需新能力：员工团队需要积极掌握判断、沟通及想象力和创造力等人类所特有的重要能力。对于中国企业来说，创造兼具包容性和多样性的文化也非常重要。
子曰：“君子和而不同，小人同而不和。” 《论语·子路》云计算、大数据、物联网、区块链和 人工智能，像君子一般融合，一起体现科技就是生产力。
如果说上一次哥伦布地理大发现，拓展的是人类的物理空间。那么这一次地理大发现，拓展的就是人们的数字空间。在数学空间，建立新的商业文明，从而发现新的创富模式，为人类社会带来新的财富空间。云计算，大数据、物联网和区块链，是进入这个数字空间的船，而人工智能就是那船上的帆，哥伦布之帆！
新一代技术+商业的人工智能赛博物理操作系统AI-CPS OS作为新一轮产业变革的核心驱动力，将进一步释放历次科技革命和产业变革积蓄的巨大能量，并创造新的强大引擎。重构生产、分配、交换、消费等经济活动各环节，形成从宏观到微观各领域的智能化新需求，催生新技术、新产品、新产业、新业态、新模式。引发经济结构重大变革，深刻改变人类生产生活方式和思维模式，实现社会生产力的整体跃升。
产业智能官 AI-CPS
用“人工智能赛博物理操作系统”（新一代技术+商业操作系统“AI-CPS OS”：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。
长按上方二维码关注微信公众号： AI-CPS，更多信息回复：
新技术：“云计算”、“大数据”、“物联网”、“区块链”、“人工智能”；新产业：“智能制造”、“智能农业”、“智能金融”、“智能零售”、“智能城市”、“智能驾驶”；新模式：“财富空间”、“数据科学家”、“赛博物理”、“供应链金融”。
官方网站：AI-CPS.NET
本文系“产业智能官”（公众号ID：AI-CPS）收集整理，转载请注明出处！
版权声明：由产业智能官（公众号ID：AI-CPS）推荐的文章，除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，与您共同协商解决。联系、投稿邮箱：erp_vip@hotmail.com
52
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
