2018年机器学习技术改变制造业的十种方式

【腾讯科技编者按】机器学习算法、应用和平台正在帮助制造商寻找新的商业模式，调整产品质量、优化车间生产效率。

对制造商们来说最关心的就是找到一种新方法，在保证产品质量的前提下更快适应客户因为更换模具带来新的生产任务。新的商业模式往往会使用新的生产线，需要提高产品规模化生产的效率。今天制造商们开始转向机器学习技术来提高端对端业务的性能，优化绩效。

在2018年，机器学习技术会通过以下十个方面彻底改变制造业:

通过机器学习技术，半导体制造商可提高30%产量，降低废品率，优化芯片生产

在半导体制造过程中提高30%的产量，是基于机器学习根源分析和人工智能优化降低测试成本得出的结论，是机器学习改善半导体制造领域的三大优势之一。麦肯锡调查报告显示，对工业设备进行人工强化可以每年降低10%的维护成本，减少20%的停机时间，同时节约25%的检查费用。

资产管理、供应链管理和库存管理是人工智能、机器学习和物联网应用最热门的领域

世界经济论坛和科尔尼机构最近通过研究发现，制造商正在评估如何将物联网、人工智能和机器学习等新兴技术结合起来，提高资产追踪的准确性、供应链的可见性以及库存优化。

未来5年制造商通过机器学习和分析提高38%的设备预测维护能力

根据来自普华永道的数据显示，MI驱动过程和质量优化可以有35%的提升，可视化和自动化提升34%。未来5年，分析、API和大数据的整合使工厂联网率增加到31%。

机器学习可减少50%供应链预测误差，减少65%销售损失

供应链是所有制造企业的生命线，机器学习可以减少运输、仓储、供应管理的相关成本，分别达到5%、10%和25%-40%。由于机器学习技术的存在，总库存可以减少20%到50%。

机器学习可以提高需求预测的准确度，降低能源成本和价格差异，同时也能准确反映价格的弹性和敏感性

霍尼韦尔已经将人工智能和机器学习算法整合到了采购、战略供货和成本管理中。

使用机器学习自动进行库存优化，可以提高16%的服务水平，增加25%的库存能力

人工智能和机器学习约束的算法和建模能够在所有分布的位置上进行规模库存优化，并且参考影响需求和客户交付能力的外部独立变量优化。

机器学习整合实时监控，可以优化车间操作，实时了解机器负载和生产进度查询

在实时了解每台机器的负载水平如何影响总体生产进度情况下，可以更好的管理每台机器的生产运行状况。在特定的生产任务中，使用机器学习算法，优化最高效率的机器集群。

提高多个生产场景的生产效率和准确性，降低多场景50%的成本

使用实时监控技术来准确的数据集，捕捉价格、库存消耗速度和相关变量，从而让机器学习应用程序可以在多个制造场景中确定准确成本。

通过机器学习的精准预测和测试结果，节约35%测试和校准时间

通过使用一系列机器学习模型，可以随着时间的推移预测结果，简化工作流程，节约测试和校准时间。

机器学习和整体设备性能结合，可以提高产量、提高维护的准确性，加大工作负载能力

OEE是一种广泛的制造业指标，通过结合可用性、性能和质量定义生产效率。结合其他指标，可以发现影响生产能力不同原因的不同重要性。将OEE和其它数据集成到机器学习模型中，已经成为了当今制造业智能分析领域增长最快的方法之一。（编译/音希）