制造企业如何借助机器学习提升生产效率

人工智能和机器学习正在全面碘伏制造业——从自动优化零件设计的生成设计软件，到能提前预判故障的预测性维护系统。这些新技术对制造企业意味着什么？一句话：大幅度降低成本，同时提升质量与生产力。

最近，SME Org 发表了一篇文章，作者 Ed Sinkora 深入调研了全球顶尖先进制造提供商在机械加工领域推进机器学习的思路与突破。理论上，只要数据足够、算法靠谱，AI 就能评估机器状态、调整程序来优化吞吐量或质量，甚至做更多事情。但制造商必须谨慎选择“AI 之战”，而这场仗的弹药，很大程度上来自机床和控制厂商提供的信息。

1. 零件设计新魔法

创成式设计是智能设计的典型代表——它通过算法自动生成满足设计目标和约束条件的零件几何形状。Oqton 企业首席技术官 Kirill Volchek 解释道：“工程意图确定了零件需要承受的特定载荷情况，还可以定义拟容纳零件的空间。然后算法根据载荷情况设计出功能最优的零件。”

据 Volchek 介绍，算法还能快速探索可选方案，比如最小化材料用量，或优化某些区域的载荷。这超越了简单复制人工设计——因为 AI 可以考虑像 3D 打印金属零件那样的材料微结构。这种更广泛的“智能”带来了更令人激动的可能性。Volchek 将其描述为一个迭代的、寻求目标的过程，但仍然是基于物理学的。

另一方面，随着计算机做出超越物理的设计决策，机器学习技术正在逐步脱颖而出。例如，通过训练，计算机在创成式“设计”中能够考虑更多特定制造领域的条件。“使用增材制造工艺的零件设计生成结果，应该与那些计划使用铸造或数控加工的零件不同。”Volchek 补充道。

不妨大胆设想一下：增材制造的创成式设计机器学习，应当能考虑以下关键因素：

• 增材制造与传统方法具有不同的能力——比如可以产生高度复杂的几何结构，算法可以借此设计新形状。
• 增材制造有不同的设计规则和约束——某些方向需要支撑结构，悬空部分需要限制等，算法需考虑这些独特因素。
• 增材制造能得到不同的材料性能和微观结构——生成设计软件应该针对所用工艺优化几何形状。
• 增材制造提供更大的设计自由度和定制化——算法可以探索更广阔的设计空间，生成针对特定应用需求的设计。
• 为了提高效率，几何形状应优化以减少成形时间、材料用量——算法可以将所有这些都纳入考量。

更广泛的“智能”提升空间，无疑为制造业带来了更多崭新可能性。 AI 可以自动识别和分类独特的牙科植入物，然后创建 3D 打印程序（包括支撑结构），同时将数十个零件嵌套在构建托盘上以最大化吞吐量。Oqton 的创成式设计软件采用增材制造技术和 FEA 模拟的先进设计，创造了这款碳捕获制冷机。

2. 无人值守的黑灯工厂

AI 也正在实现制造过程的“无人值守”自动化，帮助制造业应对人力资源紧缺的挑战——就像自动驾驶汽车使个人出行自动化一样。“假设有一个制造部门，每天需要生产数千个独特的零件，”Volchek 指出，“数量太多了，不可能请工程师参与每个零件的制造工艺。”这是一些客户每天都会遇到的挑战。

Oqton 成立于五年前，通过使用大量数据训练机器学习算法，这些算法可以将某些制造领域转变为完全自动“驾驶”的生产产线。以数字化齿科种植体、义齿的 3D 打印生产为例，每位患者的种植体虽然大致相似，但都是独一无二的，无法用传统批量生产方式管理，必须采用小量多批、定制化生产的柔性思路。

Oqton 的人工智能技术能够分析生产订单需求中的三维几何形状，对零件进行智能分类，并根据形状特征计算最优的打印工艺方案——比如 3D 打印中的支撑结构添加（支撑越少，物料和后处理成本越低）、零件排版打印（产量越多，时间、物料和人力成本越低）。密歇根州伯明翰 Motor City Lab Works 的所有者兼正畸医生约翰·杜马斯评价道：“棒极了。我们的设计师把零件设计模型拖到一个文件夹里，Oqton 软件就自动完成了所有的工艺编程，然后我们就可以直接到 3D 打印机上生产了。”

正如 Volchek 介绍，Oqton 的 Manufacturing OS 不仅能让工艺编程的成功率接近 100%，还能与企业 ERP 系统连接、智能排程排产、将加工程序发送到指定设备准备加工。义齿和正畸 3D 打印是自动化生产的最佳示例之一，其他巨头也看到了其中的可能性——2022 年，Oqton 与总部位于休斯敦的贝克休斯（Baker Hughes）签订了合作协议，以实现石油和天然气零件 3D 打印的自动化。

但 Volchek 也指出，3D 打印仅占所有制造业的 0.1% 左右。机器学习对剩下的 99.9% 传统加工技术，有什么影响呢？

海德汉（Heidenhain）的集成过程监控可了解生产优质零件的整个切割过程中每个轴所经历的速度、进给和扭矩，然后跟踪并显示任何偏差，以便随后进行分析和调整。（海德汉提供）

3. 减材加工的工艺优化

增材制造工艺使用三维模型进行生产，能够为机器学习算法提供足量学习样本。传统减材加工很大部分使用绘制的 2D 工程图，在学习样本收集上面临更大挑战。另一方面，海德汉等传统机加工企业倾向于将数据储存在企业内部的服务器，发那科也采用类似的内部监控软件方法。机器学习很难收集到足量的减材加工学习样本。虽然要实现 AI 完全实现无人监管生产可能还需要更多的数据共享，但仍可以在减材加工数据上做很多工作。

海德汉在 IMTS 2022 上和 TNC7 控制器一同发布了集成过程监控软件（IPC），能够采集每个轴在整个切割过程中所经历的速度、进给和扭矩，然后跟踪并显示任何偏差以进行分析和调整。首先需要进行“标定”试验，使用 CMM 检测通过后，即可为加工运动建立公差接受体系——例如，X、Y 和 Z 运动的速度和进给可能保持在理想值的 ±5% 范围内，而主轴扭矩的变化不能超过 20%。

IPC 跟踪所有后续零件上的每个加工运动，并以 3D 方式图形化显示生成的零件，对每个表面着色以突出显示任何变化。如果每个表面都是绿色的，则可以确定零件生产符合公差标准，无需再次使用探头或相机进行测量（假设设置了合理的公差）。任何显示为黄色的表面表示某些内容已发生变化，应进行调查。红色表示存在重大偏差，表明该部件可能不可接受。整个过程被实时绘制并记录，因此用户可以看到每个机器运动在公差带内的保持情况。如果每个频段太紧或太松，操作员可以进行调整。而如果颜色编码表明需要进行质量检查，操作员可以专注于红色和黄色区域，这可以减少 80% 的检查时间。

4. 预测性维护提升 OEE

预测性维护是机器学习彻底改变的一个领域。通过分析大量难以觉察的相关数据，AI 可以提前数月发现树脂质量问题或故障热交换器等隐藏问题。这使得制造商可以主动防患于未然，减少停机。内饰件制造商 CpK 使用 AI 找到其最大的停机原因后，将换型时间缩短了 50%，全面设备效率提升了 10%。生产经理 Chris Murray 解释道：“我们提供了 20 种不同的数据，例如电机安培数、电机速度、水温和水流量。通过使用这些数据，我们可以集中精力进行持续改进项目，我们的停机时间很大一部分是设置、转换和停机。我们能够将转换时间缩短约 50%。”

发那科（Fanuc）的 AI 伺服监控则仅使用电机转速和扭矩数据，就可以通过快速傅立叶变换算法预测机械故障。“在获得足够的数据来确定正常情况后，它会为每个轴建立我们所说的‘异常分数’，”机床数据收集和连接项目经理 Robert Taylor 解释道，“每天它都会收集更多数据并提供另一组数字分数，并将它们与第一组模型进行比较。”

5. 重点不在 AI，而在明智的投资选择

相比投资尖端 AI 或机器学习技术，明智的制造商更应充分利用现有控制系统中的监控功能。海德汉的状态监控可以连接传感器数据，如冷却液位和扭矩。发那科的 MT-LINKi 可以在全工厂显示机器状态，更好地管理生产力。从有针对性的应用入手可以发挥最大效益。

总之，AI 和机器学习正在从设计到维护、质量控制等方面改变制造业。但企业必须仔细评估这些技术哪些地方可以带来最大效益，而不是直接追求尖端的 AI 技术。利用扩展的智能获得有针对性的收益——这才是使用 AI 的正确打开方式。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：制造企业如何借助机器学习提升生产效率要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题