尽管预测性维护、人工智能、数字孪生和增强现实等流行语承诺将实现制造业传说中的数字化转型，但在工业4.0方面，大多数实际应用都还是停留在机器连接和数据收集阶段。视乎制造业人工智能还有很长的路要走。

就目前而言，大多数制造商仍然无法实时看到车间发生的事情，因为他们的机器没有连接到数据收集或数据可视化系统。这种无法查看和使用数据来推动持续改进的情况导致了巨大的效率低下，影响到公司从车间到最高管理层的运营和决策效率。

机器监控

针对制造行业而言，人工智能的首要应用是进行机器监控，但制造行业在这方面也正在应对一些挑战。总的来说，面对陈旧和根深蒂固的文化传统，制造业正在与有效的现代化技术进行斗争。通常来讲，制造行业的衡量标准是有形的最终产品，因此只要最终产品看起来很好，而且很畅销，没有客户投诉，我们有时就不想为剩下的过程操心。这就很难推动变革的原因。

特别对于机器监控，会变得更加困难。制造商可能会犹豫是否让他们的数据离开车间，所以大多数机器监控公司都会做一个前提性的数据隔离。这种方法会导致数据的孤立，这将使得很难收集到足够多的数据，并且跨足够多的领域来训练人工智能模型。试想一下，如果Netflix试图构建一个推荐引擎，但只有一个家庭的数据，那么推荐的准确性将趋近于零。

对于人工智能的模型，在过去的几年里，有一些一次性的、单用途的模型，它们在各自的领域或公司之外没有太大帮助。另一种选择是纯云解决方案（而不是内部部署的解决方案），它将离散制造空间中制造过程的代表性样本集合在一起。这种方法有助于开发更通用的人工智能算法，用于检测多种不同类型的进程和机器上的故障。

即使在解决了孤立数据的问题之后，仍然存在许多悬而未决的技术和文化问题。例如，数据可能非常混乱，数据特征标签也不充分；员工可能会抵制任何在车间实施人工智能的做法，没有人愿意在24小时被监控的环境下工作。而且他们也对人工智能目前的能力和局限性普遍缺乏了解。制造业正在慢慢解决这些问题，所以人工智能的应用只会越来越广泛。

人工智能用于机器监控的最终目标不是取代人类，而是用额外的、由计算机引导的功能来补充人类的专业知识，使车间的运行更加顺畅。

评估选项

目前人工智能针对制造业的解决方案主要包含两个类型。这两种类型分别为专门针对小型制造商的低成本解决方案，以及需要为不同制造商定制的大型企业级应用程序，如IBM等巨头销售的应用程序。

在低成本方案中，相关的功能可以快速实现，但功能极其有限，例如仅在机器启动或不启动时显示，以及机器已使用的时间百分比。通常，它们被称为轻量级解决方案，可以解决一个非常具体的问题，例如跟踪部分或监视正常运行时间，但不能同时解决这两个问题。

在较高成本的方案上，一般会要求较长的实施时间表和巨大的前期成本。如今，已经有了即插即用的垂直集成物联网平台，这些平台还具有丰富和可扩展的功能，可以创造持续的价值和创新。计算机视觉是另一个在制造业日趋成熟的领域。在机器内部和车间周围安装摄像头有助于制造商自动识别产品缺陷，跟踪库存，使车间更自动化。同样，这种技术实际还处于初级阶段，误判率还非常高，因此影响有限，但随着时间的推移，这种技术只会变得更好。

监测未来

人工智能用于机器监控的最终目标不是取代人类，而是用额外的、由计算机引导的功能来补充他们的专业知识，使车间运行更顺畅。我们发现，随着知名度的提高，车间文化会变得更好。员工在做决定时可以参考数据，而数据的透明度有助于培养一个长期更健康的环境。

当一个软件能够自动跟踪所制造的零件数量和机器的升降频率时，工人的时间就会被释放出来，去做更高价值的工作，比如用计算机程序收集的数据在整个车间运行提高效率的计划。公司实现的更高收入可以再投资到员工培训计划中，这样做底层工作的员工就可以再培训到专注于管理和战略的岗位上。

我预测人工智能将能够帮助制造商通过预防性维护降低成本，并通过提高生产效率和减少不良品增加收入。然而，有一点需要关注，如果没有均有AI背景的人参与，而将决策完全交给人工智能是很危险的。聪明的管理者总是试图理解为什么会出现人工智能推荐，并用人工输入来补充它。就像任何事情都依赖人工智能一样，比如自动驾驶汽车，你需要保持清醒，否则你会撞车烧死。

最后的建议是，制造商如果想开始纳入基于人工智能的机器监测需要从基础开始，先学走再学跑。如果您的流程还没有开始任何的数字化举措，请从最基本的数据收集开始。仅仅知道你的机器什么时候在运行，或者什么时候不在运行，就可以帮助你发现企业中显而易见的事情。例如，在第一个班次开始时发现机器闲置了两个小时。

至于成本和考虑因素，在开始一个机器监控项目（即使没有人工智能）之前，不仅要得到管理层的支持，还要得到业务中多个关键利益相关者的支持。对大多数车间来说，这是一次进入新的、开拓性领域的复杂冒险，如果没有管理层的支持和看到变革和改进的坚定渴望，很容易失败。

评估你的公司是否适合机器监控和高级分析非常重要。管理者应该考虑他们希望提高什么样的效率，并意识到这不是一个不费吹灰之力就能解决所有问题的魔盒。进入人工智能和机器监控的旅程是一种伙伴关系，需要不断学习和对各方面知识的渴求。