概要：机器学习算法、应用程序和平台正在帮助制造商寻找新的商业模式，调整产品质量，并将生产操作优化到车间层面。

制造商最关心的是找到新的发展方式，在产品质量上出类拔萃，同时还能从客户那里获得短时间的生产周期。新的业务模式常常带来新的产品线矛盾，因为改进交付性能的需求，新产品线将现有的ERP、CRM和PLM系统都拉紧了。如今，新产品在制造业中大量涌现，而送货窗口也在收紧。为此，制造商开始转向机器学习，以改进其操作的端到端性能，并为这个悖论找到基于性能的解决方案。

2018年，机器学习革新制造业的10种方式如下：

通过机器学习，半导体制造产量提升30%，降低了废品率，并优化车间操作。

在半导体制造中，降低了30%的产量减量，基于机器学习的根源分析降低了报废率，并通过人工智能优化降低了测试成本，这是机器学习将改善半导体制造的三大领域。麦肯锡还发现，对工业设备进行AI增强的预见性维护，将使年度维修成本降低10%，减少20%的停机时间，降低25%的检查成本。

资产管理、供应链管理和库存管理是当今制造业中最热门的人工智能、机器学习和物联网应用领域。

世界经济论坛(WEF)和科尔尼(A.T. Kearney)最近对生产未来的研究发现，制造商正在评估如何将新兴技术(包括物联网、人工智能和机器学习)结合起来，从而提高资产跟踪的准确性、供应链的可见性和库存优化。

根据普华永道的预测，制造商采用机器学习和分析技术来提高预见性维护能力，预计未来5年将增加38%。

分析和机器学习驱动过程和质量优化预计将增长35%，过程可视化和自动化则达34%。普华永道认为，分析、API和大数据的整合，将在未来五年内使联网工厂的增长率达到31%。

麦肯锡预测，机器学习将减少50%的供应链预测错误，65%的销售损失，从而提高产品的可用性。

供应链是所有制造企业的命脉。预计机器学习将会降低运输、仓储和供应链管理的成本，分别为5%、10%和25%到40%。由此所带来的整体库存减少20 - 50%是可能的。

利用机器学习提高需求预测的准确性，降低能源成本和负价格差异，也包括价格弹性和价格敏感性。

霍尼韦尔正在将人工智能和机器学习算法集成到常规采购、战略采购和成本管理中。

使用机器学习进行自动化库存优化，使服务水平提高了16%，同时增加了25%的库存周转。

考虑到影响需求和交付性能的外在独立变量，人工智能和机器学习算法和建模使其能够在所有分布位置上进行规模化库存优化。

结合实时监控和机器学习，优化车间操作，提供对机器级负载和生产进度性能的洞察。

实时了解每台机器的负载水平如何影响整体生产进度，从而更好地管理每个生产运行环节。现在，通过机器学习算法，为给定的生产运行优化尽可能多的机器集变得可能了。

在多个制造场景中提高性能退化检测成本的准确性，可将成本降低50%甚至更多。

使用实时监控技术创建准确的数据集，捕捉价格、库存速度和相关变量，使机器学习应用程序能够在多个生产场景中确定成本行为。

利用机器学习，制造商可以通过精确的预测校准和测试结果来减少35%的测试和校准时间。

该项目的目标是减少移动液压泵生产过程中的测试和校准时间。该方法侧重于使用一系列机器学习模型来预测测试结果并随着时间的推移而进行学习。下面的过程工作流能够隔离流程中的瓶颈，从而简化测试和校准时间。

通过将机器学习和整体设备效率(OEE)结合起来，提高产品的收益率、预防性维护的准确性和工作负载是可能的。

OEE是制造业普遍使用的一种度量标准，因为它结合了可用性、性能和质量，定义了生产效率。结合其他指标，可以发现影响生产性能最重要的因素。通过快速迭代学习将OEE和其他数据集集成到机器学习模型中，是智能制造和分析中增长最快的领域之一。

版权声明：

凡本网内容请注明来源：T媒体（http://www.cniteyes.com）”的所有原创作品，版权均属于易信视界（北京）信息科技有限公司所有，未经本网书面授权，不得转载、摘编或以其它方式使用上述作品。

本网书面授权使用作品的，应在授权范围内使用，并按双方协议注明作品来源。违反上述声明者，易信视界（北京）信息科技有限公司将追究其相关法律责任。