人工智能与先进的机器视觉技术相结合，为智能制造领域带来了至关重要的进展，尤其是在高精度和可扩展的故障检测方面。这种技术的应用不仅能够提升效率，还能增强安全性，并提供实时的可见性。
根据《市场研究》的报告，全球智能制造市场预计将在不久的将来实现显著增长，2020年至2025年间的复合年增长率将达到12.4%。市场规模预计将从2020年的2147亿美元增至3848亿美元。分析师指出，这一增长主要源自制造过程中的工业自动化需求，以及通过软件解决方案来减少时间和降低成本的趋势。
AI驱动的故障检测是工业自动化领域内新兴需求与创新的典范。特别是在制造流程的两个关键领域，自动故障检测的能力显得至关重要：作为预测性维护计划的一部分，以及作为质量保证工具来检测工厂设备中的故障，以确保生产输出符合标准。
机器视觉
在这一领域，对可靠且可高度配置的机器视觉技术的需求尤为显著，尤其是在质量保证过程中，表面缺陷的检测是关键环节。传统的机器视觉系统依赖固定规则或“黄金图像”来将产品图像与无缺陷的标准图像进行比较。然而，这种方法存在问题，误报可能导致浪费，而漏检则可能让有缺陷的产品流入市场。在这方面，人工智能的引入可以显著提高检测的有效性，某些情况下可提升高达95%的检测准确率，并减少误报的发生。
人工智能机器视觉的挑战与优势
有趣的是，制造商在转向AI故障检测系统时面临的主要挑战之一是确保用于训练AI的数据清晰且无歧义。人工检查通常具有主观性，不同的检查员可能对同样的缺陷做出不同的判断，因此主观的通过/失败数据合并可能导致模棱两可的决策，从而影响模型的准确性。即使拥有干净的数据用于训练，整个过程仍然只是部署的一部分，实际上，训练用于视觉检查的概念验证AI模型仅占总时间和成本的10%。
另一个重要挑战是确保材料和环境条件的一致性。任何变化都可能导致错误率迅速上升，进而需要重新校准或训练模型。为了成功部署，环境变化检测系统必须保持运行。然而，除了故障检测，环境变化检测系统还能带来其他好处，例如提高工人安全，监测火灾、烟雾或其他空气质量危害。
前景展望
AI机器视觉的应用前景广阔，尤其是随着技术的成熟。瑞士无人机公司SulzeR ScHMid与AI公司NNAISENSE的合作就是一个例子，其中一个引人注目的应用是自动监控风力涡轮机叶片的损坏。过去，对涡轮叶片的检查需要停机，技术人员手动检查叶片表面是否有磨损。
现在，自动化系统使用SulzeR ScHMid的3DX检测平台连续获取高清图像，实现100%的叶片覆盖，同时将人为错误和操作风险降到最低。AI软件会自动扫描整个叶片表面，仅突出显示需要关注的区域，从而节省了大量的检查时间。
显然，人工智能机器视觉的应用已超出涡轮机叶片的范畴，几乎渗透到现代生活的各个方面。这一点可以从最近开放采购的潜在改变游戏规则的新物体检测框架DETR和变压器检测中得到印证。
实时协作
总体而言，支持AI的故障检测无疑是当前的热点，相关组件和试点项目的不断成熟表明，未来几年将继续扩展。由德国政府资助的SPAICER合作项目展示了大工业对这一概念的重视，SPAICER旨在利用领先的AI技术和Industry 4.0标准来优化生产过程并实时预测故障。该项目于2020年4月启动，合作伙伴包括西门子、宝马、福克斯、微软、福特、戴姆勒、蔡司和戴尔。
早期的使用案例展示了AI如何预测材料波动对一家德国中型企业的工具磨损率的影响，该企业工具磨损和更换的成本每小时高达50万欧元。通过实时分类变化及其影响，降低生产风险，以建立更具弹性的生产流程。
实时数据的获取以及实时可操作数据的分析无疑是自动故障检测的核心。日益强大的AI技术使这一以前无法实现的愿景成为现实，并将成为未来业务的重要资产。从中期来看，可能会出现越来越多商品化的SaaS风格云AI平台，配备专门的故障检测和监控模块，应用于内部传感器和具备机器视觉的摄像头系统。
[[[IMG_1]]]
[[[IMG_2]]]
[[[IMG_3]]]
