本文敘述機器學習技術如何在工業生產流程上發揮影響力產生變革，采用對設備的預測性維護、基于電腦視覺的異常檢測、提升營運效率及供應鏈優化預測等四種方式來優化多種工作負載。

每天，企業都會在地端產生大量資料，并將其儲存在云端，同時思考如何變革所有的流程。為了更好地挖掘資料潛力，推動更快、更明智的決策，制造業、能源、采礦業、運輸業和農業領域的企業正利用新型機器技術優化多種工作負載，包括工程和設計、生產和資產優化、供應鏈管理、預測、品質控管、智慧產品和機器等。

企業采用機器學習技術正在透過四種方式變革工業生產流程：

方式1：對設備的預測性維護

圖1 : 大多數設備維護分為被動型或預防型，其實最佳解決方案是預測型維護。

（來源：德意志電信）

持續性維護設備，是很多工業和制造企業面臨的一大挑戰。從以往經驗來看，大多數設備維護分為被動型（在機器發生故障后進行維修）或預防型（透過定期檢測以避免故障），兩者皆成本高昂，效率低下。其實最佳解決方案是預測型維護，企業可以提前預測設備需要維護的時間，但大部分企業缺乏相關人員和專業知識來開發解決方案。

像奇異（GE）這樣在發電設備、解決方案與服務領域的先進供應商，已經可以實現對設備的預測型維護。企業本身無需具備機器學習或云端相關的技術，只需借助使用感測器和機器學習技術的端到端系統，檢測到機器振動或溫度的異常波動，從而收到警報。

這類技術支援奇異利用感測器實現資訊的快速更新，透過采用云端即時分析，將基于時間的維護操作轉變為預測性和規范性維護。隨著系統規模的不斷擴大，奇異可以透過上述系統對感測器組進行遠端更新和維護，而無需實際接觸。

方式2：基于電腦視覺的異常檢測

圖2 : 企業在建構、部署和管理使用機器學習技術的視覺異常系統時，會面臨很多復雜挑戰。(source：Weareworldquant.com)

保證產品品質與確保設備正常運轉同等重要。生產制程的目視檢查通常需要人力，這不僅乏味，且不能保證一致性。為了提升品質控管，工業企業希望采用電腦視覺技術，提高瑕疵偵測的速度和準確性。但企業在建構、部署和管理使用機器學習技術的視覺異常系統時，仍會面臨很多復雜挑戰。現在，企業可以使用高準確度、低成本的異常檢測解決方案，每小時處理數千張圖像，從而發現瑕疵和異常，辨識出與基線不符的圖像，以便企業采取下一步行動。

瑞典家庭食品制造商 Dafgards 公司在其下屬品牌 Billy's Pan Pizza 的生產過程中應用了電腦視覺技術。 Billy’s Pan Pizza 是一種微波披薩，生產線每秒能完成2塊披薩的烘烤和包裝。 Dafgards 公司曾安裝過機器視覺系統，成功用于檢測披薩上的乳酪比例。但問題在于一旦披薩上餡料種類過多，該功能就會失效。

透過采用使用電腦視覺的新型機器學習技術，Dafgards公司輕松獲得了高經濟效益的檢測能力。在成功應用后，Dafgards 公司計畫將電腦視覺應用擴展至更多種類披薩以及漢堡、法式咸派等其他產品線。

方式3：提升營運效率

圖3 : 許多工業和制造企業都希??借助電腦視覺技術來提升營運效率。(source：Medium)

許多工業和制造企業都希望借助電腦視覺技術來提升營運效率。一般情況下，企業會透過視訊對工廠現場進行人工監測和審核，以驗證設施進出權限、檢查出貨、檢測泄漏或其他危險情況。但在實際情況中，這項工作不僅困難，還極容易出錯、成本高昂。

當然，企業可以將現有的IP攝影機升級為智慧攝影機，以便擁有更好的處理能力執行電腦視覺模型。但這依然不僅價格高昂，也會存在問題，即使采用智慧攝影機，也未必可以達到高準確度和低延遲要求。

事實上，企業可以透過使用硬體設備將電腦視覺技術應用到現有的本地攝影機中，甚至可以使用軟體開發套件（SDK）來建置新的攝影機，從而在邊緣端就能執行電腦視覺模型，取得更高的效率。

全球能源公司英國石油公司（BP）正計畫在全球18,000個服務站部署電腦視覺系統，他們計畫利用電腦視覺技術自動控制燃料車進出設施，并確認有效訂單的完成情況。如果有碰撞危險，電腦視覺技術可以提醒工人，還可以識別動態隔離區內的異物，并檢測漏油情況。

方式4：供應鏈優化預測

圖4 : 越來越多的企業希望采用機器學習技術，使生產流程變得更簡單、快速、準確。 (source：www.applyscience.it)

現代供應鏈是由制造商、供應商、物流和零售商共同組成的龐大網路，需要復雜的方法了解和滿足客戶需求，同時根據原材料供應波動以及節假日、活動、天氣等外部因素進行相應調整。如果無法正確預測上述變數，會造成成本的大幅增加，從而導致資源配置過度或不足，進而浪費投資或帶來不良的客戶體驗。

為了預見未來可能發生的情況，企業正利用機器學習技術分析時間序列資料，提供準確預測，從而減少營運支出，提高效率，確保更高的資源和產品可用性，更快地交付產品，并降低成本。

總部在臺北的富士康是全球最大的電子產品制造商和技術解決方案提供商。在COVID-19疫情期間，富士康采用了機器學習技術應對前所未有的客戶需求、供應和產能波動挑戰。富士康為其在墨西哥的工廠開發了一個需求預測模型，以生成準確的凈訂單預測。借助機器學習模型，他們將預測準確度提高8%，預計每家工廠每年可節省55.3萬美元，同時，最大限度減少勞動力浪費，并大幅提升客戶滿意度。

為了充分發掘機器學習在工業環境、工業產品、物流和供應鏈營運領域的應用潛力，越來越多的企業希望采用機器學習技術，使生產流程變得更簡單、快速、準確。透過將云端中即時資料分析和邊緣機器學習相結合，工業企業正穩步將愿望轉變成現實，同時推動新一代工業革命的到來。

（本文作者Swami Sivasubramanian為AWS 亞馬遜機器學習副總裁）

**刊頭圖(source：Virtual.Commissioning)