如何改变制造业和工业物联网？

，从而使其与众不同。

许多组织在其工业物联网(IIoT)应用中采用了各种AI算法来做出实时决策。了解基于AI的应用中的数据是至关重要的。聚集、清理和准备独特的数据是利用AI来优化组织并获得见解的最重要方面。

在AI工程师开始训练他们的机器学习模型之前，他们通常只花费75%的时间来简单地处理起始数据。请记住，要训练在IIoT设备上运行的机器学习模型，必须具有一个或多个数据集，以反映应用上线时的实际条件。

创建数据集的过程是多部分的-从经常收集多年的数据开始，工程师将需要确定数据的总体结构。他们需要消除数据中的任何缺陷、差异或差距，然后将这些数据转换为算法需要与之进行有效交互的形式。

嵌入式系统的边缘人工智能

边缘人工智能是制造业整体AI开发的重要组成部分。 Edge AI在硬件设备上本地处理数据，而不是依靠通过互联网连接的集中式数据库或处理节点。

对于大多数物联网解决方案，后端服务器通过多个设备和通过互联网连接的传感器接收数据。一台或多台服务器托管用于处理数据的机器学习算法，从而创造AI解决方案提供的任何价值。

这种AI架构的问题在于，许多设备可能开始超载网络流量，或者您可能正在使用已经大量使用的网络。在这些情况下，将数据发送回中央服务器会导致处理时间过长，这是令人无法接受的。这是Edge AI发挥其价值的地方，因为可以在硬件设备上本地执行较不复杂的机器学习和AI流程。

Edge AI对许多行业至关重要。一个例子是自动驾驶汽车，其中Edge AI可以减少电池的电量消耗。监视系统、机器人技术和其他几个行业也将从Edge AI模型中受益。

知识蒸馏的概念具有极大地改善Edge AI解决方案的潜力。

知识蒸馏通过知识压缩的原理进行。使用诸如强化学习之类的技术，神经网络可以学习如何产生预期的结果。在这一点上，较小的网络将学习创建与较大的网络已经开创的结果相似。较小的网络规模更适合移动设备、传感器和类似硬件等边缘设备。知识蒸馏可以将边缘设备的空间负担减少多达2000%，从而减少了运行网络所需的能源、物理约束以及设备本身的成本。

正在应用的知识蒸馏的一个实例是使用视频源在监视系统上实时检测性别。通常，识别性别需要相当大的基于云的神经网络。但是在实时系统中，跳回云并不总是一种选择。知识蒸馏可以将整个过程精简为一个较小的网络，该网络可以在安装到边缘设备的同时准确地识别性别。如果没有知识蒸馏技术，这可以实现几种不可能的应用。

机器学习以进行预测性维护

预测性维护是机器学习和AI对制造产生影响的特别富有成果的领域。实际上，根据凯捷(Capgemini)的研究，将近30%的制造业AI实施与机械和生产工具维护相关。这使得预测性维护成为当前制造中使用最广泛的用例。

基于ML的预测性维护的两个最重要的好处是它的快速性和准确性。 AI可以足够快速、准确地识别机械问题，以便在发生故障和故障之前进行纠正。例如，通用汽车使用安装在装配机器人上的摄像头，通过使用，它能够在5000多个机器人中检测出数十个组件故障，从而避免了停机的可能性。

（编辑：南通站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!