制造业深度学习简介
在深入探讨制造业的深度学习之前，最好退一步并回顾一下简短的历史。自现代时代（即18世纪初）开始，概念，独创思想和物理发明就一直在塑造着世界经济和制造业。
亚当·史密斯（Adam Smith）和约翰·斯图亚特·米尔（John Stuart Mill）等人的规模经济思想，第一次工业革命和蒸汽动力机器，工厂电气化和第二次工业革命，以及亨利·福特引入流水线方法的想法寻求高效率和提高生产率的一些主要示例始终是制造的核心。
然而，几乎所有这些发明都集中在通过仔细地操纵力学和热力学定律来从人与机器中获得最大效率的方面。然而，在过去的几十年中，制造业的最大新收获来自将信息或数据的概念添加到现有组合中。
将深度学习信息添加到混合中
原材料，商品和零件的移动是任何制造系统的核心。在计算和信息技术的革命之后，人们意识到，只有在信息处理引擎监督下，以精确的方式控制该物理运动并结合数百种其他类似运动，这种物理运动才能达到最佳效率。因此，硬件和软件的创新结合将“旧行业”引入了智能制造时代。
但是今天，全世界的制造业都面临着一个新问题，那就是这些信息处理系统。这是数据和信息爆炸泛滥的双重（和相关的）问题 。
随着计算和存储的成本和操作复杂性呈指数级下降（摩尔定律），工人，机器，控制器，工厂，仓库和后勤机械生成的信息内容在规模和复杂性上呈爆炸式增长，传统制造组织感到惊讶。
但是，他们并不孤单。在过去十年左右的时间里，即使是精通信息的软件和IT组织也不得不面对相同的问题。Google的博客和出版物已经承认，其软件项目的复杂性变得难以控制。
解决方案？
人工智能和机器学习领域的创新思想已使许多软件组织免于淹没在海量数据中，并帮助他们理解了每天需要处理的海量数据。
尽管规模不尽相同，但世界各地的制造组织也开始热衷于使用这些领域的前沿技术来帮助和增强其运营并继续为客户和股东带来最高价值的想法。让我们看一些有趣的例子和实际案例。
深度学习在制造业中的潜在应用
要注意的是，在制造业的舞台上，数字转换和建模技术的应用已经进行了一段时间。在60年代和70年代，效率低下困扰着全球制造业，几乎每个大型组织都简化并采用了丰田的制造技术等良好实践。这种技术依赖于对多个过程变量和产品功能的连续测量和统计建模。
随着此类信息的测量和存储数字化，计算机被引入以建立这些预测模型。这是当今现代数字分析的先驱。
但是，随着数据爆炸的继续，传统的统计建模无法跟上这种高维度，非结构化的数据馈送。深度学习正是在这里发亮的，因为它具有处理高度非线性数据模式的固有能力，还使您能够发现统计学家或数据建模人员很难手动发现的功能。
机器学习和深度学习中的质量控制
一般而言，机器学习尤其是深度学习可以显着改善大型装配线中的质量控制任务。实际上，据《福布斯》称，分析和机器学习驱动的流程和质量优化预计将增长35％，而流程可视化和自动化预计将增长34％。
传统上，机器仅能有效地发现具有质量指标（例如产品的重量或长度）的质量问题。如果不花很多钱在非常复杂的计算机视觉系统上，就不可能在零件高速装配流水线的同时检测出关于质量问题的细微视觉线索。
即使到那时，那些计算机视觉系统还是有些不可靠，无法跨问题区域有效地扩展。大型制造工厂的特定子组织可能具有这样的系统，但是如果需要的话，就不能对其进行“培训”以与工厂的其他部门一起工作。
诸如卷积神经网络之类的深度学习体系结构尤其准备从人类操作员手中接管，以发现并检测指示大规模装配过程中制成品和零件的质量问题的视觉线索。与依靠手工特征工程的旧版本相比，它们具有更大的可伸缩性，并且可以在制造工厂的任何需要它们的地方进行培训和重新部署。再培训所需要做的就是用相关的图像数据来培训系统。
过程监控和异常检测
过程监控和异常检测对于任何持续的质量改进工作都是必需的。所有主要的制造组织都在广泛使用它。SPC（统计过程控制）图表之类的传统方法源于关于过程变量的统计分布性质的简单（有时是错误的）假设。
但是，随着相互影响变量的数量增加以及越来越多的传感器阵列获取有关这些变量的固定数据和时变数据，传统方法无法实现高精度或高可靠性。
这是深度学习模型可以以出乎意料的方式提供帮助的地方。为了检测异常或偏离规范，通常在传统的统计信号处理领域中使用诸如PCA（主成分分析）之类的降维技术。但是，可以使用静态或可变自动编码器，它们是深度神经网络，其层由逐渐减少和增加的卷积滤波器（和合并）组成。
这些类型的编码器网络可以克服噪声和通常的方差，并以少量的高维位来编码信号或数据流的基本特征。如果在连续运行的大容量过程中寻找异常时，如果高编码位发生意外更改，则跟踪高编码位要容易得多。
简而言之，过程监控的中心问题是可以通过称为无监督机器学习的机器学习分支来处理。在这方面，深度学习自动编码器是可以使用的一组强大工具。
随着流程复杂性和相关大数据的不断增长，毫无疑问，传统的统计建模（基于数据的小规模采样）将放弃这种先进的ML技术和模型。
深度学习中的预测性维护
事实证明，深度学习模型在处理时间序列数据的经济学和金融模型领域非常有效。同样，在预测性维护中，随着时间的推移收集数据以监视资产的运行状况，目的是发现预测故障的模式。因此，深度学习对于复杂机器和相连系统的预测维护可能会有很大帮助。
确定何时进行设备维护是一项非常困难的任务，需要承担大量财务和管理风险。每次使机器脱机进行维护时，结果都会减少生产甚至是工厂的停机时间。频繁的修理会带来明显的损失，但是不频繁的维护会导致更昂贵的故障和灾难性的工业事故。
这就是为什么神经网络的自动特征工程至关重要的原因。用于预测性维护的传统ML算法依赖于特定领域的狭窄专业知识来手工制作功能以检测机器健康状况。而神经网络可以利用足够高质量的训练数据自动推断那些特征。因此，它是跨域且可伸缩的。
特别是，具有长期短期记忆（LSTM）细胞或门控循环单位（GRU）的递归神经网络（RNN）可以根据过去的训练时间，以以下形式预测短距离到中距离的时间行为：时间序列。
幸运的是，RNN上有大量的研究活动，目的是将其应用于自然语言处理和文本分析领域。该研究领域中的所有知识都可用于在工业应用中进行应用。例如，经过计算优化的RNN可以用于制造工作，在这些工作中，计算负荷最小化而又不会牺牲太多的预测能力。它对于NLP任务而言可能不是最佳执行，但对于预测机器健康参数的潜在问题可能足够强大。
当然，人类专家将审查深度学习系统的预测，最终决定维护工作。但是，在一个智能，互联的工厂中，将此类预测机器与工程师和技术人员一起使用，可以节省制造组织的金钱和人力，最终改善停机时间和机器利用率。
工厂输入优化
制造组织的盈利能力关键取决于优化进入生产过程的物理资源并支持这些过程。例如，电力和供水是可以从优化中受益的两个关键工厂投入。
通常采用复杂的优化过程和策略来最大限度地利用这些必要资源。随着工厂规模和机器对机器交互的增长，使用简单的预测算法来管理这些资源变得非常复杂。这是需要将强大的学习机（例如神经网络）引入游戏的时候。
深度学习系统可以根据数百个工厂过程参数和产品设计变量来跟踪用电量的模式，并可以动态地推荐最佳实践以实现最佳利用率。如果组织正朝着采用可再生能源的方向发展，则可使用深度学习算法的预测来绘制从化石燃料依赖到可持续能源足迹的最佳过渡轨迹。使用经典的预测分析方法很难处理这种范式更改。
摘要
基于信息系统的智能制造在过去几十年中一直提高了大小企业的生产率和质量。在这种智能制造环境中，随着时间推移机器生成的数据和人工生成的数据的质量和倾向不断提高，数据分析，统计建模和预测算法的使用得到了飞跃性的增长。
工业革命始于上个世纪之交的亨利·福特（Henry Ford）的装配线，在整个20世纪，自动化，控制系统，电子，传感器，数字计算和互联网的创新为这一革命提供了帮助。通过释放指数级的增长机会，21世纪的大数据革命有望最终将其提升到一个全新的水平。
为了充分利用这种数据爆炸，必须将深度学习和相关的AI辅助技术集成到现代制造系统的工具包中，因为它们比经典的统计学习和预测系统强大得多。
深度学习能够与工业4.0的宏伟目标无缝集成，即极限自动化和数字工厂。工业4.0是围绕与信息，传感器，驱动器，阀门的不断连接而设计的，它们全都与一个共同的目标协同工作：最大限度地减少停机时间并提高效率。诸如深度神经网络之类的算法框架具有足够的灵活性，可以在连续流式传输时处理各种数据类型，是处理该特定类型任务的正确选择。
预期生产率和质量的提高将远远超出满足公司盈利能力这一狭窄目标。明天的智能制造将通过以可承受的价格提供高质量的商品和服务，丰富数十亿消费者的生活。整个社会应该从这种范式转变中受益。