（八）機器學習在工業(yè)生產(chǎn)中的主要應用場景

機器學習作為人工智能的最有效的實現(xiàn)方法，已經(jīng)在工業(yè)制造等眾多場景中得到了廣泛應用，以下是機器學習在工業(yè)生產(chǎn)中的五個應用場景。

1．代替肉眼檢查作業(yè)，實現(xiàn)制造檢查智能化和無人化

例如工程巖體的分類，目前主要是通過有經(jīng)驗的工程師通過仔細鑒別來判斷，效率比較低，并且因人而異會產(chǎn)生不同的判斷偏差。通過采用人工智能，把工程師的經(jīng)驗轉(zhuǎn)化為深度學習算法，判斷的準確率和人工判斷相當，得到對應的權(quán)值后開發(fā)出APP，這樣工程人員在使用平板拍照后，就可以通過APP自動得到工程巖體分類的結(jié)果，高效而且準確率高。

2．大幅改善工業(yè)機器人的作業(yè)性能，提升制造流程的自動化和無人化

工業(yè)上有許多需要分撿的作業(yè)，如果采用人工的作業(yè)，速度緩慢且成本高，而且還需要提供適宜的工作溫度環(huán)境。如果采用工業(yè)機器人的話，可以大幅減低成本，提高速度。例如圖25所示的Bin Picking機器人。

圖25 Bin Picking（零件分檢）機器人

但是，一般需要分撿的零件并沒有被整齊擺放，機器人雖然有攝像機看到零件，但卻不知道如何把零件成功的撿起來。在這種情況下，利用機器學習，先讓工業(yè)機器人隨機的進行一次分撿動作，然后告訴它這次動作是成功分撿到零件還是抓空了，經(jīng)過多次訓練之后，機器人就會知道按照怎樣的順序來分撿才有更高的成功率，如圖26所示。

圖26 利用機器學習進行散堆拾取

如圖27所示，經(jīng)過機器學習后，機器人知道了分撿時夾圓柱的哪個位置會有更高的撿起成功率。

圖27 學習次數(shù)越多準確性越高

如圖28表明通過機器學習后，機器人知道按照怎樣的順序分撿，成功率會更高，圖中數(shù)字是分撿的先后次序。

圖28 機器人確定分揀順序

如圖29所示，經(jīng)過8個小時的學習后，機器人的分撿成功率可以達到90％，和熟練工人的水平相當。

圖29 分撿成功率得到大幅提升

3．工業(yè)機器人異常的提前檢知，從而有效避免機器故障帶來的損失和影響

在制造流水線上，有大量的工業(yè)機器人。如果其中一個機器人出現(xiàn)了故障，當人感知到這個故障時，可能已經(jīng)造成大量的不合格品，從而帶來不小的損失。如果能在故障發(fā)生以前就檢知的話，就可以有效得做出預防，減少損失。如圖30中的工業(yè)機器人減速機，如果給它們配上傳感器，并提前提取它們正常／不正常工作時的波形，電流等信息，用于訓練機器學習系統(tǒng)，那么訓練出來的模型就可以用來提前預警，實際數(shù)據(jù)表明，機器人會比人更早地預知到故障，從而降低損失。

圖30   工業(yè)機器人故障預測

如圖9所示，經(jīng)過機器學習后，模型通過觀測到的波形，可以檢知到人很難感知到的細微變化，并在機器人徹底故障之前的數(shù)星期，就提出有效的預警。圖31是利用機器學習來提前預警主軸的故障，一般情況下都是主軸出現(xiàn)問題后才被發(fā)現(xiàn)。

圖31 主軸故障預測

4．PCB電路板的輔助設計

任何一塊印制板，都存在與其他結(jié)構(gòu)件配合裝配的問題，所以印制板的外形和尺寸必須以產(chǎn)品整機結(jié)構(gòu)為依據(jù)，另外還需要考慮到生產(chǎn)工藝，層數(shù)方面也需要根據(jù)電路性能要求、板型尺寸和線路的密集程度而定。如果不是經(jīng)驗豐富的技術(shù)人員，很難設計出合適的多層板。利用機器學習，系統(tǒng)可以將技術(shù)人員的經(jīng)驗轉(zhuǎn)化為模型，從而提升PCB設計的效率與成功率，如圖32所示。

圖32 PCB板輔助設計

5．快速高效地找出符合3D模型的現(xiàn)實零件

例如工業(yè)上的3D模型設計完成后，需要根據(jù)3D模型中參數(shù)，尋找可對應的現(xiàn)實中的零件，用于制造實際的產(chǎn)品。利用機器學習來完成這個任務的話，可以快速，高匹配率地找出符合3D模型參數(shù)的那些現(xiàn)實零件。

圖33是根據(jù)3D模型設計的參數(shù)，機器學習模型計算各個現(xiàn)實零件與這些參數(shù)的類似度，從而篩選出匹配的現(xiàn)實零件。沒有使用機器學習時，篩選的匹配率大概是68％，也就是說，找出的現(xiàn)實零件中有1／3不能滿足3D模型設計的參數(shù)，而使用機器學習后，匹配率高達96％。

圖33 檢索匹配的零件