在最近一項關于人工智能的制造業實際調查中，44％的汽車和制造業受訪者認為AI在未來五年內對制造業的“非常重要”，而近49％的人表示是“成功的關鍵。”

制造商實際上可能認為人工智能非常復雜和昂貴，需要整個公司的端到端系統才能正常工作，這意味著對整個IT / OT操作進行了昂貴的改造。實際情況是，人工智能更加專注和可實現。AI可以在工廠車間工作，結構最少，并通過工業物聯網與機器連接。

在實現AI時，OEM需要了解的第一件事是零用例的用例類型。制造車間的大多數邊緣機器正在重新組裝，以通過無線傳感器發送數據，作為物聯網的一部分。然后，這些數據將輸入到軟件套件中以進行“處理”。數據饋送過程將成為一個持續創建不斷擴展的數據網絡的過程。所有這些數據都可以存儲在云端以獲取洞察力，從而使AI驅動的模型成為可能。

以下三個用例可以幫助消除制造商對AI功能的疑慮：

1.機器正常運行時間

消費品包裝生產線以24×7的速度運行，生產數百萬種不同尺寸的紙箱，用于包裝不同的消費品。在沒有任何故障或任何質量問題的情況下繼續生產它們至關重要，速度和質量至關重要。手動監控容易出錯，成本高且效率低下。

通過IIoT系統收集的數據通過定制的可視化和警報提供關于生產線吞吐量和設備故障的24/7實時洞察。AI最終可以幫助您理解您將要收集的大量數據，此數據在邊緣網關上處理，以便快速識別異常并發送即時警報。較大的數據匯總在基于云的物聯網平臺中，用于進一步的預測分析和定義的基于行為和規則的模型。系統將提供自定義儀表板并報告機器空閑時間，故障原因代碼和總體OEE數據。這樣，管理就能更好地規劃操作，以避免機器空閑時間并應用預測性維護。

2.成本優化

作為一個過程，在遠程油井中，當油和水被泵入油罐時，需要測量油和水的水平。關于這樣的石油鉆探業務，明確需要通過利用IIoT數據來更加經濟地延長邊際油井的使用壽命，從而持續進行成本優化。鑒于石油產量不高，最大問題是井沒有產生足夠的油來值得在數據傳感器上進行統一投資，并且必須為它們降低成本模型。這些井也位于遠處，增加了成本和時間的挑戰。這些井的傳感器安裝成本也非常高，增加了60％的成本。對于較小的操作和更偏遠的廢棄井，快速的ROI是證明物聯網實施合理性的關鍵。

為多個油井建立了一個用于存儲和處理所有機器數據的IIoT軟件平臺。它創建了一個“數據庫”，相關數據存儲在云中。使用AI驅動的機器學習分析的數據已成為專注于業務的定制應用程序的推動者，該應用程序專門用于評估井性能，并通過AI分析進行狀態監控。因此，所有利益相關者都可以獲得特定的報告，并且優化了汽提井的正常運行時間和性能。

流量卡之家認為，在考慮人工智能如何提高制造智能時，關鍵是從一個可實現的方向開始，如此處的三個用例所示。無論是希望實現機器正常運行時間，降低成本還是提高運營效率，通過云托管數據進行機器學習都可以發揮重要作用。