機器學習在工業上的運用

1樓：雲程萬里

機器學習在工業裝置的故障診斷方面有一些理論上的探索。

深度殘差收縮網路就是一種專門針對含噪資料下故障診斷的機器學習方法，原理圖如下：

M. Zhao, S. Zhong, X.

Fu, B. Tang, M. Pecht, Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, 2020, 16(7):

4681-4690.

2樓：棲礁居士

我們做了一些嘗試，不過，還在驗證之中。總得來說，非常燒錢，而且見效非常緩慢。作為乙個小公司，我們能夠做這種專案，不知道是好是壞。

好吧，說專案吧。我們所用的手機，是幾大代工巨頭在代工，他們每天生產的手機外殼，以十萬片為單位。手機外殼其實是要求很高的生活品，甚至可以說是批量的工藝品（中高階）。

在交給品牌商（比如三星，小公尺，華為，OV）前，是需要做檢測的，那麼乙個工人將手機外殼仔細檢查，起碼要30秒，乙個小時可以檢測120個，一天大約可以檢測1000個。產量十萬片，需要100個工人。這是理想的狀態，實際由於工人生理時間，需要的人更多。

現在珠三角，願意從事製造業的工人越來越少。那麼很多人提出用機器視覺檢測，我們當然也是這樣做的。但是，檢測時，具體量化乙個瑕疵，比如劃痕大小，斑點大小，色差等等缺陷，是更多是經驗，不是量化的資料。

而品牌商對標準太嚴，會成本超高，乙個手機外殼經過多道CNC加工及表面處理，成本已經很高了，假如報廢數量太多，誰也承擔不了。假如標準太鬆，出貨對品牌形象影響很大，我相信很多人拿到手機，會覺得自己外殼有這樣，那樣的缺陷。

正因為這個度有一定的主管性，我們引進了機器學習。把人工檢查合格的放乙個CCD拍照，把不合格的放乙個CCD拍照。然後不斷積累樣品資料。

專案難度是拍照要求成像質量非常高，由於主觀性，合格不合格特徵資料有時會重合。專案思路是好的，但是非常燒錢。

3樓：李淼robot

很好的乙個問題，在服務機械人上當然用的很多，包括語音，視覺，人機對話互動體驗之類的。但是在工業機械人上，目前還很少或者說沒有。我目前實驗室基本就是在這個方向做了一些探索，lasa.

epfl.ch。

kuka，abb都有自己的研究院，據我了解也在開始了將簡單的機器學習應用到工業機械人上。估計還得至少十年時間才會大面積的真正應用到工業生產線上。我自己也做了很長時間這方面的調查，原因可能有以下幾個方面的：

一，這方面的技術人員太少，懂機器學習的都被網際網路吸引走了，最少也是被什麼智慧型硬體，家庭服務機械人吸引走了，誰tm來搞工業機械人啊，看起來長得就醜，還要考慮各種工業限制，一般人根本進不了這個領域！

二，社會資本的支援不足。圖便宜工廠的都找便宜的勞動力去了，誰有時間和資金去自己去研發這些。歐洲這邊也就abb，kuka，西門子這樣公司還在不斷的投錢研發這些。

三，就是市場還沒有發展到需要這個的程度。工業機械人在製造業中很普通，需要用到機器學習的肯定或者說很大可能不是結構化環境，這就基本意味著是在中小型製造企業中很常見。所以將來如果中國這一大批中小企業要活下去，肯定是要公升級的，不說是機器換人吧，最少也是人機協調。

最近一年經常會看見一些製造企業比較特殊的需求，基本歸結到一點就是機械人怎麼可以簡單的上崗。

其實還有其他很多原因，就不展開了，機會和挑戰就在這擺著的，有資金有人才搶先把這條路走通就犀利了。不行就繼續買kuka，abb的機械人吧。