能源管理

显然，没有一家公司制造产品只是为了将它们送到废品堆，但在金属铸造过程中，五个铸造部件中就会有一个残次品。虽然有缺陷的金属是可回收的，但返工需要时间和精力。为了实现零浪费（材料、能源等）的宏伟目标，金属行业非常注重减少制造过程中的缺次率并提高可持续性。

也许最大的挑战是让一个行业放弃几十年的老习惯，拥抱未来的创新工具和流程 — 一切都从车间开始。

“为了让工业世界实现零浪费，我们必须认识到制造业中 80% 的 KPI（关键绩效指标）来自于运营，” Tvarit GmbH 公司（一家面向制造商的定制型人工智能解决方案的开发商）的创始人 Rahul Prajapat 说。“使用人工智能，我们可以开始预测重要的 KPI，包括设备效率、生产质量、能源使用和碳足迹。”

这些预测可以使废品率降低 20% 到 50%，并能显著减少能源费用，从而实现可持续和零浪费的制造过程。

通过将新方法与公司已有的方法进行比较，我们从熟悉的环节入手更有助于发现创新的机会。许多人利用六西格玛这种传统方法来定义和改进制造质量和流程。

“人们在车间里使用这种六西格玛方法来达到所需的效率，” Prajapat 说。“他们首先定义生产线上发生的特定类型的缺陷，再通过 Excel 表格测量数据点，并进行趋势分析。因此，管理人员可以更好地了解异常情况并做出改进。”

通过以下步骤，Tvarit 以人工智能驱动的质量控制系统能够覆盖大部分的六西格玛基准：

• 通过了解问题陈述和可用的数据量来确定客户准备情况
• 判断缺少的测量标准，并安装可收集额外信息的传感器
• 准备人工智能方法来预测所需的输出
• 执行根本原因分析以找到可改进的领域
• 让车间工程师执行推荐的设置

“新旧两种方法间的交叠过渡能够帮助车间工程师和管理人员树立信心，让他们从过去那种可能只降低 1% 或 2% 废品率的旧方法，转型到新方法并达到两位数的改进率，从而改变他们的 KPI，” Prajapat 说。

人工智能 + 领域知识促使获得更好的结果

但仅靠人工智能并不是完整的解决方案。像 Tvarit 的工业人工智能解决方案这样的平台，可以通过添加来自模拟范例的领域知识来创建更准确的混合模型。这些范例是通过理解产品中发生的某些类型的缺陷，并形成相关的冶金知识而制定的。

该平台由连接到边缘服务器的传感器组成，边缘服务器从云端将信息发送到使用预测建模、评估和风险分析的 Tvarit 人工智能软件。

“使用来自机器、生产线和工厂的数据，我们可以根据范例进行预测，” Tvarit GmbH 研发总监兼高级合伙人 Juergen Halt 说。“当我们将所有要素整合并创建一个混合模型时，便可以模拟实际情况并使这些预测更加准确。这就像汽车中的自动巡航控制系统，但因为你现在有了雷达，所以不会撞到墙上。”

工业人工智能解决方案包括三个组成部分：

• Tvarit 工业人工智能 (TIA)，其中存储了用于金属制造过程的专用预训练人工智能模块，例如铝压铸。
• Tvarit 智能监控 (TIM) 可计算 KPI，包括机器可用性和性能、产品质量、能源消耗等。它在由英特尔^® 至强^® 服务器和云平台（例如 AWS 和 Azure）提供支持的基础设施上运行。
• Tvarit 观测模块 (TOM) 是一种硬件模块，其中包括收集数据并标记组件以进行溯源的边缘设备。

“TIA 代表了我们独特的销售主张，” Prajapat 说。“它对数据进行评估并预测风险。这是一个端到端的解决方案，客户可以在其中选择其业务所需的模块。

铝铸件的预测分析减少了浪费

一家铝铸件制造商在其工厂中使用 Tvarit 人工智能解决方案生成实时可见性，从而帮助降低其废品率。

“铝铸件面临两大挑战，” Prajapat 说。“首先，如果要检测生产的线圈好坏，需要几个小时甚至一两天才能得到结果。公司无法进行物流或供应链规划，因为它缺乏实时可见性。第二个挑战是废品率，在这个行业中，废品率可能在 6% 到 10% 之间。”

利用预测分析人工智能模型，这家铝制造商利用 Tvarit 针对具体工艺的人工智能模型（压铸、焊接和冷成型）解决了这些挑战。该公司还使用了特定于工厂的定制化，通过传感器数据分析的转移学习技术带来了扩展的便利性。

“最大的好处是实时分析，” Prajapat 说。“如果生产过程中出现任何瑕疵，他们可以实时洞察这些情况。我们为该客户将残次率降低了 35%。这就是我们为金属行业的所有客户带来的影响。”

“变革的关键是概念和敏捷性证明，”Halt 说。同时也是与客户的团队合作。这些是创造积极变化的最重要的因素。”