预测性维护

工业 4.0 正通过开放式软件定义流程推动制造业的快速发展，解锁了以前孤立的数据，并为更敏捷的运营打开了大门。

这种转型是通过技术实现的，而专为解决特定问题并优化制造成果而设计的工业边缘 AI 是其关键所在。为各种行业提供这种解决方案的公司 Scalers.ai 的首席执行官 Steen Graham 表示，边缘 AI 带来了“绝佳的机遇，推动制造业向更好的方向发展”。

从许多方面来说，这项技术对制造业带来了福音。AI 是一家数据密集型企业，因此在边缘进行 AI 推理使制造商可以丢弃大量不相关的数据。Graham 表示：“避免将这些数据发送到云端，带来了巨大的经济价值。”此外，制造商可以在各种用例（如缺陷检测和生产线实时监控）中充分利用边缘 AI 近乎实时的特点。

Scalers.ai 致力于通过定制 AI 软件提高各种制造效率，而与戴尔科技的合作为它提供了可靠快速的边缘 AI 部署所需的性能。戴尔科技的技术营销工程师 Manya Rastogi 表示，坚固型 Power Edge XR 平台提供客户所需的各种规格。Power Edge XR 具有短深度外形，并经过严格的冲击、振动和灰尘测试。Rastogi 指出：“它可以承受严苛的制造条件。”

提高边缘部署速度

承受各种制造条件固然不错，但行业无法为了使边缘 AI 高效运行而为每个用例定制 AI 模型。相反，迁移学习或应用 AI 有助于开发人员在现有 AI 模型中增加功能。

已经针对数亿（甚至数十亿）个参数进行训练的强大机器学习模型并非始终可行。Graham 表示，就像自选配料的快餐店里的就餐队伍一样，制造商可以先提供一个基础的“米饭和豆子”程序，再增加定制层，“然后进行迁移学习工作流程或再训练，从而增加自定义功能。在目前已有的卓越的模型基础之上，用户可以根据各自的领域、用例和实施方法定制这些模型。”

这种捷径不仅节省了工程资源和开发人员资源，而且有助于企业更快地部署边缘 AI 模型。当客户提出需求时，全新边缘 AI 部署的快速周转可以带来显著的效果。

Graham 表示，软件定义的制造使企业“能够随时改变环境，以满足客户不断变化的需求”。

制造业的未来：近乎实时的监控

通过率先满足消费者需求并优化时间、资金和原材料支出，企业增加了营收。

Rastogi 表示，坚固型边缘 AI 计算也有助于增加营收。以许多工业流程中使用的旋转部件—叶轮的制造为例。利用计算机视觉分层，可在边缘近乎实时地检测缺陷，这个流程可能存在于该部件制造过程任何阶段。例如，在成型阶段增加 AI 驱动型缺陷检测有助于提前发现缺陷，避免在有缺陷的最终产品上浪费任何额外材料或资源。由于程序可以实时发现问题，因此可以立即采取纠正措施，从而减少成本高昂且耗时的生产后检验。

使用边缘 AI 还有助于通过遥测数据和 OPC 统一架构 (OPC-UA) 等机器间协议缩短制造停机时间。OPC-UA 利用解锁的数据传输生产线上机器的实际运行状况，无需人工干预即可获得关键洞察。对现有机器传输的此类数据进行的边缘 AI 工作负载就是一个很好的例子，表明制造商可以使以前不透明的机器和生产线变得更加透明。

例如，如果生产线上的塔灯持续闪烁红色光，则表明存在需要立即检查的问题。由于边缘 AI 可以提前发现问题，车间管理人员更易于解决问题并达到每日生产配额。

Rastogi 表示，戴尔的 Power Edge XR 平台采用第四代英特尔^® 至强^® 可扩展处理器，无需额外加速器即可进行 CPU 推理。Graham 说：“英特尔第四代至强处理器真正的独特之处在于，它提供面向 AI 的指令集优化，而通用成品处理器并不具备这种特性。”

Graham 表示：“近年来，通过应用 AI 实施深度学习使开发人员更易于在制造业部署深度学习，即使在数据集较小的情况下也是如此。”他补充道：“这改变了游戏规则。运行这些模型所需的坚固型小尺寸硬件也进一步简化了部署。”它为未来的定制 AI 驱动型制造铺平了道路。

这对制造商以及要求苛刻的消费者来说是个好消息。
 

由 insight.tech 的副主编 Georganne Benesch 编辑。