机器学习的制造业收益

机器学习的制造业收益

  • 改善半导体制造产生的产量高达30%,减少废料速率,并通过机器学习实现优化Fab操作。
  • 减少供应链预测错误通过机器学习可实现50%,销售额损失65%,通过更好的产品可用性可实现。
  • 使用机器学习自动化质量测试正在增加缺陷检测率高达90%。


底线:机器学习算法,应用程序和平台是帮助制造商找到新的商业模式,微调产品质量,并优化到商店地板层面的制造业务。

制造商最关心寻找新的成长方式,Excel在产品质量上仍然能够从客户提供短的延期生产。新的商业模式往往会带来现有的新产品系列的悖论ERP.CRM.和PLM系统的需要始终需要提高客户的绩效。新产品在今天制造业中加剧,交货窗户正在收紧。制造商正在转向机器学习,以提高其运营的端到端性能,并找到基于性能的解决方案。

机器学习在2018年彻底改变制造的十种方式包括以下内容:

  • 改善半导体制造产生的产量高达30%,减少废料速率,以及机器学习可实现优化工厂操作。在半导体制造中降低产量损伤的降低30%,减少了基于机器学习的根本原因分析和使用AI优化降低测试成本是机器学习将改善半导体制造的前三个领域。麦肯锡还发现,AI增强的工业设备预测性维护将减少10%的年度维护成本,高达20%的停机时间减少和检验成本减少了25%。资源:用人工智能(AI)精湛 - 德国及其工业部门的内容是什么?(52 pp.,PDF,NO OPT-IN)麦肯锡和公司。
  • 制造商采用机器学习和分析以提高预测性维护,预计未来五年根据PWC增加38%。预计分析和MI驱动过程和质量优化将增长35%,流程可视化和自动化,34%。普华永道看到分析,API和大数据的整合,为未来五年促进了连通工厂的31%增长率。资源:数字工厂2020:塑造制造业的未来(48 pp,pdf,没有选择)普华永道
  • 麦肯锡预测机器学习将减少供应链预测误差50%,减少销售额减少65%,产品可用性更好。供应链是任何制造业业务的生命线。预计机器学习将减少与运输和仓储和供应链管理的成本分别将5至10%和25%至40%的成本。由于机器学习,可以进行20%至50%的整体库存减少。资源:用人工智能(AI)精湛 - 德国及其工业部门的内容是什么?(52 pp.,PDF,NO OPT-IN)麦肯锡和公司。
  • 提高需求预测准确性,以利用机器学习降低能源成本和负价格差异,揭示价格弹性和价格敏感性。霍尼韦尔正在将AI和机器学习算法集成到采购,战略采购和成本管理中。资源:霍尼韦尔连接厂:分析及超越。(23 pp,pdf,no opt-in)2017霍尼韦尔用户组。
  • 使用机器学习的自动化库存优化将服务水平提高16%,同时增加库存转为25%。基于机器和机器学习约束的算法和建模是在所有分发位置进行尺寸库存优化,考虑到影响需求和待信时间的交付性能的外部,独立变量。资源:用多梯度库存优化转换制造供应链,微软,2018年3月1日。
  • 结合实时监控和机器学习是优化车间运营,为机器级负载和生产计划性能提供见解。真实地了解每台机器的负载水平如何影响整体生产计划性能会导致管理每个生产运行的更好决策。现在可以使用机器学习算法优化给定生产运行的最佳可能组的机器集。资源:未来的工厂:共生生产系统,实时生产监测,边缘分析和AI如何制造智能和敏捷,(43 PP,PDF,No Opt-In)Youichi Nonaka,高级首席研究员,日立研发集团和Sudhanshu Gaur主管,全球社会创新中心Hitachi America研发
  • 通过多种制造场景检测性能劣化成本的准确性降低了50%或更多的成本。使用实时监控技术创建捕获定价,库存速度和相关变量的准确数据集,使计算机学习应用程序在多种制造方案中确定成本行为所需的应用程序。资源:利用AI工业物联网(27 pp,PDF,没有选择)Chetan Gupta,Ph.D.Hitachi America Ltd.的大数据实验室首席数据库公司日期:2017年9月19日9月
  • 制造商能够通过机器学习精确预测校准和测试结果来实现测试和校准时间的35%。该项目的目标是降低移动液压泵生产中的测试和校准时间。该方法专注于使用一系列机器学习模型,这些模型将预测测试结果并随着时间的推移学习。下面的过程工作流程能够隔离瓶颈,在过程中精简测试和校准时间。资源:制造分析中数据科学标准的价值(13 PP,PDF,NO OPT-IN)SOUSAR SRINIVASAN,博世数据挖掘解决方案和服务
  • 通过组合机器学习和整体设备有效性(OEE),现在可以提高产量率,资产预防性维护准确度和工作负载。OEE是制造业的普遍存在的公制,因为它结合了可用性,性能和质量,定义了生产效率。结合其他指标,可以找到影响制造业的因素,最多。将OEE和其他数据集集成在通过迭代快速学习的机器学习模型中,是当今制造智能和分析的最快发展领域之一。资源:TIBCO制造解决方案,TIBCO社区,2018年1月30日

额外阅读:

人工智能(ai)在工业物联网(26 pp.,pdf,no opt-in)日立提供突破

人工智能和机器人及其对工作场所的影响(120 pp.,PDF,No Opt-In)IBA全球就业机构

人工智能:下一个数字边疆?(80 pp,pdf,no opt-in)麦肯锡和公司

智能制造的大数据分析:半导体制造的案例研究(20 pp,PDF,PDF,NO OPTIN),应用材料,应用全球服务

已连接的工厂和数字制造:竞争优势,汕头车,HCL技术(36 PP,PDF,没有选择)

Demystive AI,机器学习和深度学习,Dzone,AI区

数字工厂2020:塑造制造的未来(48 pp,PDF,没有选择)的普华永道

全球先进制造业的新兴趋势:挑战,机遇和政策反应(76 PP,PDF,PDF,没有选择Opt-In)剑桥大学

未来的工厂:共生生产系统,实时生产监测,边缘分析和AI是如何制造智能和敏捷的工厂(43 PP,PDF,No Opt-In)Youichi Nonaka,高级首席研究员,日立研发团体和Hitachi R&D集团Sudhanshu Gaur主任,全球社会创新中心日立美国研发

立即使用连接的工厂预配置解决方案,Microsoft Azure

霍尼韦尔连接厂:分析及超越。(23 pp,pdf,no opt-in)2017霍尼韦尔用户组。

第四次工业革命对供应链的影响(22 pp.,PDF,No Opt-In)世界经济论坛

利用AI适用于工业物联网(27 PP,PDF,没有选择)Chetan Gupta,Ph.D.Hitachi America Ltd.的大数据实验室首席数据库公司日期:2017年9月19日9月

机器学习和人工智能演示(14 pp.,PDF,NO OPT-IN)Erik Hjerpe沃尔沃汽车集团

制造应用程序和警告中的机器学习技术,(44 pp,PDF,No Opt-In),托马斯山,博士。|exec。Dell Dell Directs Analytics

机器学习:逐步学习的计算机的力量和承诺(128 pp,PDF,PDF,没有选择)英国

预测维护和智能工厂(8 pp.,pdf,no opt-in)deloitte

Priore,P.,Gómez,A.,Pino,R.,&Rosillo,R。(2014)。使用机器学习的制造系统动态调度:更新审查。艾埃德马28.(1),83-97。

用人工智能(AI)精湛 - 德国及其工业部门的内容是什么?(52 pp,pdf,no opt-in)麦肯锡和公司

opebet体育资讯生产未来的技术与创新:加速创造价值(38 pp,PDF,PDF,没有选择)世界经济论坛与A.T.kearney.

制造业的未来;在不断变化的世界(52 pp,PDF,没有选择)德勤大学出版社

AI在制造业,微软,由桑杰·拉维的改造潜力,董事总经理,全球离散制造,微软,2017年9月25日

制造分析中数据科学标准的价值(13 pp,PDF,PDF,NO OPT-IN)SOUSEAR SRINIVASAN,BOSCH数据挖掘解决方案和服务

TIBCO制造解决方案,TIBCO社区,2018年1月30日

用Microsoft,Microsoft,Microsoft,Microsoft,Microsoft,Microsoft,2018年3月1日转换制造供应链。

将AI转换为具体价值:成功的实施者的工具包(28 pp,PDF,没有选择Opt-In)Capgemini咨询

Wuest,T.,Weimer,D.,Irgens,C.,&Thoben,K。D.(2016)。制造业机器学习:优点,挑战和应用。生产与制造研究4.(1),23-45。

下一篇:
上一篇:
本文是由
路易斯哥伦布

路易斯目前正作为委托人,IQMS。以前的职位包括Ingram Cloud,IBASET,Plex Systems,AMR Research(现为Gartner)的高级分析师Plex Systems营销副总裁销售董事产品管理,萨斯初创企业的营销和业务发展。哥伦布先生的学术背景包括来自Pepperdine University的MBA以及斯坦福大学商学院的战略营销管理和数字营销计划。路易斯还教授国际商业,全球竞争战略,国际市场研究,战略规划和市场研究中的MBA课程。哥伦布先生目前是韦伯斯特大学教师的成员,并教过加州州立大学,富勒顿:加州大学,Irvine&Marymount大学。