从第一次利用规模经济到引进流水线，寻找新的效率一直是制造业的核心。今天，最大的新收益来自硬件和软件的创新组合。尤其是机器人技术使制造业发生了革命性的变化，从而使用更少的工人获得更大的产量。

以下是机器学习正在变革制造业的6种方法：

1.机器学习正在改进质量控制

你可能已经看到很多剪辑显示工人在生产线上筛选产品，寻找缺陷。这是一项铺天盖地、令人筋疲力尽的工作，你可能想知道，怎样才能让一个人保持专注，一次找出几个小时的小瑕疵。在一个真实的例子中，在整个70年代，质量控制对通用汽车造成了严重影响，这导致他们采用了丰田的制造技术，并在他们的许多工厂中实施。

即使实施了先进的制造技术，利用人来发现缺陷和错误也是固有的限制。我们的感官和注意力广度的自然极限远远低于机器传感器所能提供的。这种差异加起来是什么？

福布斯发现，机器学习可将缺陷检测率提高多达90％。

质量控制通常是由人类完成的，因为它通常是视觉的。如果重量或形状是主要的质量因素，那么机器任务就容易得多。对人来说，扫描标签错位、褪色、发光程度甚至裂缝都相当简单，但对机器来说却非常困难。然而，机器学习允许算法更快速地目视检查产品和识别缺陷。

一个涉及钢铁制造业的案例研究揭示了当在过程中早期发现缺陷时，机器学习可能会产生的影响，从而减少浪费。工厂还能够有效地识别这些缺陷的可能原因。除了产品本身，机器学习甚至可以改进生产产品的机器。

2.机器学习可以最大限度地减少设备故障

确定何时对设备进行维护是一项极其困难的任务，且风险巨大。每次机器被取出进行维护时，甚至可能需要工厂停工，直到修理好为止。频繁的修复意味着损失，而不频繁的维护可能导致更严重的故障。全

考虑到这些成本，即使是一次计划外停机也能为实现机器学习付出代价，这并不奇怪。确切地说，机器学习如何将这些问题最小化？

机器学习算法在平衡多个数据源以预测和确定最佳维修时间方面表现出色。这可以简单地通过在错误和缺陷发生时识别它们来实现，这样它们就可以立即得到解决。此外，机器学习算法利用历史数据来识别设备故障模式，帮助他们确定何时应进行定期维护。

数据也可以从设备内部自动获取，无需手动检查。提高的速度和效率，再加上降低的人力成本，对大多数公司来说，转化为巨大的投资回报率，但最大的收益来自维护方式的改变。

3.预测性维护

这些数据归根结底就是从被动维修工作向主动维修工作的转变。一般情况下，一旦出现问题，就要进行维护，因为将设备离线手动检查潜在问题的成本很高。当这种情况发生时，管理者总是面临着一个不可能的选择：立即将设备离线并造成损失，或者冒着更大损失的风险。

机器学习的作用是确定做出选择的理想时机，并消除昂贵和有压力的猜测。通过使用机器学习来预测何时可能发生设备故障，您的公司可以更加积极主动，并确保在故障发生之前对其进行维修。这会导致更少的错误、更少的停机时间和更低的人力资本成本，因为经理和其他工人需要更少的参与。

这些好处加起来是什么？德勤最近的一项研究发现，维护不善会使产量减少5-20%。很明显，将机器学习放在设备维护的核心是避免成本高昂的效率低下的关键。

4.供应链优化

无论您是在寻找工厂设备的替换零件，还是设备生产的产品，可靠的供应链对于任何制造业都是必不可少的。随着全球经济变得越来越复杂，优化这些供应链的挑战也越来越大。

机器学习将所有复杂的因素都考虑在内，并相应地优化供应链的每个元素。这可能意味着要根据可能的天气模式或其他潜在障碍，计算出运货的额外时间（考虑延迟的可能性和/或其财务影响），或决定从何处装运产品。

简单地说，机器学习算法在为您的企业做出最佳选择之前，可以考虑几十个甚至数百个因素。

最小化这些延迟的重要性归结为库存和现金流。例如，如果您可以将供应链的效率提高10%，这意味着您可以多生产10%的产品，同时降低生产过程中的不可预测性水平。高效可靠的生产对于成功的制造业至关重要，机器学习使两者都能以前所未有的方式获得。

5.库存优化

与供应链优化密切相关，机器学习可以对优化库存产生类似的影响。持有成本（存储库存的成本）是巨大的，通常徘徊在产品成本的20-30％左右。即使适度降低10％的持有成本也可以将单位成本降低2-3％。持有未售出或未交付的产品意味着支付存储空间。这可能听起来不是一个主要问题，但它对现金流的影响是巨大的。

在这里，机器学习的作用是计算何时保持经济意义来保持或销售库存，甚至增加或减少库存产量。这是通过监控上述供应链要素以及市场价格，持有成本和生产能力来完成的。

仔细考虑和平衡所有这些元素传统上是人类的工作。然而，随着每个领域反映的数据量不断增加，人类对这项任务的选择较差。

因此，机器学习的作用是显而易见的。通过分析数千甚至数百万比特的信息来做出决策，这些算法远远超出了人类分析师的能力范围。

6.使用机器学习进行电力消耗

显然，任何工厂最大的投入之一就是电力。虽然大多数工厂每天24小时运行以获得最佳效率，但可以在不同时间安排更多能源密集型活动。我们的想法是确保在电力最便宜时进行这些活动。根据其来源，这可能是在白天（如果太阳能是突出的）或在夜间（当需求通常较低时）。

当然，它并不那么简单。你显然需要考虑无数其他因素。这就是机器学习处理大量数据的能力发挥作用的地方。通过考虑能源价格以及劳动力成本，设备维护和最小化库存，这些算法可以安排完美的时间来执行能源密集型活动，从而最大限度地节省成本。

这些信息还可以让您智能地投资电气基础设施，无论是储能还是太阳能。从本质上讲，机器学习算法可以让您在任何特定时刻精确量化工厂电力的价值。

您可以更精确地确定此类投资的合理位置，更有策略地使用您的资源，并从您的工厂中获得更多资源。