1. 基础设施准备情况
设备和系统是否连接到可靠、有弹性的网络以进行数据收集和共享？
如果你还没被问过这个问题，那这个问题很快就会来了。’ 消费品和汽车等先进制造业领域的领导者想知道： “我们的人工智能计划是什么？’” 他们问的不是一般的行业预测，而是你所在组织或工厂的具体情况。’ …
对于一线团队来说，听到这个问题可能会感到压力、困惑，并急于寻找既能安抚领导又能反映工厂车间实际情况的答案。
领导者想要的东西与运营部门目前能够实际实现的东西之间存在脱节。’ 制造商们知道他们迟早需要（以某种方式）推进人工智能的发展，但这种势头受到了不确定性的影响。 基本要素尚未完善，很难讨论高级解决方案。’ 许多先进的制造工艺（那些需要高精度和高性能的工艺）仍然缺乏支持和扩展人工智能所需的 数字基础、自动化数据收集能力和集成基础设施。
为了帮助您在遇到人工智能问题时自信地做出回应，这里有一个实用的框架，您可以利用该框架在先进制造业领域实施人工智能，从而为世界带来创新。’ 该路线图还可以帮助你向领导解释你目前所处的位置（以及推动工厂发展所需的条件）。’
第一步：评估植物的当前状态
领导者往往认为他们的工厂已经为人工智能及其所依赖的基础数据和分析做好了准备。 然而，现实情况是，你无法在不同的操作员输入和孤立的设备的基础上构建智能。’
如果你想正确理解人工智能，首先必须了解你的出发点及其意义。 这是制定切实可行的路线图的唯一方法。’ （如果你不知道自己身在何处，就很难到达目的地！）’’
这项评估需要从三个方面进行客观评价：
2. 数据准备情况
信息是否完整、最新、一致且正确，以便能够用于指导人工智能模型？
3. 目标识别
您的组织希望人工智能实现什么目标？希望应对哪些挑战或抓住哪些机遇？
完成这些评估后，您应该能够确定您的工厂的运营技术网络是否满足要求。 ’ 能否可靠地传输人工智能所需的正确数据，以及您的数据是否能够进行有意义的分析。 …
基础设施准备情况
可靠的人工智能性能取决于传感器、PLC 和其他设备传输信息以供分析和采取行动的能力。 这些系统需要从生产车间到应用层无缝通信，无需人工干预。
互联设施的工艺和包装线、质量检验站、传感器、公用设施和各种数据库将生产和性能信息实时发送到中央位置，以便支持数据分析。 ’ 温度峰值、循环中断或机器状态变化均可自动记录、添加时间戳并与正确的机器和运行关联。
但是，如果工人在轮班结束时必须手动将这些信息输入系统，准确性就会受到影响。 例如，依靠操作员将机器输出数据输入电子表格无法保证数据的准确性或及时性。’ 如果人工智能利用这些数据来预测产品质量、预测维护需求或优化批次运行，结果将不可靠。
如果你的系统因为没有连接到可靠的网络来自动捕获和传输数据而依赖手动输入，那么你还没有完全做好迎接人工智能的准备。
为了获得当前状况的真实情况，您应该对工厂车间的每个系统进行评估。 绘制出哪些生产线、机器和控制系统连接到网络（意味着它们可以自动发送和接收数据），哪些依赖于人工输入。
找出所有存在的差距。 例如，您的新包装线可能具有直接的 PLC 连接，但您旧的混合罐是隔离的，需要手动记录表和交班报告。 在这种情况下，您可以优化自动化生产线的吞吐量并快速发现问题，但您必须等待人工报告才能确定批次混合是否存在问题。’ 结果就是出现了盲点，扰乱了运营，延误了响应。
数据准备情况
人工智能依靠数据运行。 信息是所有分析和预测的基础。 基础设施评估决定了您的网络如何有效地连接和整合每个资产，以确保自动化、实时数据收集。
人工智能所需的数据必须完整、最新、一致、集中且易于访问。
数据质量不达标，人工智能的成效就会受到威胁。 如果人工智能被输入不准确或不完整的数据，它可能会……’无论算法多么先进，都无法提供可靠的建议。 本地计算机上缺失的信息、格式不匹配或碎片化的数据都会削弱人工智能。’结果。
人工智能就绪的数据分析
可以问一些类似这样的问题：
- 为了实现某些流程或任务的自动化，我们需要多少历史数据？
- 我们的记录是否存在可能导致盲点或不准确之处的漏洞？
- 本地控制器上是否存在其他任何人都无法访问的数据？
- 我们的核心系统（MES、CMMS、历史数据库、ERP 等）中存储着哪些信息？我们目前使用其中多少信息来解决问题？’需要对工厂运营进行统一的视图吗？
如果您的植物数据’如果不够干净、易于访问且统一，那么你’我们还没有完全做好迎接人工智能的准备。
为了获得当前状况的真实情况，您应该对工厂车间的每个系统进行评估。 绘制出哪些生产线、机器和控制系统连接到网络（意味着它们可以自动发送和接收数据），哪些依赖于人工输入。
找出所有存在的差距。 例如，您的新包装线可能具有直接的 PLC 连接，但您旧的混合罐是隔离的，需要手动记录表和交班报告。 在这种情况下，您可以优化自动化生产线的吞吐量并快速发现问题，但您必须等待人工报告才能确定批次混合是否存在问题。’ 结果就是出现了盲点，扰乱了运营，延误了响应。
目标识别
人工智能’其有效性取决于你能否清晰地定义部署的目的。 首先要明确你的组织或工厂希望人工智能实现什么目标。 您希望它减少停机时间吗？ 提高产品质量？ 优化能源利用？ 明确要应对的挑战或抓住的机遇，有助于你集中精力并衡量你的努力。
这些目标应该制定出来，并在领导层和运营团队之间进行沟通，以便统一预期。 如果目标是’如果人工智能系统没有明确定义并与商业价值联系起来，即使是集成良好的人工智能系统也很难交付成果。
如果你’如果您不清楚人工智能能为您的组织带来什么，或者它将如何用于解决问题或为您带来新的机遇，那么……’我们还没有完全做好迎接人工智能的准备。
步骤 2：构建上下文和操作集成
这两者之间必然存在某种联系。’生产线上发生的事情以及你的更宏观的目标，无论这些目标涉及质量改进、运营效率提高还是成本降低。
一旦您的工厂网络准备好收集信息，这些信息就必须转化为比原始数字更有用的信息。 这意味着要添加背景信息。
没有它，你’仍然困于将数据拼凑起来，创建零散的报告或电子表格，以便在问题发生后回答基本问题和进行故障排除。
如果您的数据缺乏将洞察结果与特定行、操作员或批次关联起来所需的上下文信息，那么它可能’t 触发工厂车间的操作，然后你’我们还没有完全做好迎接人工智能的准备。
为了处理这些数据转换，一些工厂会聘请数据科学家或整个数据分析团队来理解这些数据。 但这不是’可持续解决方案：您’你会花费宝贵的时间和金钱去清理信息，以便从中创造价值。
每个数据点都需要讲述一个故事，无论它’包括正在生产的 SKU、生产线操作员、生产班次、每批次的产量水平等等。除了支持分析和报告外，这种上下文信息还有助于实现更好的自动化。 上下文可以将原始数据转化为可用于自动触发控制、警报和建议的信息，从而对现实世界的事件做出响应。
当 AI 就绪数据在源头进行结构化处理，并进行适当的标记和上下文关联后，就可以提供有关生产线性能、质量和效率的可用见解。
步骤 3：启用自动化洞察和可扩展用例
一旦您的基础设施稳固，并且每个关键的 AI 就绪数据都融入了上下文信息，最后一步就是将您在试点领域建立的分析和自动化扩展到更多的产品线、产品或流程，以取得更大的成果。
这在实践中是什么样的呢？ 在某些环境下，这可能意味着将人工智能驱动的自动化引入日常运营，以支持机器设置。 操作员只需登录并依靠系统建议来优化从配方选择到吞吐量设置的所有方面。 人工智能的建议并非依靠反复试验或直觉，而是来自多年的历史数据和强大的分析能力。’
这一步骤也是将洞察结果反馈给工厂车间控制系统的时候，以便您可以更新标准操作程序并微调每个流程，从而实现持续改进。 你可以利用你积累的智能，让每一次生产都更加盈利、高效和稳定，而无需每次都重新发明轮子。
如果你的数据分散、系统未完全集成或流程未标准化，导致你无法将分析和自动化扩展到试点项目之外，那么你还没有做好迎接人工智能的准备。’’’’
Belden 助力弥合数据与行动之间的鸿沟
Belden 可以帮助您实施此框架，以评估您当前的状况，整合和关联您的工厂数据，并在整个运营中扩展 AI 驱动的自动化和洞察力。 我们还可以帮助您设计和实施合适的 OT 基础设施，以实现数据收集自动化，从而获得实时可见性。
我们首先引导您进行评估，找出数字化和运营方面的差距，然后制定分步计划，以实现网络基础设施的现代化并统一工厂车间数据。
我们将向您展示如何通过支持数据上下文和人工智能的统一网络和自动化基础设施，将生产线和资产连接起来。 无论协议或设备新旧程度如何，我们完整的连接解决方案都能实现实时资产可见性和数据采集。
如果你的组织要求你提供人工智能计划，而你不确定如何回应，请联系我。 我们的先进制造团队可以帮助您制定符合贵组织目标、预算和时间表的 AI 战略。>