预测性维护很早就被提出,但在工业*域中一直不温不火。相比能效管理带来的实际收益,同样是以算法为核心的预测性维护的好处目前依旧很难评估,这也导致这个*域的进展稍慢一些。预测性维护必然会导致一定的投入,但这种投入的说服力没有能效管理那么强。
这里的主要问题在于,AI算法必须要比定期维护更加**,必须证明对算法的投入要比定期维护更节约,但是如果部件就是按照定期维护时间进行寿命设计,或者部件更换成本不是很敏感时,预测性维护的价值就会打折,而且和生产改进一样,方案公司(http://www.maoyihang.com/company/)必须对目标行业有足够的把握,否则在一些比较关键的工程中预测性维护看起来会相当冒险。
目前此类应用实践比较成功的都是面向价格昂贵的大型设备(http://www.maoyihang.com/sell/l_4/),这些庞然大物始终处在昂贵的更换费用和人命关天的作业环境之中,实时了解它们的运行状况和在*佳时机更换维护确实非常符合这些行业的需要。
页岩气开发专用车辆的能源(http://www.maoyihang.com/sell/l_34/)存储设备,高速铁路列车的齿轮箱,风力发电机的轴承,这些昂贵且不容易更换的的设备才是预测性维护的真正发力市场。
这里要说明的是,预测性维护的提出很大程度上是针对工业机器人行业,发那科和思科合作开发的ZDT零宕机系统,安川电机的AI子公司AI Cube Inc开发的面向制造现场的预测维护方案等都曾红极一时,但随着工业机器人和机器人部件成本的大幅下降,工业机器人预测性维护的呼声变得很弱,国内机器人厂商由于与四大家族机器人在应用*域方面存在**差异,所以预测性维护基本也都不去考虑。
DPM200 C类市场:工业视觉与图像识别
通用AI在视觉*域与安防(http://www.maoyihang.com/sell/l_17/)*域的确获得较快发展。据相关统计数据显示:2018年视觉占到了整个AI应用的22%,但工业应用占比非常少。之所以将视觉应用排到*后,也是因为工业读码和追溯目前技术已经很完善,AI不会有太大市场,但在缺陷检测,形貌测量,电力危险监测等场合还是会用到AI,这些*域的光学技术一般会涉及到结构光,激光,3D及红外热成像,但目前市场仍处在很初级的起步阶段。就目前工业视觉的发展状况来看,大家感兴趣的似乎是升级图像传感器,对AI并不感冒。一个比较好的现象是机器视觉厂商开始试图将FPGA或ASIC芯片嵌入到视觉系统中,进一步提升图像数据的搬运能力,这虽然是一个好现象,但成本敏感的工业视觉市场能否大规模落地还有待观察。
目前工业视觉中能归类到AI的基本上都是抓取类应用,如欧姆龙的Adept 机器人的抓取方案,图像识别算法在方案中所占权重很大,欧姆龙的优势也在于产品(http://www.maoyihang.com/invest/)足够的**,这样方案就能做到更好的优化,从收购迈斯肯也能看出欧姆龙有意强化这方面的优势,所以接下来工业界的并购会更频繁的发生。
其他视觉方案,包括传感融合式的视觉应用,如ISRA的激光与相机结合的抓取方案,当然其核心也是算法,*大优势在于不依靠云或边缘服务(http://www.maoyihang.com/sell/l_11/)器,ATOS等三位扫描其实也是类似的应用,由于都是服务于特定的工作场景,所以目前只能作为AI落地的潜力股。
还有一类应用是视觉辅助设备,例如研华*近推出的SKY-642 GPU服务器,用到了英伟达的GPU,但这种产品不会限定于工业,通用行业也一样可以使用,所以也不能为专门的工业应用作参考。
DPM200