在大规模机器替人真正到来之前,制造业如何推进机器助人,仍是需要思考的关键问题。
(资料图)
譬如生产线的流程优化。在完成一项加工过程所需要的周期时间(cycle time)内,存在各种可能延长时间、降低效率的因素,成为生产力提高的瓶颈。即便低效因素的捕捉与分析通常可由工程师人力进行,但肉眼依然可能存在时间、效率、准确性等方面的限制。此外,伴随东南亚建厂潮起,分散于各地的工厂,也给工程师的工作带来阻碍。
最近,36 氪接触到来自香港的「百威雷 Power Arena」——面对上述难点以及衍生问题,百威雷正在尝试用 AI 视觉技术解决。
需要注意的是,目前制造业领域内 AI 视觉的应用,更多基于图像数据,落实在对产品或生产工具的质量检测维度;百威雷则更多根据获取的实时视频数据,着重对生产线人员动作及操作步骤等进行 AI 识别与分析处理。
" 现在依然有很多工厂在大量使用人工作业,并且在短期内并不容易改变。" 百威雷联创 KEN LAW 告诉 36 氪。对此,制造业背景颇深的百威雷团队,格外关注生产过程中 " 人 " 这一变量。
具体来看,百威雷的 Human Operation Platform(HOP),基于在生产线布局的摄影机等硬件设备所获取的影像数据,通过深度学习分解生产过程,并进一步进行分析,捕捉产线中各操作人员动作,发现其中的低效率因素。
例如,在实际生产场景中,作业人员可能出现动作频繁被维护人员打断、工具位置不当导致不顺手等情况,最终拉长生产周期时间,折损生产效率。百威雷将类似的低效率因素可视化,企业即可有针对地进行产线优化。
各步骤所耗时间可视化,图源企业除此之外,百威雷最新的技术进展在于,对于生产过程中的一些关键步骤,也可通过实时影像数据的获取及分析,判断是否操作到位。这些步骤细致如产品生产过程中拧螺丝的圈数等,往往较难通过成品的质检发现其疏漏,却的确可能影响最终交付的产品良率,甚至导致安全问题。
尤其在对精度要求更为严格的半导体相关领域,一次操作不慎造成的物料损毁,即可能导致严重的经济损失——这也是百威雷客户之一的真实经历。目前,该客户已将生产操作每一环均设定为关键步骤,重点进行监测及预警。
可分析判断细致操作是否到位,图源企业就实际落地来看,百威雷可提供 SaaS 或买断制服务,客户集中在电子制造、半导体相关、车组装等领域,包括纬创 Wistron、捷普 Jabil 等头部电子代工厂。百威雷业务在中国、墨西哥、东南亚等地工厂均有布局,并已积累一定手机、平板等电子产品生产的数据与案例,可在较短时间内完成同类场景下的软硬件部署。在越南一工厂中,百威雷对其进行业务部署且进行流程优化后,工厂年度生产效率提高了 8%。
团队方面,百威雷团队研发人员占比达 60%,在中国、美国、墨西哥多地设有办公点。创始团队中,KEN LAW 早年毕业于斯坦佛大学人工智能专业,曾任职于 Google,为连续创业者;HAU MAN CHOW 为 Google 北美地区创始成员,曾协助开拓 Google 亚太地区业务;首席技术官 HANG WONG 在软件开发方向创业经验丰富。
标签: