AI and Robotics in Conveyors: Enhancing Warehouse Efficiency
47:30 Share

你不希望你的员工无所事事，那么你为什么希望你的机器人无所事事呢？斑马科技正在通过向市场推出其最新的解决方案来解决机器人空闲的问题，该解决方案所需的机器人数量减少了 30%。

从而提高资产利用率，并为您的履行运营提供经济高效的自动化入门。斑马 Symmetry 履行生态系统为您带来均衡的利用率、更大的容积和优化的拣选路径，以便您可以以最佳性能运行。想要将您的履行运营提升到一个新的水平吗？请访问 zebra.com 或点击节目说明中的链接了解更多信息。

由凯文·劳顿主持的《新仓库》播客是您获取分销、运输和物流行业见解和想法的来源。每周一早上都会发布新的剧集，为您带来行业专家和思想领袖的最新信息。现在，让我们来听听凯文的介绍。

大家好，我是凯文，来自《新仓库》，我现在位于 MHI 总部，我将与输送分拣解决方案行业集团的一些代表一起参加会议。我将与 Zach Steck 会面，他是 Pepperdell & Fuchs 的物料搬运市场专家，还有 Phil Varley，他是 Tenevis 的首席技术官。今天我们的主题将围绕人工智能和机器人技术展开

在输送机中。我们将讨论人工智能应用以及硬件之间的关系。我们还将讨论人工智能应用及其与质量控制的关系，以及一些预测性维护，以及他们在行业中看到的现象。所以 Zach 和 Phil，感谢你们今天加入我。你们两位还好吗？很好，感谢邀请我们。当然，当然。很高兴讨论这个问题。我认为，你知道，

人工智能，在我们行业中肯定有很多关于人工智能的讨论，我认为现在每个行业都是如此，甚至在我们日常生活中也是如此，也会在那里产生影响。而且它显然也变得非常普遍，不仅仅是……

不再是一种噱头。实际上正在发生应用。但由于你们专注于输送机方面的事情，对吧，这涉及到很多硬件，对吧？人工智能和硬件之间存在着关系，尤其是在传感器方面，它们是相辅相成的。请告诉我们一下人工智能本身与硬件之间的这种关系。

是的，我可以从那里开始。因此，对于人工智能来说，它总是依赖于信息。我们习惯使用的人工智能依赖于互联网来获取这些信息。但是当您进入这些仓库类型的应用程序时，现在这些信息来自工业传感器。

因此，在过去的几年里，这种趋势一直在朝着这个方向发展，其中一件事情就是智能传感器。因此，这些是您通常会期望的标准工业传感器，只是它们具有附加功能，例如附加的诊断信息等等。

然后，还有一种推动这种信息远程获取的趋势。因此，这方面的领先因素将是 IIoT 方面，而 IO-Link 是一个非常广泛使用的协议，用于收集这些信息。

所以这就是我们与普通传感器和 PLC 类型系统相比所处的位置。有趣。我认为您更侧重于硬件方面，这是我的理解。没错。Phil，你更侧重于人工智能方面。那么，从关系的这一方面来看，你的看法是什么？这是一个非常有趣的问题，它开启了我们今天应该进行的整个讨论。因此，经典的光电传感器和视觉传感器，我们称之为确定性传感器。您设定基本规则。您说，如果……

该光电传感器被遮挡一定秒数，则表示发生堵塞，您设定基本规则，设定规则，遵循规则，您知道结果是什么，当我们进入人工智能和机器学习领域时，这改变了整个悖论，当整个行业从继电器转向 PLC 逻辑时，规则变得更加复杂，您有一个时间

部分在其中。但是作为人类，我们永远无法向机器解释，这就是你所做的，仅仅是因为感觉是对的。这就像教一个孩子。你知道，你可以向孩子解释某些事情是黑色的，是灰色的，但你无法解释道德，你无法解释直觉。

这就是机器学习的用武之地。我们有智能传感器。它们是你的眼睛和耳朵。例如，所有类型的光电传感器都是你的眼睛。如果该光电传感器失效，您会意识到自己失明或视力不好。

智能传感器使我们能够做到的是，现在我感到疼痛，或者我觉得我的眼睛干涩，或者我的眼睛里进了东西。这是一个智能传感器。所以我仍然看到我的视力不好。但是现在我有了关于我的感觉，关于我的眼睛的所有这些感觉。我可以说，好吧，我知道我的视力不好，因为。现在我可以找到根本原因。我可以处理这个问题。

这与人工智能和机器学习密切相关，机器学习的分辨率要求远低于我们过去对视觉系统的要求。对于视觉系统，我相信我们稍后会讨论这个问题，您需要确定性地做出决定。您设定一个规则，然后遵循该规则。它必须是精确的。

使用机器学习，您需要您的硬件，您需要大量的输入，就像您的身体一样。但这为我们人类，为这个行业，打开了我们过去不知道的完全不同的解决方案和方法。

因此，我们正从基于规则转向基于直觉的学习。正如 Zach 所说，IIoT 使我们能够在云级别而不是控制级别拥有数据，从而从两个极端转向另一个极端。人工智能和机器学习也做了同样的事情。它来自

云级别，来自非常大的服务器需求和计算需求，现在我们处于边缘计算方面。因此，我们的数据安全要求等都得到了满足。我们的数据已加密，因为我们无需移动它。我们不需要内部连接。它成为一个岛屿解决方案。这正是我们从工业 I.O. 中想要的，

这就是我们多年来看到的变化。是的，绝对的。我认为这非常有趣。我喜欢你对孩子的类比，试图让他们理解这些事情。当你这么说的时候，我在想我的儿子，他正处于“为什么”的阶段？

并试图教他们这些东西。所以这是一个很好的类比，可以开始理解这一点。我认为，正如你在那里提到的那样，现在我们明白了，哦，我的眼睛干了，对吧？正如你刚才举的例子一样。所以这引出了下一个问题，我们看到人工智能在不同部分被大量利用，对吧？但是当我们谈论像那样的事情时……

我们理解正在发生问题。然后我们谈论预测性维护。所以请告诉我们一些关于问题检测的内容，以及预测性维护是如何利用人工智能来最终最大限度地提高我们系统和运营中的输送机正常运行时间的。我们有各种传感器输入。我们刚刚讨论了光电传感器和视觉传感器，但还有振动、温度。

和

对于普通的工业传感器，您知道您有一定的温度或特定的振动，但是您有多信任它们呢？在航空航天工业中，您有两个系统的三重冗余，您可以查看这两个系统，如果其中一个系统工作不正常，您还有一个系统可以知道哪个系统不正常。物联网和智能传感器的优点是，现在您在一个包中拥有了这些功能。除非您失去连接，否则您就知道该传感器的情况。

这为一个包中的磨损提供了一个不错的解决方案。您不需要多个。所以，我的意思是，振动传感器，你们……

提供振动传感器，这些是磨损电机的一个很好的主要来源，对吗？没错。所以是的，我的意思是，识别磨损变得非常重要，因为您希望最大限度地减少这些机器的停机时间。因此，如果您能够知道何时会发生故障，您可以在实际发生故障之前更换它们，以减少停机时间。

因此，Phil 谈到的关于振动传感器的例子，您可以利用它的方法是将其安装在输送带上的电机上。因此，当该电机开始发生故障时，您将在系统上看到更多振动，这会告诉您该电机坏了。

这就是您可以使用这些类型的传感器获得的一些更具诊断性的信息。您还可以获得运行时间信息，即每个设备已在现场安装多长时间。因此，它可以让您很好地了解传感器的寿命。

然后，当我们谈到光电传感器时，回到那个眼睛干涩的场景，它们通常所做的是查看接收到的光强度水平，并对其进行监控。如果它看到下降，那么这会告诉您正在发生警告或某些事情。也许传感器上积聚了灰尘或污垢，导致它无法像过去那样很好地看到其目标或反射器。

这就是我们在传感器方面谈论的内容，它可以指示这些机器早期故障的迹象。有趣，是的。我认为这是一件非常棒的事情，因为正如你所说，我们想要

最大限度地减少停机时间并最大限度地提高正常运行时间，我认为这对任何运营来说都是非常重要的。但我猜也许告诉我们一点对比，在引入这种人工智能和这些额外的传感器来做到这一点之前，这种预测性维护是什么样的？它更具挑战性吗？这项技术之前的先前状态是什么？

Zach 刚刚提到了传感器。只要我们坚持使用智能传感器、物联网和所有这些花里胡哨的东西，您仍然只有一个单元。它是一个单元为您提供数据，您可以做出决策。再次，基于传感器的基于规则的决策。因此，如果您有一个电机，并且知道它以一定的频率运行，转子以一定的频率运行，那么您就知道您期望的振动传感器上的这个频率。

如果它没有呢？

那么，如果您看到的是，比如说 240 Hz 是一个主要频率，因为您正在运行 60 Hz，那么它就是一个倍数。好吧，现在它变了。您可以做几件事。您可以根据经验制定规则，也可以让有经验的人查看您的频率。你会注意到，这两个陈述中的经验都是一样的。那么，如果您没有这种经验呢？如果您的系统足够复杂以至于可以改变呢？

变频驱动系统是造成这种情况的最大问题，因为您几乎无法设置任何规则。这就是机器学习和人工智能的用武之地。首先，您可以引入多个传感器。您可以引入温度、振动、湿度，许多客户和运营商都低估了这一点，但这是一个巨大的问题。设施中的湿度变化，尤其是在美国南部，

它们会对您的所有运营和频率分析造成严重破坏，尤其是在较大的分拣系统上。现在，机器学习允许您让一个虚拟人员同时查看所有这些输入。您没有一个传感器说，嘿，我没有预料到这个频率。去看看。现在您有一个系统，您可以……

通过提供反馈进行训练。这与训练一个孩子或一个人说，好吧，你看到这个频率和这个温度，并且这种情况正在系统中发生。负载是一件大事。我有非常重的产品。我有轻的产品。

这可以接受，或者这不可接受。所以现在你向机器学习算法或人工智能提供反馈。不详细介绍 ML 和 AI 是什么，这对于本次讨论并不重要。但是现在机器学习方面是，您拥有所有这些传感器，您可以 A，将它们组合在一起，B，您可以设置规则。对于我们为预测性维护所做的许多事情来说，它是直观的。

例外情况是，因为机器人技术是今天的主题之一，例外情况是，即使在 15 年前，我也参与过一些很棒的算法，其中一个机器人手臂，您无法提前两周预测机器人手臂的故障，正负四小时。不是基于 ML，也不是基于 AI。它是一个机械系统。它是重复性的。您可以设置规则。

规则非常严格，因为您有机器人手臂，总是做同样的动作。您查看能量消耗以及完成该动作所需的时间。一旦超过某个阈值，您就知道您正好有两周的时间，正负四小时。它就在点上。但是，如果您没有这种可重复的行为呢？如果您有变化的负载、变化的重量、变化的温度呢？

我提到的那个应用程序是一个涂装车间。您的温度和湿度是受控的。您确切地知道发生了什么。它很干净。这与韩国快递包裹恰恰相反，那里有一个客户每天都使用真空吸尘器，而另一个客户的真空吸尘器则被写在其他地方。那里有真空吸尘器，是的。没错。这就是从……

旧式，我只是有一个简单的振动输入，到拥有多个智能传感器为我提供信息。现在我有一个模型，机器学习，人工智能，这并不重要，它吸收了大量信息。根据经验，就像一个孩子一样，嘿，感觉不对劲。你作为父亲提供反馈，是的，你是对的。然后你的孩子学到了一些东西，或者你提供反馈，不，那是不对的。

一种感觉，这是不真实的。这就是机器学习的用武之地

我们可以提供反馈。因此，我们可以不断改进流程。CIP，持续改进流程，我们将其用于项目，我们将其用于工程，有趣的是，它是机器学习的基础。因此，如果一个人理解持续改进流程，那么我和这些人的讨论就会容易得多。我希望这能回答你的问题。

是的，绝对的。是的，我的意思是，另一个很大的优势是降低设备成本。所以你可以回想一下你刚才所说的，并询问这些系统存在之前预测性维护是如何工作的。那时，只是日程安排。所以，好吧，我们有这些电机，无论如何，我们每三年更换一次，只是为了确保它们不会发生故障并造成停机时间。

所以现在我们正在使用这些传感器来监控它，您可以跟踪电机的运行情况。然后也许现在它们可以使用五年时间才会出现问题。因此，他们能够更长时间地使用相同的电机，从而节省了额外的成本。我们将在短暂休息后回来。

我应该对人工智能感到兴奋还是害怕？答案是肯定的。两者都是。在接下来的几年里，事情看起来将大不相同。你将无法准备好即将到来的破坏。我是杰夫·尼尔森，《数字颠覆》的节目主持人，这是面向技术领导者的首选播客。我认为，我们这一代的冲突将是情感上的，而不是经济上的。即将获胜的公司将具备一些特征。通过《数字颠覆》领先一步，现在即可在您最喜爱的播客平台上收听。

是的，绝对的。我认为这是一件非常棒的事情，因为你刚才说，例行程序，就像，哦，我们将更换它。因为这就是我们所做的。这就是我们设定的规则。但是你也许可以延长一些东西的使用寿命，并且仍然不会遇到可能导致停机时间的问题。我认为，你知道，

这是一个很好的解释，说明你如何利用它，并且能够看到不仅是你的现有设备，而且还能对未来的设备做出决策，我相信。所以那里非常有趣。所以这主要关注硬件本身、预测性维护，我想你可以说也许是质量。

设备的质量，对吧，我们的产品和东西正在通过。但是让我们谈谈质量控制本身，对吧？我想让我们首先谈谈从质量控制的角度来看，您看到公司在进行手动质量控制流程时面临哪些挑战？这些手动流程如何利用某种形式的人工智能来解决？

如今质量控制的主要挑战与自动化相同。当您有一个每天或主要从事这项工作的人时，或者说这是他的爱好，因为我们都喜欢我们正在做的事情，否则我们不会，您不知道可以做什么。如果您整天驾驶的是一辆 70 马力的汽车，

动力汽车，您不知道那里有 V10 发动机，发动机非常好。当它应用于技术时也是如此。机器学习是非直观的。人们不明白它是如何工作的，以及它不是如何工作的。我提到了非确定性。因此，即使我们部署

为客户提供解决方案。标准问题是，好吧，它为什么做出这个决定？我得到了工程学上的耸肩。就像，我不知道。我可以追踪它。我可以重现它。我有审计跟踪。我有 2024 年工业和自动化中真正有用的所有这些花哨的东西。但它不是基于规则的。所以如今主要的 QC 障碍是

不知道你可以自动化它。很久以前有一句名言。我是一个天生的杠杆拉动者。所以我们过去习惯于让人们按下按钮而不是工业自动化。如今，我们可以自动化很多事情，尤其是在视觉方面，在 OCR 方面。OCR 的回退是

比如说五年前仍然是一个编码队列。你有一些人在笔记本电脑或电脑上，输入电脑没有从光学字符识别中读取的内容。但是现在你没有。现在您有专门用于视觉的模型、神经网络可以编码这一点。它更快，可重复，您有审计。所以我想要表达的是，你需要

如今质量控制的最大障碍以及自动化它的是人们没有意识到它可以自动化。如果您有运营，并且每天都在工作，那么您就会有某种观点，某种已设定和自动化的流程。

要打破这一点是不可能的，除非有人看到其他流程。这就是 PNF 的作用，它说：“是的，这是一个很棒的传感器。您拥有它，但您可以通过使用它来提高正常运行时间和其他一切。”这就是我们在 ML 方面的作用。

人工智能方面，它说：“是的，你那里有人查看每个包裹，并说：‘嘿，标签是否正确应用？’”有趣的是，正确应用标签是一项艰巨的任务，因为当然，您可以使用视觉传感器来测量您是否有一英寸的十分之一或千分之一英寸。好吧，它是否粘贴上了？有趣的是，人类可以很好地确定这一点。

测量不能，因为您无法设定规则。那么它在盒子上应用在哪里？它在 GIPHY 上应用在哪里？因此，您需要结合起来，很难培训人员，因为您无法设定规则。你缺乏需要培训的人。所以回到其他挑战部分，你缺乏需要培训的人。

那么，当您更换执行此操作的人员时，您该怎么办？因为您没有规则，所以您需要培训培训师。这需要更多的人，更多合格的人。根据我的经验，这些任务都不是容易的。所以现在最大的挑战是双重的。一个是流程。

因为它不是基于规则的。第二，从我们的角度来看，是客户或运营商或设备操作员没有理解，嘿，这是我们实际上可以做的事情。当我们走访设施并询问他们时，这令人震惊，好吧，你为什么仍然有人站在那里？好吧，你的意思是？就像，

这是一个简单的解决方案。我们现在的主要业务是在输送机、交叉皮带输送机和鞋式分拣机上检测双重物品。我们的机器学习算法不仅从质量角度来看做得更好，而且犯的错误更少，不会感到疲倦，也不会因他或她的手机而分心。

当您重现这一点时，您会与客户进行交谈，然后他们会说，好吧，如果您采用这种方法并将其应用于不同的问题呢？你知道，你能得到什么样的数字？因为对于光电和视觉传感器，我们可以说，好吧，我们可以检测到发丝状裂纹，你知道，一 though 或两 though。使用机器学习，您不能。您进行现场研究，查看您可以获得模型的程度，然后从那里开始。

所有这些挑战都难以掌握，就像对待新员工一样。如果您想聘用一位新的工程师，当然，您可以进行入门面试等等，但是他的表现如何呢？

这是同样的工程耸肩。是的，我同意。在检查方面，人工的局限性。所以就像 Phil 说的那样，假设有一条发丝状裂纹，人眼需要多长时间才能发现它或寻找它，而人工智能解决方案则结合了技术，可以更快地获取这些信息，然后更快地做出反应。

因此，当您进入这些机器的质量检查时，这是一个很大的优势。是的，绝对的。我认为这是，你知道，那里面的人为因素。我的意思是，肯定有一些细微之处，我认为人类可以做到，对吧，我们已经稍微触及了一些。但是，你知道，我认为对我来说最突出的一点，对吧，以及我从业界的经验，我的意思是，

是质量控制是一项困难的任务，正如你提到的那样，你需要某种心态，某种具有敏锐眼光的人，我想你可以说，专注于质量控制并能够捕捉到这些事情，而现在你看到你知道这种细节水平，这种意义上的注意力很难找到，对吧，这不像你可以说哦，我们有一个人是

现在没有足够的订单可拣选，让我们把他们扔进质量控制部门，对吧？需要进行大量的培训、理解和重复才能做到这一点。所以我认为引入人工智能和机器学习，正如你所说，当然也可以解决其中的一些问题。所以你怎么看，我想，关于质量控制中涉及的人为因素？我认为你在这里稍微触及了一下，菲尔，但是你如何看待人工智能

发展，以及它如何影响该角色中的人类？我们是否看到它正在取代他们，它正在帮助他们，使他们更容易？从质量的角度来看，这种关系现在处于什么位置？

这是一件。因此，对于人工智能来说，人们总是担心它会取代人们，尤其是在工作方面。所以这并不是我们想要努力的方向。因此，辅助是更好的术语。我的意思是，替换也可以，但不是替换他们的职位，而是允许他们将精力集中在更适合人类能力的事情上。因此，做出决定，诸如此类的事情，让我们说在质量部门进行一些更深入的诊断，

如果这个 AI 系统标记了一个部件，那么人工操作员就可以过去看看，好吧，也许这个部件可以抢救，或者必须报废，以便他们可以做出这样的决定。

因此，它实际上只是改变了人工操作员与 AI 系统结合的角色。我的意思是你的说法绝对有效。你们作为 PNF 不想取代人们。我们有不同的看法。这并不是因为我们，你知道，厌恶人类。不，但让我们谈谈历史。质量控制，你有一个检查生产运行的人。我从我的家族史中取了一些东西，重型钢铁。

你有一位在工厂工作的工程师，他采集样本。第二班有一位工程师，第三班有一位工程师，你还有人来处理假期。您有多个人执行相同的任务，具有不同的质量水平、不同的方法、不同的流程。那是 50、60 年前的事了。

你的人比工作多。然后它发生了变化，快进，非常快进到 2024 年，我们严重缺乏维护人员。所以你过去有多个人来做 QC。现在你甚至没有足够的人来做一部分工作。那么你该怎么办？您利用那些有资格进行质量控制的人员

这适用于不同的其他问题，不仅仅是质量控制，但让我们以它为例。您使用这些人来训练机器学习算法，说这是好的，这是不好的，这可能是好的。

使用不同的输入。因此，您正在利用这些人来实际执行您需要执行的任务。如果我们不自动化它，我们就不会执行这些任务，因为我们没有足够的人。预测性维护也是如此。今年在美国，我们没有足够的人来进行我们需要的维护。这是一个巨大的问题。我不认为这是在取代……

我认为这是在填补需要填补的角色。

而且因为机器学习算法也需要训练。谁来训练他们？人类需要用经验来训练他们。这就是它如何帮助人工检查员。根据我过去 10 年的经验，我们从辅助系统开始，所以是自动化级别 2 和 3，所以系统会告诉你，嘿，我推荐这个动作，现在人类会采取这个动作，

加入来自新仓库的Kevin，他与来自Pepperl+Fuchs的物料搬运市场专家Zach Steck和来自MHI总部的Tenivus首席技术官Phil Varley坐在一起。这次富有见地的讨论探讨了AI和机器人技术在输送系统中的集成，重点关注AI应用、质量控制、预测性维护和行业趋势。深入了解AI和先进传感器技术如何优化您的仓库运营、提高生产力和降低维护成本。在此处了解更多关于CSS行业集团的信息：https://www.mhi.org/css 了解更多关于斑马机器人技术的信息。在LinkedIn和YouTube上关注我们。Geoff Nielson带来的数字颠覆 了解技术如何重塑我们的生活和生计。收听平台：Apple Podcasts Spotify 支持该节目</context> <raw_text>0 如今，我们推出的大多数系统都是四级自动化。你意识不到它们的存在。你没有看到它们。你感觉不到它们。它们不需要人工输入。它们只是工作。我们有一些设施，当我们打电话给他们说，“嘿，我们想对这个系统进行维护”时，运营和维护人员会感到惊讶。他们会说，“什么系统？”他们甚至不知道它的存在。

对于预测性维护和维护支持，绝对需要。你需要能够告诉你该做什么或提出建议的系统。在质量控制和自动化方面，我们已经处于四级自动化系统。我们已经进入机器学习更好、更快、更可靠的领域，与IIoT传感器相同。

我有我的审计跟踪。我有我的大数据方法。我总是可以追溯，如果我有所有数据，我至少可以重现，不是理解，而是重现AI做出该决定的原因。我们不想取代人类，但现在我们还不需要担心这个问题，因为我们现在根本没有需要被取代的人。

是的，绝对的。我认为我们不仅在质量方面或维护方面看到了这一点，而且在整个行业中也是如此，对吧？就像在车间工作的那些人一样，对吧？他们要么不想做那种工作，对吧？要么就是在某些地区很难找到他们，因为它已经成为这些仓库运营工人的竞争市场。我认为这也很有趣，Zach，你提到了，你知道，某种程度上

释放了一些人，对吧？我们以质量控制为例，对吧？你有人

例如包裹，对吧？看看，就像你之前说的那样，感觉标签是否在正确的位置等等。但是，你知道，你想想，这个人检查了多少完全正常的包裹，对吧？他们可以用这段时间做其他事情。当然。所以我想，你知道，把这个带进来，把它作为，那就是，

辅助，减少需要检查的人数，只关注实际出现问题时并采取一些纠正措施，我认为这是一个很好的方法，能够做到这一点，所以你知道，通过这种分析，所有这些AI和机器学习正在进行，显然，我们在任何不同的方面都在

收集大量数据，对吧？然后它被正在进行的AI分析。所以告诉我们一些关于这如何使运营更有效率？它如何加快决策速度？当我们必须手动或自己作为人类来破译和分析一些数据时，我们如何才能比过去更快地看到其中的一些趋势？

就像你提到的那样，这些仓库解决方案、输送机系统内部有很多非常复杂的事情。因此，技术已经发展起来

来帮助解决这个问题。所以即使从硬件的角度来看，一些更先进的技术，例如激光雷达系统和3D视觉，已经使这成为可能，因为现在你获得了所有需要的数据。数据很多，但AI的重点也是能够快速访问这些信息。因此，许多制造商正在做的一件事是，我们拥有这些非常复杂的传感器系统

但也有一些特定于应用程序的软件可以压缩从中输出的数据，使其更面向特定目的，然后可以更好地由AI系统进行分析。一个例子是用于输送带利用率的系统，只是为了确保系统尽可能高效地运行，并且尽可能多地运行箱子。

因此，你可以有一些软件来查看该百分比值，并可能提供一些高度信息，然后AI系统可以比这些大型数据类型产品更快地处理它。有趣。是的

我正在回顾经验以及过去的情况，因为我们可以从中学习很多。但我认为我们所有人仍然认识一些进入工厂或设施并倾听它的人，并且知道，“嘿，听起来不对劲，听起来不对。”

这就是我们谈到的缺乏人员的地方。历史上，这方面有一个工程专业，那就是数字信号处理。问题是，这已经下降了。因此，我们只有很少的电气工程师，合格的工程师更少，而DSP是一个非常难学的领域。

因此，我们有更少的人可以查看数据并知道如何从数学角度分析它。所以现在你有了大量的数据，你该如何处理它？当然，你可以用它来喂养AI模型，这正是你需要做的，因为多年来我合作过的人中，能够看穿数据并分析数据并说，“这就是我们需要关注的，”

他们是非常聪明的人。我对他们仅仅通过查看某些事物就能看到的东西印象深刻，在隐藏的东西中看到结构。但是，如今，我们拥有如此多的设施、如此多的设备以及这些工程专业，

正在下降，它并不匹配。剪刀在这里张开。这就是我们拥有海量数据的原因。我们如何分析它？我们作为一个行业可以开始培训人员。所以你谈到的是送某人去学校，然后给他经验。

这是一个伟大的长期目标，我们作为一家公司支持这一点，我们执行这一点，但问题是这是一个非常长期的投资。

但这是在公司理念方面。在产品公司方面，我们为此提供了解决方案，因为我们也看到，经验丰富的人非常擅长去他们不认识的工厂、他们不认识的设施，然后看看，“嘿，好的，你有什么数据？给我看看。”然后我们可以讨论我们应该用这些数据做什么。

由于近几年的学校教育方式以及近几年的行业发展方式，这是一个完全变化的领域。我们取得了惊人的增长。我个人对此非常高兴。

但问题是我们正在将高科技系统投入现场，部分原因是没有人在支持这些系统。我们需要对此做些什么。否则，我们将停止安装系统。所以我们现在需要自动化自动化。

是的，我认为这是一个很好的观点，因为我也看到了这一点，对吧？正如你所说，看到进入我们领域的技术和事物以及我们现在能够对这些运营做些什么并实施这些技术，这令人难以置信地令人兴奋。但同样，你并不一定能看到技术

传统上在这些运营和设施中工作的人员能够跟上这些技术，对吧？并且了解，你知道，如何利用它们，如何处理这些数据，或者甚至如何处理，回到你在谈话中早些时候所说的那样，处理围绕这些事情的一些维护工作。所以肯定存在差距。但是，你知道，随着这些数据的生成以及所有这些正在创造的新解决方案的出现

当你把它们放进去时，会有更多的数据，对吧？你需要能够采取一些行动并对这些数据做些什么。所以我认为AI可以帮助

消化其中的一些内容，并使其更容易让人们采取行动，对吧？这毕竟是数据的目的，对吧？是为了能够对它采取某种行动并进行改进。所以如果我们在这里看看，我的意思是，在这次讨论中，我们已经讨论了一些AI应用程序，围绕硬件的关系，它如何被利用以及现在在运营中正在发生的事情以及现在可以在运营中完成的事情。

对于正在考虑开始实施更多AI驱动实践的人来说，无论是我们谈到的质量控制还是运营中的其他流程，一些关键的考虑因素是什么？他们应该如何思考如何处理这个问题？最好的开始方法是什么？当他们开始采用这些解决方案时，他们应该真正考虑什么？

考虑让一个有不同观点的人参与进来。当你想要买一辆车时，你不会去看你车库里有什么。你会去经销商那里了解一下，然后他开始问你问题并试图推销，显然，但是嘿。这里也是一样的。AI和机器学习对于人类来说现在仍然是一个非常抽象的概念……

我们现在正在做的质量控制，坚持我们之前的话题，这不是客户驱动的。我们已经部署了大量的基于机器学习的质量控制岛屿系统。它们不与云通信。它们都在工业网络上的自己的一小层面上。它们不需要通信。没有顾虑。但这并非来自客户。我们与客户一起执行了一个项目

我们看到这是一个问题。这是流程中的一个问题，并且没有解决方案。所以我们说，好吧，我们有这项技术，我们一直在，让我们称之为，玩了几年了。

它非常适合这个问题。事实也是如此。我们谈到了孩子和学习。因此，我们第一次部署，我将其比作大约四岁的孩子。注意力和质量。我们的检测率为60%到70%，误报率为1，这对客户来说已经足够了。如今，我们的检测率远高于90%，误报率远低于1%。

因此，进化步骤是巨大的。

但客户没有意识到这是一个可以解决的问题。客户对此的解决方案是，再次，一个骨杠杆拉动器。这是一个按按钮的人，他有一个机器可以转移有缺陷的产品。好吧，这方面有一些问题。该转移机器本身会产生更多缺陷。那个人会累。那个人会分心并做出错误的决定。

因此，即使是我们对机器学习算法的第一次尝试也已经改进了人类。然后我们将其提升了几级。所以我的意思是，从……

如果你想改进你的流程，也许你正在考虑的甚至不是最大的问题。如果你做了你的鱼骨图分析和你的3Sigma，并且你知道你的缺陷是如何组合成你的总缺陷数量的，很好。这是一个好的开始。然后我们看看最大的问题，而不是客户认为可以解决的问题，因为也许你可以解决不同的问题。

许多带有VFD的集成电机都带有温度探头，具有各种功率消耗。这已经可以利用的大量数据，而很少有人这样做。添加振动传感器有意义吗？绝对的。这是一个针对特定问题的非常确定的解决方案。它不是解决方案。解决方案大多数情况下已经存在。

有一句关于森林和树木的谚语。解决这个问题的方法是，好吧，我认为我遇到了这个问题。然后找到一个在解决问题领域的人。通常的结果是，将会有一个带有各种传感器的系统的提案，以及一种计算方法。我们更喜欢边缘计算，因为它让客户能够触摸某些东西并使数据存在。

然后训练神经网络或训练机器学习方法。第一步是让一个知道如何自动化流程的人参与进来，因为这些不是固定的解决方案。你不能打开抽屉，它就在那里。这就像训练孩子一样。你需要有人，现在让我们去解决这个问题。让我们去建造那个遥控飞机。

所以这是一个对你问题的非常长的答案。对不起。基本上，找一个专家。是的。

这与控制一样。客户不会开始构建他们自己的控制解决方案。有些客户有专门的团队来做这件事，绝对的。但这是一个专门的团队。只有很少的客户拥有这个，因为像PNF这样的公司，你为不同领域的各种客户提供解决方案。你学到了很多。因此，PNF的附加价值在于

在公司历史上积累的，我们谈到P&F是由几个人创立的，他们带来了来自原始公司的许多知识。机器学习也是如此。这只是一个完全不同的领域。它与工业自动化没有重叠。我们作为一家公司只是……

有幸同时做这两件事。这就是我们成长的方式，但你的AI和机器学习解决方案是一个专门的领域。你需要一个了解培训过程的人来理解，“好的，我可以使用什么样的输入？”这带来了振动传感器，带来了温度，带来了各种主要传感器，然后理解，“好的，这是一个我可以解决的问题。”是的，我

是的，绝对的。我认为这是一个很好的建议，并且对在开始查看这些内容时要考虑的内容有很好的见解，并且你知道，带进一个知道他们在做什么的人。他们经历过这个。他们有经验去做。Zach，你会对关键考虑因素说些什么？是的，我想说另一个关键考虑因素，再次，来自更多硬件的角度，是能够将AI集成到现有系统中。

因此，这些设施通常已经安装了很多东西，无论是输送系统、机器人还是传感器，因此能够灵活地将AI集成到已经存在的组件中，然后添加此新功能是一个很大的优势，但你肯定想要在走这条路时考虑这一点，以确保你拥有为了确保在进行这种切换时尽可能经济实惠和顺利，它可以集成到该系统中。好的，太棒了。我认为这里有非常好的见解，在人们想要开始处理这个问题、开始将其引入他们的运营并且可能不确定从哪里开始或做什么或如何开始走这条路时，要考虑的因素非常好。所以这是一个非常有见地的谈话。我真的很感谢你们两位

加入我在这里讨论这个话题，并帮助教育那里的听众中的一些人如何处理这个问题，什么是可能的，现在甚至有什么。Phil，我知道你提到有些人甚至没有意识到他们可以做事情并解决他们遇到的问题。所以讨论这个并提高对此的认识非常有趣。我真的很感谢你们的谈话。

如果人们想了解更多关于输送分拣解决方案组的信息，你可以在mhi.com上找到它。我们还将在节目说明中链接到它，以及与Phil和Zach联系的链接。所以感谢你们与我分享你们的时间和见解。你一直在收听由Kevin Lawton主持的新仓库播客。订阅并在thenewwarehouse.com上在线查看我们。

喜欢这一集吗？确保你订阅了播客，并从新仓库获取更多内容，在LinkedIn和YouTube上找到我们。订阅链接可以在节目说明中找到，有关新仓库的所有内容，请访问thenewwarehouse.com。

喜欢这一集吗？请确保您已订阅播客，并访问thenewwarehouse.com获取新仓库的更多内容，您也可以在LinkedIn和YouTube上找到我们。订阅链接可在节目说明中找到。