2011 年工业 4.0 的推出以及由此带来的数字化转型，导致大量新技术涌入制造业，以优化传统流程。主要应用于计算机科学和软件工程领域的人工智能也被引入制造业，因为要实现 "熄灯工厂"，制造设备必须具备独立思考能力。
熄灯工厂 "被用来描述由工业 4.0 驱动的设施，在这种设施中，人类操作员被减少到最低限度，而自动化流程却在进行。例如，为设备注入人工智能后，设备就能诊断故障、订购更换部件或安排维修日期以修复缺陷。
如今，人工智能已被应用于整个制造业，以支持多项工业 4.0 计划。这些计划涉及德国工程师创始团队开发的官方概念验证文件中分享的主要工业 4.0 商业模式或概念。
要强调人工智能在制造业中的优势和使用案例，就必须简要说明它们所支持的重要工业 4.0 商业模式。这些商业模式包括
统计数据显示，实施这 4 种工业 4.0 商业模式可以改善制造流程，并带来收入增长。德勤（Deloitte）的一项研究强调，预测性维护战略可将计划外停机时间减少多达 70%。
利用颠覆性技术实施工业 4.0 商业模式还能使企业自我保护，并为传统制造问题寻求创新解决方案。56%的C级高管打算实施工业4.0商业模式，以保护其运营免受外部干扰，33%的C级高管打算将其作为一种颠覆性的创新力量。无论选择哪种应用，利用人工智能都可以设计出符合组织和运营目标的工业 4.0 商业模式。
从数据驱动的工厂优化开始，人工智能为数据生产资产提供所需的支持，以便从捕获的数据中获得背景洞察力。C 级管理人员和准备实现自动化的资产在决策时都需要数据分析提供的背景洞察力。有了人工智能，数据生产源可以实时分析情况，做出正确的决策，从而优化工厂。
例如，自动移动机器人（AMR）能够在没有预装磁性轨道的车间内导航，这就是利用了人工智能。机器人实时捕捉有关车间布局的数据，并应用机器学习来分析数据和实时采取行动。这就是为什么 AMR 可以在工厂车间内应用机器视觉来避开障碍物。在这种情况下，数据会得到分析，材料会快速到达工作站，并且材料会被完整地接收。这就是数据驱动的工厂优化工业 4.0 模型所要实现的目标。
符合先进工业 4.0 标准的全面预测性维护战略不仅限于创建优化的维护计划。要使熄灯工厂以最佳状态运行，制造资产必须能够在没有人工支持的情况下做出决策，如订购备件和安排维护计划。
通过实施人工智能和深度学习功能来提高制造资产的分析能力，可确保资产能够访问庞大的数据存储库，从而做出优化选择。
在实施前对新想法进行验证和测试，确保对成本高昂的工业 4.0 战略进行评估，避免资源和资本浪费。仿真建模软件等技术是数字化转型解决方案，在验证想法方面发挥着重要作用。这些技术以多种形式利用人工智能。例如，利用人工智能让仿真软件的非技术最终用户自动开发精确的仿真模型，以及开发基于智能代理的实体来改进仿真结果。
制造设备服务化已成为重型设备原始设备制造商（OEM）的创收来源。选择通过订购费向最终用户提供昂贵机器的原始设备制造商，利用先进的服务化来创造其他收入来源。
机器即服务订阅计划中涉及的设备必须以最佳方式运行，以满足不同最终用户的要求。原始设备制造商利用人工智能分析最终用户数据，制定优化的使用计划，确保付费小时数为优化小时数。因此，通过人工智能提供的基准数据和机器提示，用户可以从订购的机器中获得最大收益。
人工智能在支持制造业工业 4.0 计划方面的理论应用有相应的实际案例，我们将在此进行探讨。这些用例包括利用人工智能优化工厂绩效，以及实施预测性维护策略。
施耐德电气利用人工智能实施预测性维护 - 总部位于巴黎的施耐德电气公司为优化工业运营提供解决方案，该公司开发了一种物联网解决方案和战略，用于监控和配置石油天然气行业使用的有杆泵。物联网解决方案确保石油和天然气企业能够远程配置和监控海上作业，而无需派遣技术人员监控流程。
挑战- 施耐德电气希望为其物联网监控解决方案 Realift 的用户提供先进的功能，例如在故障发生前预测杆泵和其他操作的问题。
解决方案- 该企业利用微软 Azure Machine Learning 提供的机器学习功能来增强其 Realift 解决方案的能力。借助人工智能功能，物联网解决方案为石油和天然气企业提供了准确预测故障和制定缓解计划的工具。
利用 Cobots 优化物料搬运 - 优化物料搬运系统可确保制造商和仓储设施减少车间事故，同时优化物料流。XPO 物流公司是一家仓储运营企业，一直在努力优化物料搬运流程。
挑战 --传统的物料搬运系统效率低下，原因是在车间内搬运物料需要人工。运输的物料有时会晚点到达工作站，而且还存在缺陷。
解决方案- XPO 物流公司求助于 Cobots（一种利用人工智能的物料搬运机器人）来实现订单拣选和物料搬运流程的自动化。有了 Cobots，XPO 物流公司能够改进物料处理，并及时交货，从而提高客户满意度。
迈斯特集团（Meister Group）利用人工智能制定可视化检验策略--在向最终用户发货之前对成品进行检验是制造业上市计划的一个重要方面。正确的检验策略可以减少召回和随之而来的财务成本。
挑战--迈斯特集团是比利时的一家汽车零部件制造商，加工数百万个零部件，销售给汽车行业的企业。传统的零部件检测过程是手工、重复和耗时的，因此，有缺陷的零部件有时可能会流入生产车间。
解决方案- 迈斯特集团转向使用支持人工智能的传感器相机来实现检测流程自动化。康耐视 In-sight 1000 摄像头利用视觉传感器检测生产部件，并将捕获的数据与基准数据进行比较，然后为被检测部件分配状态。有了人工智能驱动的视觉传感器，企业可以在一天内准确检测数千个零件。
Siemens Gamesa 利用人工智能缩短检测时间 - Siemens Gamesa 生产涡轮叶片，为客户提供可再生解决方案。为了从可再生解决方案中获益，涡轮叶片等部件的制造必须达到最佳性能。
挑战- Siemens Gamesa 需要一种流程来检测制造过程中的叶片，并监控已部署的叶片。由于其管辖的涡轮叶片超过一千个，该组织需要一个自动检测流程来处理监控过程。
解决方案- Siemens Gamesa 寻求一种人工智能驱动的高级图像识别系统，该系统能够捕捉涡轮叶片图像并与历史数据进行比较。数据分析审计可实时提供需要维护的叶片的详细信息。
利用人工智能减轻石油和天然气管道中断的影响 - 石油和天然气管道的中断会导致计划外停机，并影响企业为该行业最终用户提供的服务水平。了解停运和需求增加的影响为制定减轻这些影响的解决方案奠定了基础。
挑战- 石油和天然气企业希望了解需求增加和停机会如何影响其满足客户需求的能力。降低这种风险将保护其收入并改善为客户提供的服务。
解决方案- 该企业建立了一个数字孪生模型，该模型以先进先出（FIFO）的方式考虑了各种主线批量顺序输入和输出、计划维护以及随机服务减速或故障事件。数字孪生利用人工智能分析历史数据。客户能够利用模型的情景分析输出，自信地提出油罐要求和运营理念的建议，以达到理想的服务水平。
人工智能支持制造业实施工业 4.0 商业模式。通过上述使用案例，我们可以了解如何将人工智能与数字化转型解决方案结合起来，以优化规划和解决复杂的运营难题。这些使用案例也为制造企业提供了启发，因为它们强调了一个事实，即人工智能可以以多种方式加以利用，以解决制造行业特有的问题。