精益生产模式、六西格玛、Heijunka 和数字化转型计划的引入都有一个共同点，即降低运营成本，最大限度地提高生产力。要成功实施这些降低成本的模式，需要使用变革性的技术解决方案。人工智能（AI）及其子集神经网络（NN）为工业部门提供了提高运营效率的工具，从而节省了大量成本。
在制造业，为个人客户提供高品质定制产品的需求正在改变生产格局。例如，在批量规模为 1 的生产线上，制造商必须考虑工具更换、工作站顺序及其对整个流程的影响等复杂因素。因此，评估产能计划、资源使用或预测维护时间的传统仿真模型在评估批量规模 1 的操作时可能会遇到困难。
因此，虽然传统模型可以成功地为大规模生产周期制定精确的预测性维护策略，但定制化生产则需要采用不同的方法。这种方法涉及制定复杂的规则或逻辑，以模拟批量规模 1 工作站、设备和系统的动态动作。如果不能整合这些复杂性，就会导致预测性维护策略失效、停机和运营成本增加。
简化仿真模型中复杂逻辑的开发
神经网络为制造商提供了在仿真和数字孪生模型中创建复杂规则逻辑的简化方法。神经网络算法能够捕捉定义复杂生产要求的动态变量，设计人员无需为每个变量创建规则。
神经网络可自动完成逻辑创建过程，其准确性取决于为做出更好的决策而对其进行的训练和再训练。复杂逻辑的自动化开发可节省时间并提高决策能力，从而实现可量化的成本节约。回到前面的例子，将 NN 集成到批量规模 1 生产线的仿真模型中可提高其评估能力。例如，在为定制生产周期制定实时调度计划时，NN 可以帮助预测工具更换、工作站轮换和装配流程，以确保生产出高质量的定制产品。优化后的生产流程消除了操作瓶颈，降低了成本。
决策过程自动化
实施数据驱动的优化流程对于实现工业 4.0 的效益至关重要。传统制造流程的数字化转型已经通过使用应用程序接口（API）解决了数据采集和汇总方面的难题。仿真模型、数字孪生和其他数据分析工具的使用解决了从捕获的数据中获得洞察力的难题。剩下需要探索和优化的就是通过自动化简化数据分析流程。
神经网络为工业领域提供了从源头实现决策自动化的强大解决方案。例如，将神经网络算法集成到分析应用程序中，使其能够分析操作的复杂性并提供评估结果，而无需人工干预。如果要实现工业 4.0、智能自动化和减少人工干预，那么 NN 的持续集成就为实现智能自动化提供了一条途径。
成功实现数据分析任务的自动化可为工业企业带来两个至关重要的好处。首先，它减轻了雇佣多个技术人员处理数据管理的经济负担；其次，它使数据分析及其洞察力民主化，使技术人员和非技术人员都能获得数据分析及其洞察力。其中一个例子是利用 Simio 软件来分析来自复杂运营活动的数据。利用 Simio，非开发人员可以创建神经网络，取代复杂的规则或逻辑，而无需编程知识或经验。
ONNX 等开源人工智能平台及其文件格式为工业企业提供了利用现有神经网络算法实现特定工作流程自动化的工具。NN 的智能自动化功能和开源资源的可用性减少了在重复性任务上花费的时间，提高了运营效率，从而降低了运营成本。
改进智能系统
第四次工业革命的核心是开发限制人为干预的高功能网络物理空间。尽管在实施变革性解决方案方面取得了令人钦佩的阶段性成果，但在许多情况下，最终决策仍由人来做出。例如，作为物理系统数字镜像的数字孪生系统仍会向用户发送通知，提示最终用户采取行动。但在真正意义上的自动化中，完全自动化意味着智能系统或数字孪生系统应该能够在不通知处理人员的情况下做出关键决策。
值得注意的是，通知流程所设置的缓冲区是为了确保车间的安全和责任。如果担心系统会错误地解释车间数据，就意味着必须有一个监督者对其行为负责。持续训练神经网络以提高其态势评估准确性的能力，可能是减轻这些担忧并实现完全自动化的最后一环。
神经网络通过历史数据和实时数据进行训练，从而提高系统实时做出准确推断的能力。因此，智能系统将从迭代分析过程中获益，并可以从提供通知转变为采取行动。