如今，制造商正在推进他们的数字化转型之旅，押注于云和人工智能等创新技术，以增强竞争力并实现可持续增长。据麦肯锡称，近三分之二的制造商已经在使用云解决方案。然而，分析师表示，数字化转型从概念扩展到实际的生产工作中对很多制造商来说仍然是一个挑战。

可扩展性挑战围绕两个因素——缺乏对置于上下文背景下的操作数据的访问，以及在工厂车间使用复杂数据科学和人工智能工具的技能差距。

为确保制造商能够将其数字化转型工作扩展到生产，Google Cloud 宣布推出新的制造解决方案，专为满足制造商的需求而设计。

来自 Google Cloud 的新制造解决方案使制造工程师和工厂经理能够访问来自其不同资产和流程的统一和情境化数据。

让我们看看从工厂车间到云端的数据旅程中的新解决方案：

• Manufacturing Data Engine（制造数据引擎）：该引擎是用于处理、上下文和存储工厂数据的基础云解决方案。云平台可以通过边缘和云之间的私有、安全和低成本连接，从任何类型的机器获取数据，支持从遥测到图像数据的广泛数据。凭借内置的数据规范化和上下文丰富功能，它提供了一个通用数据模型，以及一个工厂优化的数据湖库进行存储。
• Manufacturing Connect（制造连接）：这是谷歌云与Litmus Automation共同开发的工厂边缘平台，可通过包含 250 多种机器协议的广泛库快速连接几乎任何制造设备。它将机器数据转换为可消化的数据集，并将其发送到制造数据引擎进行处理、置于上下文中理解和存储。通过支持容器化工作负载，它允许制造商直接在边缘运行低延迟数据可视化、分析和机器学习功能。

建立在Manufacturing Data Engine（制造数据引擎）之上的是一组不断增长的数据分析和人工智能方案，由 Google Cloud 和合作伙伴共同提供支持，该方案包括：

• 制造分析和洞察：与 Looker 模板的开箱即用集成，可提供仪表板和分析体验。作为一种易于使用的无代码数据和分析模型，它使制造工程师和工厂经理能够快速创建和修改自定义仪表板，自动添加新机器、设置和工厂。该解决方案可以根据 KPI 或按需深入挖掘数据，以发现整个工厂的新见解和改进机会。可共享的见解开启了整个企业以及与合作伙伴的协作。
• 预测性维护：预先构建的预测性维护机器学习模型允许制造商在数周内部署，而不会影响预测准确性。制造商可以与 Google Cloud 工程师合作，不断改进和完善他们的模型。
• 机器级异常检测：一种专门构建的集成，它利用 Google Cloud 的时间序列洞察 API 对实时机器和传感器数据进行识别，并在异常发生时提供警报。

“我们装配线上产生的传感器数据数量不断增加，为围绕产品质量、生产效率和设备健康监测进行更智能的分析创造了机会，但这也意味着新的数据采集和管理挑战。”福特公司的制造技术发展总监 Jason Ryska 表示，“我们与 Google Cloud合作实施了一个数据平台，该平台现在在两个工厂连接的 100 多台关键机器上运行，每周流式传输和存储超过 2500 万条记录。我们从数据中获得了深刻的见解，这将帮助我们实施预测和预防措施，并继续提高我们的制造工厂的效率。”

“通过将强大的工厂边缘解决方案与谷歌云紧密集成，工厂比以往任何时候都更容易利用云功能，”京瓷通信系统公司数字解决方案部总经理 Masaharu Akieda 说，“Google Cloud 的解决方案使数据科学家之外的更广泛的用户群体能够在各种用例中快速访问、分析和使用数据。我们很高兴与 Google Cloud 合作，因为我们实施了新的制造解决方案来优化生产运营并持续提高质量。”

“作为固态冷却和加热技术的全球创新者，我们开发了一个可持续的制造平台，使用更少的水、更少的电和更少的化学废物，”Phononic 首席运营官 Jason Ruppert 说，“与 Google Cloud 的合作使我们能够将所有制造流程中的数据关联起来——最终为我们提供分析和见解，以优化我们的运营，并继续为世界带来可持续冷却、减少温室气体 (GhG) 排放和改善环境。”

借助谷歌云的新制造解决方案，智能制造运营的三个关键部分得到加强和集成：工厂车间工程师、数据和人工智能。

赋能工厂工程师成为智能制造的枢纽

在过去的几年里，制造业贡献了美国国内生产总值的 10% 以上，或包括间接价值（即从其他行业的采购）在内的 GDP 的 24%。这也是雇用约 1500 万人的行业，占美国总就业人数的 10%。然而，美国超过 20% 的制造商劳动力年龄超过 55 岁，平均年龄为 44 岁——世界各地的情况类似。对于制造商来说，寻找新人才来取代退休劳动力变得越来越困难。

因此，公司既需要启用现有员工队伍，又需要使其对新人才的加入更具吸引力。这种平衡需要使云和人工智能等关键技术易于访问、更易于使用，并深深嵌入制造商的日常运营中。

Google Cloud 的制造解决方案在设计时就考虑到了这一点。结合快速实施和易用性，强大的数字工具直接交到制造商员工手中，以全新的方式发现新见解并优化运营。

该解决方案的关键部分是设置和使用中的低代码或无代码，因此适用于各种最终用户。这些解决方案专为规模而设计，允许基于模板的部署，并通过标准化鼓励重用。在设计时考虑了最佳实践，制造商能够将宝贵的资源集中在用例上，而不是底层基础设施上。

制造工程师可以使用基于Looker 的商业智能引擎的Manufacturing Analytics & Insights 可视化和深入研究数据。与制造数据引擎集成后，其自动配置可提供制造运营各个方面的最新视图。从首席运营官到工厂经理和工厂工程师，用户可以轻松浏览和探索企业、工厂、生产线机器和传感器级别的工厂数据。

使每个数据点都可访问且可操作

数据是数字制造转型的支柱，制造商拥有潜在的丰富数据：单台机器的性能日志每周可以产生 5GB 的数据，而典型的智能工厂每周可以产生 5PB 的数据。

然而，今天许多制造商仍然无法访问这些丰富的数据和其中包含的洞察力：数据通常只被部分捕获，然后被锁定在各种不同的专有系统中。

Manufacturing Connect 与 Litmus Automation 共同开发，提供行业领先的 250 多个本机协议连接器，只需单击几下即可快速连接到几乎任何生产资产和系统并从中获取数据。集成分析功能和对容器化工作负载的支持为制造商提供了对数据进行本地处理的选项。

一个互补的云组件允许制造商集中管理、配置、标准化和更新其所有工厂的边缘实例，以便在全球范围内推广。集成在同一个 UI 中，用户还可以通过配置 Google Cloud 的制造数据引擎解决方案来管理发送到云端的数据的下游处理。

制造数据引擎为数据提供结构，并允许语义置于上下文背景理解。这样做，数据可以在整个企业中普遍访问和使用。通过抽象出制造数据的底层复杂性，制造商和合作伙伴能够开发高价值、可重复、可扩展且快速实施分析和人工智能用例。

智能制造的人工智能需要广泛的合作伙伴生态系统

制造商认识到人工智能解决方案在推动成本和生产优化方面的价值。以至于他们中的一些人在人工智能计划方面拥有活跃的专利。事实上，根据谷歌在 2021 年 6 月的研究，在日常运营中使用人工智能的制造商中有 66% 表示他们对人工智能的依赖正在增加。

Google Cloud 帮助制造商将云技术和人工智能运用到工作中，帮助工厂更快、更顺畅地运行。使用 Google Cloud 制造数据引擎的客户可以直接访问 Google Cloud 行业领先的 Vertex AI 平台，该平台提供集成的 AI/ML 工具，从面向制造工程师的 AutoML 到供专家微调结果的高级 AI 工具。借助 Google Cloud，制造商可以轻松实现 AI/ML 用例开发。