Kā mašīnmācīšanās ražošanā pārveido darba plūsmas

Ievads

Ražošanas operāciju vadītāji un inženiertehniskais personāls gadu desmitiem ir izšķieduši desmitiem dolāru par fiksētu ražošanas plānošanu, reaktīvu tehnisko apkopi un manuālu pārbaudi. Pirms vairākiem gadu desmitiem šie iepriekš minētie līdzekļi, kas bija viegli pieejami, pārsniedza šodienas ražošanas prasības. Kļūdaina sprieduma pieņemšana, reakcijas kavēšanās un datu "silosi" mēdza radīt dārgi izmaksājošas vājās vietas. Taču šodien rūpnīcu plūsmas pārveido inteliģenta automatizācija, izmantojot mašīnmācīšanos.

Laipni lūgti mašīnu laikmetā, kas mācās, pilnveidojas un pat prognozē. Šajā rakstā aplūkotas aktuālas problēmas, ar kurām ir saskārusies ražošana, kā mašīnmācīšanās izstrādes pakalpojumi var veicināt inovatīvus risinājumus, to pamatā esošā matemātika un faktiskā pasaules pieeja, lai gūtu panākumus ieviešanā.

Cilvēku kļūdas un darba plūsmas sastrēgumi

https://unsplash.com/photos/a-computer-circuit-board-with-a-brain-on-it-_0iV9LmPDn0

Veikalu grīdas ir augsta riska zona. Viena maza detaļa, kas palikusi bez ievērības - viens nolietojuma un nolaidības elements vizuālajā pārbaudē, viena nepareizi ievietota detaļa uz montāžas līnijas vai materiāla aizkavēšanās kritisko detaļu izgatavošanā - var radīt daudz dīkstāvju vai sliktu produktu - iepriekšējās darba plūsmās tika izmantotas personas, kas vēroja un plānoja laika rāmjus, un tur nav daudz vietas.

Cilvēku kļūdas ir neizbēgamas, jo īpaši, veicot atkārtotas darbības vai apstrādājot milzīgu informācijas apjomu. Savukārt sastrēgumi rodas, ja sistēmas nespēj pietiekami agri pamanīt neefektivitāti vai paredzēt traucējumus, pirms tie kļūst kritiski svarīgi.

Rezultāts? Reaktīvi plāksteri, lielāki izdevumi un atšķirīga produktu kvalitāte.

Četri soļi uz gudrākām darba plūsmām

Mašīnmācīšanās risina šīs problēmas, ļaujot sistēmām šķirot milzīgus datu apjomus, mācīties no modeļiem un pieņemt lēmumus, dažkārt ātrāk un labāk nekā cilvēka smadzenes. Četri jauninājumi pārveido ražošanu, un tie ir aplūkoti turpmāk:

Sensoru datu vākšana un reāllaika uzraudzība

Viedās ražošanas pamatā ir dati. Mūsdienu ierīcēs esošie sensori reāllaikā reģistrē datu plūsmas par iekārtu stāvokli - temperatūru, vibrāciju, spiedienu un ātrumu. Šī nepārtrauktā reāllaika informācija kalpo mašīnmācīšanās modeļiem, kas uzrauga bezgalīgi mazas izmaiņas, kas norāda uz nolietojumu, kļūmi vai nepietiekamu veiktspēju.

Drošs datu apkopošanas slānis ļauj arī izveidot mašīnmācīšanos ražošanā, kas kalibrē modeļus konkrētai rūpnīcas videi, iekārtām un ražošanas mērķiem.

Prognozējamās tehniskās apkopes modeļi

Paredzamā apkope izmanto vēsturiskos un esošos datus, lai paredzētu avārijas, nevis reaģētu uz mašīnas atteici. Prognozējamās tehniskās apkopes modeļi aplūko kļūmes izraisošos modeļus, piemēram, nelielu temperatūras paaugstināšanos motorā, un brīdina komandas pirms problēmu rašanās.

Atdeve ir mazāk negaidīta: dīkstāves, ilgāks iekārtu kalpošanas laiks un agresīvs apkopes grafiks. Paredzamā apkope ne vienmēr ir saistīta ar iepriekšēju defektu novēršanu - tā ir gatavības kultūras radīšana.

Kvalitātes kontroles attēlveidošana un automatizēta pārbaude

Kvalitātes kontrole vienmēr bija cilvēkresursu ietilpīgs uzdevums, kas balstījās uz asu cilvēka redzi, lai atklātu defektus. Taču, izmantojot datorredzes un mašīnmācīšanās tehnoloģijas, datorattēlu apstrādes sistēmas var uzreiz atklāt defektus.

Tās mācās no tūkstošiem uzlīmētu attēlu - skrāpējumiem, iegriezumiem, plaisām, nepareiziem novietojumiem - un laika gaitā uzlabo savu precizitāti. Šī metode ir precīzāka par iepriekšējo, un ātrums ļauj pārbaudīt katru komponentu, nepārtraucot līnijas darbību.

Pieprasījuma prognozēšana un plānošanas prasības

Nepastāvīgs pieprasījums, piegādes trūkums un piegādes kavējumi ir sagrāvuši ražošanas plānus. Mašīnmācīšanās algoritmi tagad prognozē piegādes ķēdes tendences, pamatojoties uz vēsturiskiem pasūtījumiem, laikapstākļiem, ģeopolitiskiem paziņojumiem un tirgus izmaiņām.

Šie prognozēšanas modeļi ļauj ražotājiem uzturēt pareizo krājumu apjomu, izvairīties no pārprodukcijas un ātri reaģēt uz izmaiņām, padarot piegādes ķēdes reaģējošas, nevis elastīgas.

Iepazīšanās ar galvenajām tehnoloģijām

Lai spētu izmantot šos risinājumus, ir lietderīgi iepazīties ar mašīnmācīšanās risinājumu teoriju:

Uzraudzīta mācīšanās: Šī metode algoritmus māca, izmantojot marķētus datus. Uzņēmējdarbībā, izmantojot iepriekšējos piemērus, tā varētu iemācīt modelim, kas ir "bojāts" un kas nav "bojāts" produkts.

Mācīšanās bez uzraudzības: Lai atklātu likumsakarības, piemēram, anomāliju noteikšanu sensoru informācijā vai mašīnu grupēšanu, pamatojoties uz līdzīgiem profiliem, tiek izmantoti nemarķēti dati.

**Digitālie dvīņi: **Tie ir fizisku sistēmu virtuālas kopijas. Inženieri var panākt, ka mašīna vai ražošanas līnija simulētā vidē uzvedas tāpat kā reālajā dzīvē, un eksperimentēt ar izmaiņām, neriskējot reālajā pasaulē. Apvienojumā ar mašīnmācīšanos digitālie dvīņi laika gaitā var mācīties un pilnveidoties paši.

Īstenošanas ieteikumi

Mašīnmācīšanās ieviešana nav algoritmiska lieta - tā ir gatavība, saskaņošana un nepārtraukta uzlabošana. Lai garantētu veiksmīgu izvēršanu, paturiet prātā turpmāk izklāstīto paraugpraksi:

Pārbaudiet datu infrastruktūru: Pārliecinieties, vai sensoru dati ir precīzi, tīri un uzticami. Izstrādājiet stabilu datu glabāšanas un apstrādes arhitektūru, neatkarīgi no tā, vai tā ir mākoņa vai lokāla.

Plānojiet pārkvalificēšanas modeli: Mainoties apstākļiem, jūsu ML modeļi kļūs mazāk precīzi. Ievietojiet pārkvalificēšanas grafiku, izmantojot jaunus datus un uzraugot veiktspēju.

Atrodiet nozīmīgus integrācijas punktus: Nosakiet, kā jūsu ML rezultāti tiks savienoti ar jūsu MES (Manufacturing Execution System), ERP vai citām ražošanas sistēmām. Izmantojiet APIS un starpprogrammatūru, lai nodrošinātu atklātu saziņu.

Izglītojiet personālu: Sniedziet saviem darbiniekiem datus, lai tie varētu rīkoties, izmantojot mašīnmācīšanās rezultātus. Izglītojiet inženierus un operatorus par mācīšanās rezultātiem un uz tiem balstītu lēmumu pieņemšanu.

Šie ieteikumi ir lielisks pamats īstermiņa panākumiem, elastībai un pielāgošanās spējai ilgtermiņā.

Ietekme: Efektivitātes ietaupījumi un uz ko vērst uzmanību

Mašīnmācīšanās pārveidoja ražošanas darbības no reaģējošām uz prognozējošām, no manuālām uz automātiskām un elastīgām, nevis fiksētām. Priekšrocības ir mazāk laika zudumu, augstāka produktu kvalitāte, mazāki krājumi un ātrāka lēmumu pieņemšana.

Taču brauciens vēl nav beidzies. Nākamais koncepcijas pierādījums varētu būt adaptīva plānošana reālajā laikā, mākslīgā intelekta iepirkums līdz apmaksai vai pat pilnīgi autonoma kvalitātes pārbaude. Kā ražošanas vadītājiem ir pienācis laiks jau tagad apsvērt pašreizējā procesa vājās vietas un jautāt: ko mašīnmācīšanās varētu uzlabot?