Ako strojové učenie vo výrobe zmenilo pracovné postupy

Úvod

Manažéri výrobnej prevádzky a technický personál premrhali desiatky rokov na fixné plánovanie výroby, reaktívnu údržbu a manuálnu kontrolu. Pred desiatkami rokov boli ľahko dostupné, pretože prevyšovali dnešné požiadavky na výrobu. Chybný úsudok, oneskorenie reakcií a dátové silá mali tendenciu vytvárať nákladné úzke miesta. Inteligentná automatizácia využívajúca strojové učenie však dnes transformuje výrobné toky.

Vitajte vo veku strojov, ktoré sa učia, zlepšujú a dokonca aj predpovedajú. V tomto článku sa rozoberajú aktuálne problémy, s ktorými sa výroba stretla, ako môžu služby vývoja strojového učenia uľahčiť inovatívne riešenia, matematika, ktorá za tým stojí, a skutočný prístup k úspechu pri implementácii.

Ľudské chyby a prekážky v pracovnom procese

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

Podlahy predajní sú vysoko rizikové. Jeden malý detail, ktorý unikol - jedna položka opotrebovania a zanedbania pri vizuálnej kontrole, jeden nesprávne umiestnený diel na montážnej linke alebo časové oneskorenie materiálu na kritických kusoch - môže spôsobiť tony prestojov alebo zlý výrobok - predchádzajúce pracovné postupy využívali osoby, ktoré sledovali a plánovali časové rámce, nie je tam veľa priestoru.

Ľudské chyby sú nevyhnutné, najmä pri opakujúcich sa operáciách alebo pri obrovskom množstve informácií. Úzke miesta vznikajú vtedy, keď systémy nedokážu včas odhaliť neefektívnosť alebo predvídať prerušenia skôr, ako sa stanú kritickými.

Výsledok? Reaktívne náplasti, vyššie náklady a rozdielna kvalita výrobkov.

Štyri kroky k inteligentnejším pracovným postupom

Strojové učenie rieši tieto výzvy priamo tým, že umožňuje systémom triediť obrovské množstvo údajov, učiť sa zo vzorcov a prijímať rozhodnutia, niekedy rýchlejšie a lepšie ako ľudský mozog. Štyri inovácie menia výrobu a sú opísané nižšie:

Zber údajov zo senzorov a monitorovanie v reálnom čase

Inteligentná výroba sa spolieha na údaje. Senzory v dnešných zariadeniach zaznamenávajú toky údajov o stave zariadenia v reálnom čase - teplotu, vibrácie, tlak a rýchlosť. Tieto nepretržité informácie v reálnom čase napájajú modely strojového učenia, ktoré sledujú nekonečne malé odchýlky, ktoré indikujú opotrebovanie, poruchu alebo nedostatočný výkon.

Robustná vrstva agregácie údajov umožňuje tiež vytvárať strojové učenie vo výrobe, ktoré kalibruje modely na konkrétne prostredie továrne, strojové zariadenia a výrobné ciele.

Modely prediktívnej údržby

Prediktívna údržba využíva historické a existujúce údaje na predvídanie porúch namiesto reakcie na poruchu stroja. Modely prediktívnej údržby sa zameriavajú na vzorce spôsobujúce poruchy, ako je napríklad mierne zvýšenie teploty motora, a upozorňujú tímy skôr, ako problémy vzniknú.

Návratnosť je menej neočakávaná: prestoje, dlhšia životnosť zariadenia a agresívny plán údržby. Prediktívna údržba nie je nevyhnutne o predchádzaní poruchám - je o vytvorení kultúry pripravenosti.

Zobrazovanie a automatizovaná kontrola kontroly kvality

Kontrola kvality bola vždy náročná na ľudskú prácu a pri zisťovaní chýb sa spoliehala na ostrý ľudský zrak. Ale v továrni s počítačovým videním a strojovým učením dokážu systémy počítačového spracovania obrazu odhaliť chyby okamžite.

Učia sa z tisícov nalepených obrázkov - škrabancov, otlakov, nesprávnych polôh - a časom zlepšujú svoju presnosť. Táto metóda je presnejšia ako predchádzajúca a rýchlosť umožňuje kontrolu každého komponentu bez prerušenia linky.

Požiadavky na prognózovanie a plánovanie dopytu

Nestály dopyt, nedostatky v dodávkach a oneskorenie dodávok zničili výrobné plány. Algoritmy založené na strojovom učení teraz predpovedajú trendy v dodávateľskom reťazci na základe historických objednávok, počasia, geopolitických oznámení a pohybov na trhu.

Tieto prediktívne modely umožňujú výrobcom udržiavať správne množstvo zásob, vyhýbať sa nadprodukcii a rýchlo reagovať na zmeny, čím sa dodávateľské reťazce stávajú skôr reaktívnymi ako odolnými.

Oboznámenie sa s hlavnými technológiami

Predpokladom toho, aby ste mohli tieto riešenia použiť, je užitočné oboznámiť sa s teóriou riešení strojového učenia:

Učenie pod dohľadom: Táto technika učí algoritmy na základe označených údajov. V podnikaní by mohla na základe predchádzajúcich príkladov naučiť model, čo predstavuje "chybný" a čo "chybný" výrobok.

Učenie bez dohľadu: V tomto prípade ide o zisťovanie anomálií v informáciách zo senzorov alebo zoskupovanie strojov na základe podobných profilov.

**Digitálne dvojčatá: **Sú to virtuálne repliky fyzických systémov. Inžinieri môžu v simulovanom prostredí prinútiť stroj alebo výrobnú linku, aby sa správali ako v reálnom živote, a experimentovať so zmenami bez toho, aby riskovali v reálnom svete. V kombinácii so strojovým učením sa digitálne dvojčatá môžu časom samy učiť a zlepšovať.

Odporúčania na vykonávanie

Nasadenie strojového učenia nie je algoritmická záležitosť - ide o to, aby ste boli pripravení, zosúladení a neustále sa zlepšovali. Majte na pamäti nasledujúce osvedčené postupy, ktoré zaručia úspešné nasadenie:

Skontrolujte svoju dátovú infraštruktúru: Uistite sa, že údaje zo senzorov sú presné, čisté a spoľahlivo poskytované. Vytvorte robustnú architektúru ukladania a spracovania údajov, či už v cloude alebo na mieste.

Naplánujte preškolenie modelu: Vaše ML modely budú menej presné, keď sa zmenia podmienky. Zaveďte plán preškolenia pomocou nových údajov a monitorujte výkonnosť.

Nájdite dôležité integračné body: Definujte, ako budú vaše výsledky ML komunikovať s vaším systémom MES (Manufacturing Execution System), ERP alebo inými výrobnými systémami. Použite APIS a middleware, aby ste umožnili otvorenú komunikáciu.

Vzdelávajte svoj personál: Poskytnite svojim pracovníkom údaje, aby mohli konať na základe výstupov strojového učenia. Vzdelávajte inžinierov a operátorov o výstupoch učenia a rozhodovaní na ich základe.

Tieto odporúčania predstavujú dokonalý základ pre krátkodobý úspech, flexibilitu a prispôsobivosť v dlhodobom horizonte.

Účinok: Úspora efektívnosti a na čo sa zamerať

Strojové učenie zmenilo výrobné činnosti z reaktívnych na prediktívne, z manuálnych na automatické a z flexibilných na fixné. Medzi výhody patrí menej časových strát, vyššia kvalita výrobkov, nižšie zásoby a rýchlejšie rozhodovanie.

Ale jazda sa ešte neskončila. Ďalším dôkazom konceptu by mohlo byť adaptívne plánovanie v reálnom čase, AI Procure-to-pay alebo dokonca úplne autonómna kontrola kvality. Ako vedúci pracovníci v oblasti výroby je načase, aby ste teraz zvážili úzke miesta vo svojich súčasných procesoch a spýtali sa: Čo by strojové učenie zlepšilo?