Hogyan alakította át a gépi tanulás a gyártásban a munkafolyamatokat?

Intro

A termelésüzemeltetési vezetők és a mérnöki személyzet évtizedek óta dollárnyi pénzt pazarolt el a rögzített gyártástervezésre, a reaktív karbantartásra és a kézi ellenőrzésre. Évtizedekkel ezelőtt, bármennyire is könnyen elérhetőek voltak, a fentiek meghaladták a mai termelési követelményeket. Az ítélkezési hiba, a válaszadási késedelem és az adatsilók hajlamosak voltak költséges szűk keresztmetszeteket létrehozni. A gépi tanulást alkalmazó intelligens automatizálás azonban napjainkban átalakítja a gyárak folyamatait.

Üdvözöljük a tanulni, fejlődni és még előrejelezni is képes gépek korában. Ez a cikk a gyártás területén felmerült aktuális problémákat, a gépi tanulás fejlesztésével kapcsolatos szolgáltatások innovatív megoldások elősegítését, a mögötte álló matematikát és a megvalósítás sikerének tényleges megközelítését tárgyalja.

Emberi hibák és a munkafolyamatok szűk keresztmetszetei

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

Az üzlethelyiségek magas kockázatúak. Egyetlen apró részlet elszaladt - egyetlen kopás és elhanyagolás a vizuális ellenőrzés során, egyetlen rosszul elhelyezett alkatrész a szerelőszalagon, vagy az anyag időzítési késedelme a kritikus daraboknál - tonnányi állásidőt vagy rossz terméket jelenthet - a korábbi munkafolyamatok során az egyének figyeltek és tervezett időkereteket használtak, ott nincs sok hely.

Az emberi hibák elkerülhetetlenek, különösen az ismétlődő műveletek vagy a nagy mennyiségű információ esetében. Eközben szűk keresztmetszetek keletkeznek, amikor a rendszerek nem képesek elég korán észrevenni a nem megfelelő hatékonyságot, vagy nem képesek előre jelezni a megszakításokat, mielőtt azok kritikus jelentőségűvé válnának.

Az eredmény? Reaktív foltok, magasabb költségek és változó termékminőség.

Négy lépés az intelligensebb munkafolyamatokhoz

A gépi tanulás ezeket a kihívásokat úgy kezeli, hogy lehetővé teszi a rendszerek számára, hogy hatalmas mennyiségű adatot válogassanak át, tanuljanak a mintákból, és döntéseket hozzanak, néha gyorsabban és jobban, mint az emberi agy. Négy innováció alakítja át a gyártást, amelyeket az alábbiakban tárgyalunk:

Érzékelőadatok gyűjtése és valós idejű megfigyelés

Az intelligens gyártás az adatokra támaszkodik. A mai eszközök érzékelői valós időben rögzítik a berendezések állapotára vonatkozó adatfolyamokat - hőmérséklet, rezgés, nyomás és sebesség. Ezek a folyamatos, valós idejű információk táplálják a gépi tanulási modelleket, amelyek figyelik a kopást, meghibásodást vagy alulteljesítést jelző apró eltéréseket.

A robusztus adataggregációs réteg lehetővé teszi a gépi tanulás létrehozását is a gyártásban, amely a modelleket az adott gyári környezethez, gépekhez és termelési célokhoz kalibrálja.

Előrejelző karbantartási modellek

A prediktív karbantartás a múltbeli és meglévő adatokat használja fel a meghibásodások előrejelzésére, ahelyett, hogy a gép meghibásodására reagálna. A prediktív karbantartási modellek a meghibásodást okozó mintákat vizsgálják, mint például egy motor kisebb hőmérséklet-emelkedése, és még a problémák felmerülése előtt figyelmeztetik a csapatokat.

A megtérülés kevésbé váratlan: állásidő, hosszabb élettartam és agresszív karbantartási ütemterv. A prediktív karbantartás nem feltétlenül a hibák előzetes elhárításáról szól - hanem a készenléti kultúra megteremtéséről.

Minőség-ellenőrzési képalkotás és automatizált ellenőrzés

A minőségellenőrzés mindig is emberigényes feladat volt, amely a hibák felismerésében az éles emberi látásra támaszkodott. A gyárban azonban a számítógépes látás és a gépi tanulás segítségével a számítógépes képfeldolgozó rendszerek azonnal felismerik a hibákat.

Több ezer felragasztott képből - karcolások, horpadások, hibás pozíciók - tanulnak, és idővel javítják a pontosságukat. Ez a módszer pontosabb, mint az előző, és a sebesség lehetővé teszi minden alkatrész ellenőrzését a sor megszakítása nélkül.

Kereslet előrejelzése és tervezési követelmény

Az ingadozó kereslet, a kínálati hiányok és a szállítási késedelmek tönkretették a termelési terveket. A gépi tanulással működtetett algoritmusok ma már a korábbi megrendelések, az időjárás, a geopolitikai bejelentések és a piaci mozgások alapján előrejelzik az ellátási lánc trendjeit.

Ezek az előrejelző modellek lehetővé teszik a gyártók számára, hogy a megfelelő mennyiségű készletet tartsák fenn, elkerüljék a túltermelést, és gyorsan reagáljanak a változásokra, így az ellátási láncok inkább reaktívvá, mint rugalmasabbá válnak.

Ismerkedés a fő technológiákkal

Ahhoz, hogy ezeket a megoldásokat alkalmazni tudja, hasznos, ha megismerkedik a gépi tanulási megoldások elméletével:

Felügyelt tanulás: Ez a technika címkézett adatokon tanítja az algoritmusokat. Az üzleti életben a korábbi példák alapján megtaníthat egy modellt arra, hogy mi a "hibás" és mi a "nem hibás" termék.

Felügyelet nélküli tanulás: A címkézetlen adatokon dolgozik, hogy mintákat fedezzen fel, például az érzékelői információkban lévő anomáliák felismerése vagy a gépek csoportosítása hasonló profilok alapján.

**Digitális ikrek: **A fizikai rendszerek virtuális másolatai. A mérnökök egy szimulált környezetben egy gépet vagy egy gyártósorozatot úgy viselkedhetnek, mint a való életben, és változtatásokkal kísérletezhetnek anélkül, hogy a való világban kockázatot vállalnának. A gépi tanulással kombinálva a digitális ikrek képesek tanulni és idővel maguktól fejlődni.

Végrehajtási ajánlások

A gépi tanulás bevezetése nem algoritmikus kérdés, hanem a felkészültségről, az összehangolásról és a folyamatos fejlesztésről szól. Tartsa szem előtt a következő legjobb gyakorlatokat a sikeres telepítés garantálása érdekében:

Ellenőrizze az adatinfrastruktúrát: Győződjön meg arról, hogy az érzékelőadatok pontosak, tiszták és megbízhatóan kerülnek átadásra. Fejlesszen ki robusztus adattárolási és adatfeldolgozási architektúrát, akár felhőben, akár helyben.

Ütemezze az átképzési modellt: Az ML-modellek a körülmények változásával egyre pontatlanabbá válnak. Vezessen be ütemtervet az új adatok felhasználásával történő átképzésre és a teljesítmény nyomon követésére.

Keresse meg a jelentős integrációs pontokat: Határozza meg, hogy az ML-eredmények hogyan fognak kommunikálni a MES (Manufacturing Execution System), az ERP vagy más gyártási rendszerekkel. Használjon APIS-t és köztes szoftvereket a nyílt kommunikáció lehetővé tételéhez.

Oktassa a személyzetet: Adja meg dolgozóinak az adatokat, hogy a gépi tanulás kimenetei alapján cselekedjenek. Oktassa a mérnököket és az operátorokat a tanulási kimenetekről és az azokon alapuló döntéshozatalról.

Ezek az ajánlások tökéletes alapot biztosítanak a rövid távú sikerhez, a rugalmassághoz és a hosszú távú alkalmazkodóképességhez.

A hatás: Hatékonysági megtakarítások és mit kell keresni

A gépi tanulás a gyártási tevékenységeket reaktívból előrejelzővé, manuálisból automatikussá és fix helyett rugalmasvá alakította át. Az előnyök közé tartozik a kevesebb időveszteség, a jobb termékminőség, az alacsonyabb készletek és a gyorsabb döntéshozatal.

De az utazás még nem ért véget. A következő proof-of-concept lehet a valós idejű adaptív ütemezés, a mesterséges intelligenciával történő beszerzéstől a fizetésig, vagy akár a teljes autonóm minőségellenőrzés. Gyártási vezetőként itt az ideje, hogy már most átgondolják a jelenlegi folyamatuk szűk keresztmetszeteit, és megkérdezzék: mit javítana a gépi tanulás?