Как машинното обучение в производството трансформира работните процеси

Въведение

Ръководителите на производствените операции и инженерният персонал са похарчили десетилетия наред средства за фиксирано планиране на производството, реактивна поддръжка и ръчна проверка. Преди десетилетия, леснодостъпни, те надхвърляха днешните производствени изисквания. Грешка в преценката, забавяне на реакцията и силози от данни обикновено създаваха скъпоструващи тесни места. Интелигентната автоматизация, използваща машинно обучение, обаче трансформира фабричните потоци днес.

Добре дошли в ерата на машините, които се учат, подобряват и дори прогнозират. В тази статия се разглеждат актуални проблеми, с които се е сблъскало производството, как услугите за разработване на машинно обучение могат да улеснят иновативните решения, математиката зад него и подход към успеха при внедряването в реалния свят.

Човешки грешки и пречки в работния процес

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

Цеховите помещения са високорискови. Една малка подробност, която се е изгубила - един елемент на износване и пренебрегване при визуална проверка, една неправилно поставена част на монтажната линия или забавяне на материала за критични части - може да доведе до тонове престой или лош продукт - предишните работни процеси използваха наблюдение на отделни лица и планирани срокове, там няма много място.

Човешките грешки са неизбежни, особено при повтарящи се операции или огромни количества информация. В същото време затрудненията се появяват, когато системите не могат да открият неефективността достатъчно рано или да предвидят прекъсванията, преди те да станат критични за мисията.

Резултатът? Реактивни лепенки, по-високи разходи и различно качество на продукта.

Четири стъпки към по-интелигентни работни потоци

Машинното обучение се справя с тези предизвикателства, като позволява на системите да сортират огромни количества данни, да се учат от модели и да вземат решения, понякога по-бързо и по-добре от човешкия мозък. Четири иновации трансформират производството и са разгледани по-долу:

Събиране на данни от сензори и мониторинг в реално време

Интелигентното производство разчита на данни. Сензорите в съвременните устройства записват потоци от данни за състоянието на оборудването в реално време - температура, вибрации, налягане и скорост. Тази постоянна информация в реално време захранва моделите за машинно обучение, които следят за безкрайно малки отклонения, които показват износване, повреда или недостатъчна производителност.

Един стабилен слой за агрегиране на данни също така позволява създаването на машинно обучение в производството, което калибрира моделите към конкретната заводска среда, машини и производствени цели.

Модели за предсказваща поддръжка

Прогнозната поддръжка използва исторически и съществуващи данни, за да предвиди повредите, вместо да реагира на повреда на машината. Моделите за прогнозна поддръжка разглеждат моделите, причиняващи повреди, като например незначително повишаване на температурата на двигателя, и предупреждават екипите преди възникването на проблеми.

Възвръщаемостта е по-малко неочаквана: престой, по-дълъг живот на оборудването и агресивен график за поддръжка. Предсказващата поддръжка не е непременно свързана с предварителното отстраняване на дефекти - тя е свързана със създаването на култура на готовност.

Изображения за контрол на качеството и автоматизирана инспекция

Контролът на качеството винаги е изисквал много работна ръка и е разчитал на острото човешко зрение за откриване на неизправности. Но във фабриката с помощта на компютърното зрение и машинното обучение системите за обработка на изображения могат да откриват неизправности мигновено.

Те се учат от хиляди залепени снимки - драскотини, вдлъбнатини, неправилни позиции - и с времето подобряват точността си. Този метод е по-точен от предишния, а скоростта позволява проверка на всеки компонент без прекъсване на линията.

Изискване за прогнозиране и планиране на търсенето

Променливото търсене, недостигът на доставки и забавянето на доставките разрушиха производствените планове. Алгоритми, задвижвани от машинно обучение, сега прогнозират тенденциите във веригата на доставки въз основа на исторически поръчки, метеорологични условия, геополитически съобщения и пазарни движения.

Тези прогнозни модели позволяват на производителите да поддържат правилния размер на запасите, да избягват свръхпроизводството и да реагират бързо на промените, което прави веригите за доставки по-скоро реактивни, отколкото устойчиви.

Запознаване с основните технологии

Като предпоставка за прилагане на тези решения е полезно да се запознаете с теорията на решенията за машинно обучение:

Контролирано обучение: Тази техника обучава алгоритми на базата на етикетирани данни. В бизнеса тя може да научи модел какво представлява "дефектният" и "недефектният" продукт на базата на предишни примери.

Обучение без наблюдение: Работи с немаркирани данни, за да открива модели, като например откриване на аномалии в сензорна информация или групиране на машини въз основа на сходни профили.

**Дигитални близнаци: **Виртуални копия на физически системи. Инженерите могат да накарат дадена машина или производствена линия да се държи в симулирана среда така, както би се държала в реалния живот, и да експериментират с промени, без да поемат рискове в реалния свят. Когато се комбинират с машинно обучение, цифровите близнаци могат да се учат и подобряват сами с течение на времето.

Препоръки за изпълнение

Внедряването на машинно обучение не е въпрос на алгоритъм - става въпрос за готовност, съгласуваност и непрекъснато подобряване. Имайте предвид следните най-добри практики, за да гарантирате успешно внедряване:

Проверете инфраструктурата си за данни: Уверете се, че данните от сензорите са точни, чисти и надеждно предоставени. Разработете надеждна архитектура за съхранение и обработка на данни, независимо дали в облака или на място.

Планирайте преквалификация на модела: Вашите ML модели ще станат по-малко точни с промяната на условията. Въведете график за преквалификация, като използвате нови данни и наблюдавате ефективността.

Намерете значими точки на интеграция: Определете как резултатите от ML ще се свързват с вашата MES (Manufacturing Execution System), ERP или други производствени системи. Използвайте APIS и междинен софтуер, за да осигурите отворена комуникация.

Обучавайте персонала си: Предоставете на работниците си данни, за да действат на базата на резултатите от машинното обучение. Обучавайте инженерите и операторите относно резултатите от обучението и вземането на решения въз основа на тях.

Тези препоръки осигуряват отлична основа за краткосрочен успех, гъвкавост и адаптивност в дългосрочен план.

Ефектът: Спестявания от ефективност и какво да търсим

Машинното обучение трансформира производствените дейности от реактивни в прогнозни, от ръчни в автоматични и от гъвкави във фиксирани. Предимствата включват по-малко загуба на време, по-високо качество на продуктите, по-ниски запаси и по-бързо вземане на решения.

Но пътуването все още не е приключило. Следващото доказателство за концепцията може да бъде адаптивното планиране в реално време, изкуственият интелект при снабдяването и плащането или дори напълно автономна проверка на качеството. Като лидери в производството е време да обмислите сега тесните места в текущия си процес и да се запитате: Какво би подобрило машинното обучение?