Jak strojové učení ve výrobě změnilo pracovní postupy

Úvodní stránka

Manažeři výrobních operací a technici promrhali desítky let dolarů na fixní plánování výroby, reaktivní údržbu a ruční kontrolu. Před desítkami let byly snadno dostupné a překonávaly dnešní požadavky na výrobu. Chybný úsudek, zpoždění reakcí a datová sila měly tendenci vytvářet nákladná úzká místa. Inteligentní automatizace využívající strojové učení však dnes mění výrobní toky.

Vítejte ve věku strojů, které se učí, zlepšují a dokonce předpovídají. Tento článek pojednává o skutečných problémech, se kterými se výroba setkala, o tom, jak mohou služby vývoje strojového učení usnadnit inovativní řešení, o matematice, která za ním stojí, a o skutečném přístupu k úspěchu při implementaci.

Lidské chyby a úzká místa pracovních postupů

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

Podlahy prodejen jsou vysoce rizikové. Jeden malý detail, který unikl - jedna položka opotřebení a zanedbání při vizuální kontrole, jeden chybně umístěný díl na montážní lince nebo časové zpoždění materiálu u kritických kusů - může způsobit tuny prostojů nebo špatný výrobek - dřívější pracovní postupy využívaly jednotlivce, kteří sledovali a plánovali časové rámce, tam není mnoho prostoru.

Lidské chyby jsou nevyhnutelné, zejména při opakovaných operacích nebo při zpracování velkého množství informací. K úzkým místům mezitím dochází, když systémy nedokážou včas odhalit neefektivitu nebo předvídat přerušení dříve, než se stane kritickým.

Výsledek? Reaktivní záplaty, vyšší náklady a různá kvalita výrobků.

Čtyři kroky k chytřejším pracovním postupům

Strojové učení se s těmito výzvami vypořádává tím, že umožňuje systémům třídit obrovské množství dat, učit se ze vzorců a činit rozhodnutí, někdy rychleji a lépe než lidský mozek. Čtyři inovace mění výrobu a jsou popsány níže:

Sběr dat ze senzorů a monitorování v reálném čase

Chytrá výroba se opírá o data. Senzory v dnešních zařízeních zaznamenávají proudy dat o stavu zařízení v reálném čase - o teplotě, vibracích, tlaku a rychlosti. Tyto neustálé informace v reálném čase slouží jako zdroj pro modely strojového učení, které sledují nekonečně malé odchylky indikující opotřebení, poruchu nebo nedostatečný výkon.

Robustní vrstva pro agregaci dat také umožňuje vytvářet strojové učení ve výrobě, které kalibruje modely na konkrétní prostředí továrny, strojní zařízení a výrobní cíle.

Modely prediktivní údržby

Prediktivní údržba využívá historická a existující data k předvídání poruch namísto reakce na poruchu stroje. Modely prediktivní údržby sledují vzorce způsobující poruchy, jako je například mírné zvýšení teploty motoru, a upozorňují týmy dříve, než problémy vzniknou.

Návratnost je méně neočekávaná: prostoje, delší životnost zařízení a agresivní plán údržby. Prediktivní údržba nemusí nutně znamenat předcházení závadám - jde o vytvoření kultury připravenosti.

Zobrazování a automatizovaná kontrola kontroly kvality

Kontrola kvality byla vždy náročná na lidskou práci a při odhalování závad se spoléhala na bystrý lidský zrak. V tovární hale však díky počítačovému vidění a strojovému učení mohou systémy počítačového zpracování obrazu odhalit závady okamžitě.

Učí se z tisíců nalepených obrázků - škrábanců, rýh, chybných poloh - a postupem času zlepšují svou přesnost. Tato metoda je přesnější než předchozí a rychlost umožňuje kontrolu každé součásti bez přerušení linky.

Požadavky na předvídání a plánování poptávky

Nestálá poptávka, nedostatek dodávek a zpoždění dodávek zhatily výrobní plány. Algoritmy využívající strojové učení nyní předpovídají trendy v dodavatelském řetězci na základě historických objednávek, počasí, geopolitických oznámení a pohybů na trhu.

Tyto prediktivní modely umožňují výrobcům udržovat správné množství zásob, vyhnout se nadvýrobě a rychle reagovat na změny, čímž se dodavatelské řetězce stávají spíše reaktivními než odolnými.

Seznámení s hlavními technologiemi

Předpokladem pro to, abyste mohli tato řešení použít, je seznámit se s teorií řešení strojového učení:

Učení pod dohledem: Tato technika učí algoritmy na základě označených dat. V obchodě by mohla na základě předchozích příkladů naučit model, co je "vadný" a co "nevadný" výrobek.

Učení bez dohledu: Pracuje s neoznačenými daty za účelem zjištění vzorů, jako je detekce anomálií v informacích ze senzorů nebo seskupování strojů na základě podobných profilů.

**Digitální dvojčata: **Jsou to virtuální repliky fyzických systémů. Inženýři mohou v simulovaném prostředí přimět stroj nebo výrobní linku, aby se chovaly stejně jako ve skutečnosti, a experimentovat se změnami, aniž by riskovali v reálném světě. V kombinaci se strojovým učením se digitální dvojčata mohou sama učit a v průběhu času se zlepšovat.

Doporučení k provádění

Nasazení strojového učení není algoritmickou záležitostí - jde o to být připraven, sladěn a neustále se zlepšovat. Mějte na paměti následující osvědčené postupy, které zaručí úspěšné nasazení:

Zkontrolujte datovou infrastrukturu: Zkontrolujte, zda jsou data ze senzorů přesná, čistá a spolehlivě poskytovaná. Vytvořte robustní architekturu pro ukládání a zpracování dat, ať už v cloudu, nebo na pracovišti.

Naplánujte přeškolení modelu: Vaše ML modely se stanou méně přesnými, jak se budou měnit podmínky. Proveďte plán přeškolení pomocí nových dat a sledujte výkonnost.

Najděte významné integrační body: Definujte, jak budou výsledky ML komunikovat s vaším MES (Manufacturing Execution System), ERP nebo jinými výrobními systémy. Využijte APIS a middleware, které umožní otevřenou komunikaci.

Vzdělávejte svůj personál: Poskytněte svým pracovníkům data, aby mohli jednat na základě výstupů strojového učení. Vzdělávejte inženýry a operátory v oblasti výstupů učení a rozhodování na jejich základě.

Tato doporučení představují dokonalý základ pro krátkodobý úspěch, flexibilitu a přizpůsobivost v dlouhodobém horizontu.

Účinek: Úspory efektivity a na co se zaměřit

Strojové učení změnilo výrobní činnosti z reaktivních na prediktivní, z manuálních na automatické a z flexibilních na fixní. Mezi výhody patří menší časové ztráty, vyšší kvalita výrobků, nižší zásoby a rychlejší rozhodování.

Jízda však ještě není u konce. Dalším důkazem konceptu by mohlo být adaptivní plánování v reálném čase, AI Procure-to-pay nebo dokonce plně autonomní kontrola kvality. Jako vedoucí pracovníci ve výrobě je načase, abyste nyní zvážili úzká místa ve svých současných procesech a zeptali se: Co by strojové učení vylepšilo?