Πώς η μηχανική μάθηση στη μεταποίηση μεταμόρφωσε τις ροές εργασίας

Εισαγωγή

Οι διευθυντές λειτουργίας παραγωγής και το προσωπικό μηχανικών έχουν σπαταλήσει δεκαετίες ολόκληρες σε σταθερό προγραμματισμό παραγωγής, αντιδραστική συντήρηση και χειροκίνητη επιθεώρηση. Πριν από δεκαετίες, εύκολα διαθέσιμα καθώς ήταν, τα παραπάνω ξεπερνούσαν τις σημερινές απαιτήσεις της παραγωγής. Το λάθος κρίσης, η καθυστέρηση απόκρισης και τα σιλό δεδομένων είχαν την τάση να δημιουργούν δαπανηρές εμπλοκές. Η ευφυής αυτοματοποίηση με χρήση μηχανικής μάθησης, ωστόσο, μεταμορφώνει σήμερα τις ροές των εργοστασίων.

Καλώς ήρθατε στην εποχή των μηχανών που μαθαίνουν, βελτιώνονται, ακόμη και προβλέπουν. Αυτό το άρθρο πραγματεύεται πραγματικά ζητήματα που έχει αντιμετωπίσει η βιομηχανία παραγωγής, τον τρόπο με τον οποίο οι υπηρεσίες ανάπτυξης μηχανικής μάθησης μπορούν να διευκολύνουν καινοτόμες λύσεις, τα μαθηματικά που κρύβονται από πίσω και μια προσέγγιση του πραγματικού κόσμου για την επιτυχία της εφαρμογής.

Ανθρώπινα σφάλματα και συμφόρηση ροής εργασιών

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

Οι χώροι καταστημάτων είναι υψηλού κινδύνου. Μια μικρή λεπτομέρεια που ξεφεύγει -ένα στοιχείο φθοράς και αμέλειας σε μια οπτική επιθεώρηση, ένα χαμένο εξάρτημα στη γραμμή συναρμολόγησης ή μια χρονική καθυστέρηση στο υλικό σε κρίσιμα κομμάτια- μπορεί να οδηγήσει σε τόνους διακοπών ή κακό προϊόν - οι προηγούμενες ροές εργασίας χρησιμοποιούσαν άτομα που παρακολουθούσαν και προγραμματισμένα χρονικά πλαίσια, δεν υπάρχει πολύς χώρος εκεί.

Τα ανθρώπινα λάθη είναι αναπόφευκτα, ιδίως σε επαναλαμβανόμενες λειτουργίες ή σε τεράστιες ποσότητες πληροφοριών. Εν τω μεταξύ, τα σημεία συμφόρησης συμβαίνουν όταν τα συστήματα δεν μπορούν να εντοπίσουν τις ανεπάρκειες αρκετά νωρίς ή να προβλέψουν τις διακοπές πριν γίνουν κρίσιμες για την αποστολή.

Το αποτέλεσμα; Αντιδραστικά μπαλώματα, υψηλότερα έξοδα και διαφορετική ποιότητα προϊόντων.

Τέσσερα βήματα για πιο έξυπνες ροές εργασίας

Η μηχανική μάθηση αντιμετωπίζει αυτές τις προκλήσεις μετωπικά, επιτρέποντας στα συστήματα να ταξινομούν τεράστιους όγκους δεδομένων, να μαθαίνουν από μοτίβα και να λαμβάνουν αποφάσεις, μερικές φορές ταχύτερα και καλύτερα από τον ανθρώπινο εγκέφαλο. Τέσσερις καινοτομίες μεταμορφώνουν την κατασκευή και αναλύονται παρακάτω:

Συγκομιδή δεδομένων αισθητήρων και παρακολούθηση σε πραγματικό χρόνο

Η έξυπνη κατασκευή βασίζεται στα δεδομένα. Οι αισθητήρες στις σημερινές συσκευές καταγράφουν ροές δεδομένων σχετικά με την κατάσταση του εξοπλισμού σε πραγματικό χρόνο - θερμοκρασία, κραδασμοί, πίεση και ταχύτητα. Αυτές οι συνεχείς πληροφορίες σε πραγματικό χρόνο τροφοδοτούν μοντέλα μηχανικής μάθησης, τα οποία παρακολουθούν για απειροελάχιστες διακυμάνσεις που υποδεικνύουν φθορά, βλάβη ή υπολειτουργία.

Ένα στιβαρό επίπεδο συγκέντρωσης δεδομένων επιτρέπει επίσης τη δημιουργία μηχανικής μάθησης στη μεταποίηση, η οποία βαθμονομεί τα μοντέλα στο συγκεκριμένο εργοστασιακό περιβάλλον, τα μηχανήματα και τους στόχους παραγωγής.

Μοντέλα προληπτικής συντήρησης

Η προληπτική συντήρηση χρησιμοποιεί ιστορικά και υπάρχοντα δεδομένα για την πρόβλεψη βλαβών, αντί να ανταποκρίνεται σε μια βλάβη του μηχανήματος. Τα μοντέλα προληπτικής συντήρησης εξετάζουν μοτίβα που προκαλούν βλάβες, όπως μια μικρή αύξηση της θερμοκρασίας ενός κινητήρα, και ειδοποιούν τις ομάδες πριν από την εμφάνιση προβλημάτων.

Η απόδοση είναι λιγότερο απροσδόκητη: χρόνος διακοπής λειτουργίας, μεγαλύτερη διάρκεια ζωής του εξοπλισμού και επιθετικό πρόγραμμα συντήρησης. Η προληπτική συντήρηση δεν αφορά απαραίτητα την προ-σύνδεση ελαττωμάτων - αφορά τη δημιουργία μιας κουλτούρας ετοιμότητας.

Απεικόνιση ελέγχου ποιότητας και αυτοματοποιημένη επιθεώρηση

Ο ποιοτικός έλεγχος ήταν πάντα μια άσκηση έντασης ανθρώπινου δυναμικού που βασιζόταν στην οξεία ανθρώπινη όραση για τον εντοπισμό των σφαλμάτων. Όμως στο εργοστάσιο με την όραση υπολογιστών και τη μηχανική μάθηση, τα συστήματα επεξεργασίας εικόνας μπορούν να ανιχνεύσουν τα σφάλματα άμεσα.

Μαθαίνουν από χιλιάδες αυτοκόλλητες εικόνες - γρατζουνιές, χτυπήματα, λανθασμένες θέσεις - και βελτιώνουν την ακρίβειά τους με την πάροδο του χρόνου. Αυτή η μέθοδος είναι πιο ακριβής από την προηγούμενη και η ταχύτητα επιτρέπει την επιθεώρηση κάθε εξαρτήματος χωρίς διακοπή της γραμμής.

Προβλέψεις ζήτησης και απαιτήσεις προγραμματισμού

Η ευμετάβλητη ζήτηση, οι ελλείψεις στην προμήθεια και οι καθυστερήσεις στην παράδοση κατέστρεψαν τα σχέδια παραγωγής. Οι αλγόριθμοι που υποστηρίζονται από τη μηχανική μάθηση προβλέπουν πλέον τις τάσεις της αλυσίδας εφοδιασμού με βάση τις ιστορικές παραγγελίες, τις καιρικές συνθήκες, τις γεωπολιτικές ανακοινώσεις και τις κινήσεις της αγοράς.

Αυτά τα μοντέλα πρόβλεψης επιτρέπουν στους κατασκευαστές να διατηρούν τη σωστή ποσότητα αποθεμάτων, να αποφεύγουν την υπερπαραγωγή και να ανταποκρίνονται γρήγορα στις αλλαγές, καθιστώντας τις αλυσίδες εφοδιασμού αντιδραστικές και όχι ευέλικτες.

Εξοικείωση με τις κύριες τεχνολογίες

Ως προϋπόθεση για να μπορέσετε να εφαρμόσετε αυτές τις λύσεις, είναι χρήσιμο να εξοικειωθείτε με τη θεωρία των λύσεων μηχανικής μάθησης:

Μάθηση με επίβλεψη: Αυτή η τεχνική διδάσκει αλγορίθμους σε δεδομένα με ετικέτες. Στις επιχειρήσεις, θα μπορούσε να διδάξει σε ένα μοντέλο τι συνιστά ένα "ελαττωματικό" έναντι ενός "μη ελαττωματικού" προϊόντος από προηγούμενα παραδείγματα.

Μάθηση χωρίς επίβλεψη: όπως η ανίχνευση ανωμαλιών σε πληροφορίες αισθητήρων ή η ομαδοποίηση μηχανών με βάση παρόμοια προφίλ.

**Ψηφιακά δίδυμα: **Είναι εικονικά αντίγραφα φυσικών συστημάτων. Οι μηχανικοί μπορούν να κάνουν μια μηχανή ή μια γραμμή παραγωγής να συμπεριφέρεται σε ένα προσομοιωμένο περιβάλλον όπως θα συμπεριφερόταν στην πραγματική ζωή και να πειραματιστούν με αλλαγές χωρίς να αναλάβουν κινδύνους στον πραγματικό κόσμο. Σε συνδυασμό με τη μηχανική μάθηση, τα ψηφιακά δίδυμα μπορούν να μαθαίνουν και να βελτιώνονται μόνα τους με την πάροδο του χρόνου.

Συστάσεις εφαρμογής

Η ανάπτυξη της μηχανικής μάθησης δεν είναι ένα αλγοριθμικό ζήτημα - έχει να κάνει με την ετοιμότητα, την ευθυγράμμιση και τη συνεχή βελτίωση. Λάβετε υπόψη σας τις ακόλουθες βέλτιστες πρακτικές για να εγγυηθείτε μια επιτυχημένη ανάπτυξη:

Ελέγξτε την υποδομή δεδομένων σας: Βεβαιωθείτε ότι τα δεδομένα των αισθητήρων είναι ακριβή, καθαρά και παραδίδονται αξιόπιστα. Αναπτύξτε μια στιβαρή αρχιτεκτονική αποθήκευσης και επεξεργασίας δεδομένων, είτε πρόκειται για cloud είτε για on-premises.

Χρονοδιάγραμμα επανεκπαίδευσης μοντέλου: Τα μοντέλα ML σας θα γίνονται λιγότερο ακριβή καθώς οι συνθήκες αλλάζουν. Εφαρμόστε ένα χρονοδιάγραμμα επανεκπαίδευσης χρησιμοποιώντας νέα δεδομένα και παρακολουθώντας την απόδοση.

Βρείτε τα σημεία ολοκλήρωσης που έχουν σημασία: (Σύστημα εκτέλεσης παραγωγής), το ERP ή άλλα συστήματα παραγωγής. Χρησιμοποιήστε APIS και ενδιάμεσο λογισμικό για να επιτρέψετε την ανοικτή επικοινωνία.

Εκπαιδεύστε το προσωπικό σας: Δώστε στους εργαζομένους σας δεδομένα για να ενεργούν με βάση τα αποτελέσματα της μηχανικής μάθησης. Εκπαιδεύστε τους μηχανικούς και τους χειριστές σχετικά με τα αποτελέσματα της εκμάθησης και τη λήψη αποφάσεων με βάση αυτά.

Οι συστάσεις αυτές παρέχουν μια τέλεια βάση για βραχυπρόθεσμη επιτυχία, ευελιξία και προσαρμοστικότητα μακροπρόθεσμα.

Το αποτέλεσμα: Εξοικονόμηση αποδοτικότητας και τι πρέπει να αναζητήσετε

Η μηχανική μάθηση μεταμόρφωσε τις δραστηριότητες παραγωγής από αντιδραστικές σε προγνωστικές, από χειροκίνητες σε αυτόματες και από ευέλικτες σε σταθερές. Τα πλεονεκτήματα περιλαμβάνουν λιγότερη σπατάλη χρόνου, υψηλότερη ποιότητα προϊόντων, χαμηλότερα αποθέματα και ταχύτερη λήψη αποφάσεων.

Αλλά η βόλτα δεν έχει τελειώσει ακόμα. Η επόμενη απόδειξη της ιδέας θα μπορούσε να είναι ο προσαρμοστικός προγραμματισμός σε πραγματικό χρόνο, η τεχνητή νοημοσύνη από την προμήθεια μέχρι την πληρωμή ή ακόμη και ο πλήρως αυτόνομος έλεγχος ποιότητας. Ως ηγέτες της παραγωγής, είναι καιρός να εξετάσετε τώρα τα σημεία συμφόρησης στην τρέχουσα διαδικασία σας και να αναρωτηθείτε: Τι θα μπορούσε να βελτιώσει η μηχανική μάθηση;