Kuidas masinõpe tootmises muutis töövooge

Intro

Tootmisoperatsioonide juhid ja inseneripersonal on aastakümneid raisanud dollareid fikseeritud tootmise planeerimisele, reaktiivsele hooldusele ja käsitsi kontrollimisele. Aastakümneid tagasi, kui need olid hõlpsasti kättesaadavad, ületasid need eespool nimetatud vahendid tänaseid tootmisnõudeid. Otsustusviga, reageerimisviivitus ja andmesilod kaldusid looma kulukaid kitsaskohti. Intelligentne automatiseerimine masinõppe abil on aga tänapäeval muutmas tehases toimuvaid protsesse.

Tere tulemast masinate ajastusse, mis õpivad, täiustavad ja isegi prognoosivad. Selles artiklis käsitletakse tegelikke probleeme, millega tootmine on kokku puutunud, kuidas masinõppe arendusteenused võivad hõlbustada uuenduslikke lahendusi, matemaatikat selle taga ja tegeliku maailma lähenemist edukale rakendamisele.

Inimlikud vead ja töökorralduse kitsaskohad

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

Kaupluste põrandad on kõrge riskiga. Üks väike detail jäi ära - üks kulunud ja hooletusse jäetud detail visuaalsel kontrollimisel, üks valesti paigutatud osa koosteliinil või materjali ajaline mahajäämus kriitiliste detailide puhul - võib kokku tuua tonnide viisi seisakuid või halbu tooteid - varasemad töövõtted kasutasid üksikisikute jälgimist ja planeeritud ajakavasid, seal ei ole palju ruumi.

Inimlikud vead on paratamatud, eriti korduvate toimingute või suure hulga teabe puhul. Samal ajal tekivad kitsaskohad, kui süsteemid ei suuda piisavalt varakult märgata ebaefektiivsust või prognoosida katkestusi enne, kui need muutuvad kriitiliseks.

Tulemus? Reaktiivsed plaastrid, suuremad kulud ja erinev tootekvaliteet.

Neli sammu arukamate töövoogude saavutamiseks

Masinõpe tegeleb nende probleemidega, võimaldades süsteemidel sorteerida suuri andmehulki, õppida mustritest ja teha otsuseid, mõnikord kiiremini ja paremini kui inimaju. Neli uuendust muudavad tootmist ja neid käsitletakse allpool:

Andurite andmete kogumine ja reaalajas jälgimine

Nutikas tootmine tugineb andmetele. Tänapäeva seadmete andurid salvestavad reaalajas andmevooge seadmete seisundi kohta - temperatuur, vibratsioon, rõhk ja kiirus. See pidev reaalajas saadav teave toidab masinõppemudeleid, mis jälgivad, kas seadme kulumist, rikkeid või alakoormust tähistavad üliväikesed muutused.

Tugev andmete koondamise kiht võimaldab luua ka masinõppe tootmises, mis kalibreerib mudelid konkreetse tehase keskkonna, masinate ja tootmise eesmärkide järgi.

Ennetava hoolduse mudelid

Ennustav hooldus kasutab ajaloolisi ja olemasolevaid andmeid, et ennetada rikkeid, selle asemel et reageerida masinarikkusele. Ennustava hoolduse mudelid vaatavad rikkeid põhjustavaid mustreid, näiteks mootori väikest temperatuuri tõusu, ja hoiatavad meeskondi enne probleemide tekkimist.

Tasu on vähem ootamatu: seisakud, pikem seadmete eluiga ja agressiivne hooldusgraafik. Ennetav hooldus ei tähenda ilmtingimata defektide eelnevat kõrvaldamist - see tähendab valmisolekukultuuri loomist.

Kvaliteedikontrolli pildistamine ja automatiseeritud kontroll

Kvaliteedikontroll oli alati tööjõumahukas tegevus, mis tugines vigade tuvastamisel inimeste teravale nägemisele. Kuid tehases on arvutinägemise ja masinõppe abil võimalik vigu koheselt tuvastada arvutipiltide töötlemise süsteemidega.

Nad õpivad tuhandetest kleebitud piltidest - kriimustused, mõrad, valed asukohad - ja parandavad aja jooksul oma täpsust. See meetod on täpsem kui eelmine ja kiirus võimaldab iga komponendi kontrollimist liini katkestamata.

Nõudluse prognoosimine ja planeerimise nõue

Ebakindel nõudlus, tarnepuudus ja tarnete hilinemine on hävitanud tootmisplaanid. Masinõppega töötavad algoritmid prognoosivad nüüd tarneahela suundumusi varasemate tellimuste, ilmastiku, geopoliitiliste teadaannete ja turuliikumise põhjal.

Need prognoosivad mudelid võimaldavad tootjatel säilitada õiges koguses varusid, vältida ületootmist ja reageerida kiiresti muutustele, muutes tarneahelad pigem reaktiivseks kui paindlikuks.

Tutvumine peamiste tehnoloogiatega

Nende lahenduste rakendamise eeltingimusena on kasulik tutvuda masinõppe lahenduste teooriaga:

Juhitud õppimine: See tehnika õpetab algoritme märgistatud andmete põhjal. Äri valdkonnas võiks see õpetada mudelile, mis on "defektne" ja mis "mittedefektne" toode varasemate näidete põhjal.

Järelevalveta õppimine: Töötab märgistamata andmetega, et leida mustreid, näiteks tuvastada anomaaliaid sensorite andmetes või rühmitada masinaid sarnaste profiilide alusel.

**Digitaalsed kaksikud: **On füüsiliste süsteemide virtuaalsed koopiad. Insenerid saavad panna masina või tootmisliini käituma simuleeritud keskkonnas nii, nagu nad käituksid reaalses elus, ja katsetada muudatusi, ilma et nad võtaksid riske reaalses maailmas. Kombineerituna masinõppega võivad digitaalsed kaksikud aja jooksul ise õppida ja täiustuda.

Rakendamissoovitused

Masinõppe kasutuselevõtt ei ole algoritmiline küsimus - see tähendab valmisolekut, kooskõlastatust ja pidevat täiustamist. Hoidke meeles järgmisi parimaid tavasid, et tagada edukas kasutuselevõtt:

Kontrollige oma andmetaristut: Veenduge, et andurite andmed on täpsed, puhtad ja usaldusväärselt edastatud. Töötage välja töökindel andmesalvestus- ja andmetöötlusarhitektuur, olgu see siis pilve- või kohapealne.

Plaani ümberõppemudel: Teie ML-mudelid muutuvad tingimuste muutudes ebatäpsemaks. Rakendage uute andmete ja tulemuslikkuse jälgimise abil ümberõppe ajakava.

Leidke olulised integratsioonipunktid: Määratlege, kuidas teie ML-tulemused suhtlevad teie MES (Manufacturing Execution System), ERP või muude tootmissüsteemidega. Kasutage APISi ja vahendusprogramme, et võimaldada avatud suhtlust.

Koolitage oma töötajaid: Andke oma töötajatele andmeid, et nad saaksid tegutseda masinõppe väljundite alusel. Koolitage insenere ja operaatoreid masinõppe väljundite ja nende põhjal tehtavate otsuste kohta.

Need soovitused loovad suurepärase aluse lühiajaliseks edule, paindlikkusele ja kohanemisvõimele pikas perspektiivis.

Efekt: Mis on tõhususe kokkuhoid ja mida otsida

Masinõpe muutis tootmistegevuse reaktiivsest prognoositavaks, manuaalsest automaatseks ja paindlikuks, mitte fikseeritud. Eeliste hulka kuuluvad väiksem ajakulu, kõrgem tootekvaliteet, väiksemad varud ja kiirem otsuste tegemine.

Kuid sõit ei ole veel lõppenud. Järgmine tõestuskontseptsioon võib olla reaalajas adaptiivne ajaplaneerimine, tehisintellekti hankest maksmiseni või isegi täielik autonoomne kvaliteedikontroll. Tootmisjuhtidena on aeg kaaluda praegu oma praeguse protsessi kitsaskohti ja küsida: mida masinõpe parandaks?