Kaip mašininis mokymasis gamyboje pakeitė darbo eigą

Įvadas

Gamybos operacijų vadovai ir inžinieriai dešimtmečius švaistė dolerius fiksuotam gamybos planavimui, reaktyviai techninei priežiūrai ir rankiniam tikrinimui. Prieš kelis dešimtmečius lengvai prieinami, nes jie viršijo šiandieninius gamybos reikalavimus. Vertinimo klaidos, reakcijos vėlavimas ir duomenų silosai paprastai sukurdavo brangiai kainuojančias kliūtis. Tačiau išmanusis automatizavimas naudojant mašininį mokymąsi šiandien keičia gamyklų srautus.

Sveiki atvykę į mašinų, kurios mokosi, tobulėja ir net prognozuoja, amžių. Šiame straipsnyje aptariamos aktualios problemos, su kuriomis susidūrė gamyba, kaip mašinų mokymosi kūrimo paslaugos gali palengvinti inovatyvius sprendimus, už jų slypinti matematika ir realus požiūris į sėkmingą įgyvendinimą.

Žmogiškosios klaidos ir darbo eigos kliūtys

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

Parduotuvių grindys yra labai rizikingos. Viena maža detalė - vienas nusidėvėjimo ir aplaidumo elementas vizualinės patikros metu, viena netinkamai padėta detalė surinkimo linijoje arba medžiagų vėlavimas svarbiausioms detalėms - gali sukelti daugybę prastovų arba nekokybišką gaminį - ankstesniuose darbo procesuose buvo naudojami asmenys, kurie stebėjo ir planavo laiką, čia nėra daug vietos.

Žmogiškosios klaidos neišvengiamos, ypač atliekant pasikartojančias operacijas ar apdorojant didelius informacijos kiekius. Tuo tarpu kliūtys atsiranda, kai sistemos negali pakankamai anksti pastebėti neefektyvumo arba numatyti trikdžių, kol jie netapo kritiniais.

Rezultatas? Reaktyvūs pleistrai, didesnės išlaidos ir skirtinga produktų kokybė.

Keturi žingsniai į pažangesnes darbo eigas

Mašininis mokymasis sprendžia šiuos iššūkius, nes leidžia sistemoms rūšiuoti didžiulius duomenų kiekius, mokytis iš dėsningumų ir priimti sprendimus, kartais greičiau ir geriau nei žmogaus smegenys. Toliau aptariamos keturios inovacijos, kurios keičia gamybą:

Jutiklių duomenų rinkimas ir stebėjimas realiuoju laiku

Išmanioji gamyba grindžiama duomenimis. Šiuolaikiniuose įrenginiuose esantys jutikliai realiuoju laiku fiksuoja duomenų srautus apie įrangos būklę - temperatūrą, vibraciją, slėgį ir greitį. Šia nuolatine realaus laiko informacija maitinami mašininio mokymosi modeliai, kurie stebi be galo mažus pokyčius, rodančius nusidėvėjimą, gedimą ar nepakankamą našumą.

Patikimas duomenų agregavimo sluoksnis taip pat leidžia kurti mašininio mokymosi gamyboje sistemas, kurios kalibruoja modelius pagal konkrečios gamyklos aplinką, mašinas ir gamybos tikslus.

Prognozuojamos techninės priežiūros modeliai

Prognozuojamoji techninė priežiūra naudoja istorinius ir esamus duomenis, kad numatytų gedimus, o ne reaguotų į mašinos gedimą. Prognozuojamosios techninės priežiūros modeliuose analizuojami gedimus sukeliantys modeliai, pavyzdžiui, nedidelis variklio temperatūros padidėjimas, ir komandos įspėjamos prieš atsirandant problemoms.

Grąža yra mažiau netikėta: prastovos, ilgesnis įrangos tarnavimo laikas ir agresyvus techninės priežiūros grafikas. Prognozuojamoji techninė priežiūra nebūtinai susijusi su išankstiniu defektų šalinimu - ji susijusi su parengties kultūros kūrimu.

Kokybės kontrolės vaizdavimas ir automatinis tikrinimas

Kokybės kontrolei visada reikėjo daug žmogiškųjų išteklių, o defektams aptikti reikėjo aštrios žmogaus regos. Tačiau gamykloje naudojant kompiuterinę regą ir mašininį mokymąsi, kompiuterinės vaizdo apdorojimo sistemos gedimus gali aptikti akimirksniu.

Jie mokosi iš tūkstančių priklijuotų nuotraukų - įbrėžimų, įlenkimų, klaidingų padėčių - ir laikui bėgant tobulina savo tikslumą. Šis metodas yra tikslesnis už ankstesnįjį, o greitis leidžia patikrinti kiekvieną komponentą nenutraukiant linijos.

Paklausos prognozavimo ir planavimo reikalavimai

Dėl nepastovios paklausos, tiekimo trūkumo ir pristatymo vėlavimų buvo sugriauti gamybos planai. Dabar mašininio mokymosi algoritmai prognozuoja tiekimo grandinės tendencijas, remdamiesi istoriniais užsakymais, orais, geopolitiniais pranešimais ir rinkos pokyčiais.

Tokie prognozavimo modeliai leidžia gamintojams išlaikyti tinkamą atsargų kiekį, išvengti perprodukcijos ir greitai reaguoti į pokyčius, todėl tiekimo grandinės tampa reaktyvios, o ne atsparios.

Susipažinimas su pagrindinėmis technologijomis

Kad galėtumėte taikyti šiuos sprendimus, naudinga susipažinti su mašininio mokymosi sprendimų teorija:

Prižiūrimas mokymasis: Šis metodas moko algoritmų pagal paženklintus duomenis. Verslo srityje, remiantis ankstesniais pavyzdžiais, būtų galima išmokyti modelį, kas yra "nekokybiškas" ir "nekokybiškas" produktas.

Neprižiūrimas mokymasis: Aptikti šablonus, pvz., aptikti anomalijas jutiklių informacijoje arba sugrupuoti mašinas pagal panašius profilius.

**Skaitmeniniai dvyniai: **Tai virtualios fizinių sistemų kopijos. Inžinieriai gali priversti mašiną ar gamybos liniją imituojamoje aplinkoje elgtis taip, kaip ji elgtųsi realiame gyvenime, ir eksperimentuoti su pakeitimais nerizikuodami realiame pasaulyje. Kartu su mašininiu mokymusi skaitmeniniai dvyniai laikui bėgant gali patys mokytis ir tobulėti.

Įgyvendinimo rekomendacijos

Mašininio mokymosi diegimas nėra algoritminis dalykas - reikia būti pasiruošusiam, suderintam ir nuolat tobulėti. Kad užtikrintumėte sėkmingą diegimą, nepamirškite toliau nurodytos geriausios praktikos:

Patikrinkite savo duomenų infrastruktūrą: Įsitikinkite, kad jutiklių duomenys yra tikslūs, švarūs ir patikimai teikiami. Sukurkite patikimą duomenų saugojimo ir apdorojimo architektūrą, nepriklausomai nuo to, ar ji būtų debesyje, ar patalpose.

Planuokite perkvalifikavimo modelį: Keičiantis sąlygoms, jūsų ML modeliai taps mažiau tikslūs. Sudarykite perkvalifikavimo grafiką, naudodami naujus duomenis ir stebėdami našumą.

Raskite svarbius integracijos taškus: Nustatykite, kaip jūsų ML rezultatai bus susieti su jūsų MES (gamybos vykdymo sistema), ERP ar kitomis gamybos sistemomis. Naudokite APIS ir tarpinę programinę įrangą, kad užtikrintumėte atvirą ryšį.

Švieskite savo darbuotojus: Suteikite darbuotojams duomenų, kad jie galėtų veikti pagal mašininio mokymosi rezultatus. Mokykite inžinierius ir operatorius apie mokymosi rezultatus ir jais pagrįstų sprendimų priėmimą.

Šios rekomendacijos yra puikus pagrindas trumpalaikei sėkmei, lankstumui ir gebėjimui prisitaikyti ilguoju laikotarpiu.

Poveikis: Efektyvumo taupymas ir į ką atkreipti dėmesį

Dėl mašininio mokymosi gamybos veikla iš reaktyvios tapo prognozuojama, iš rankinės - automatine, iš lanksčios - lanksčia, o ne fiksuota. Privalumai: mažiau laiko švaistymo, aukštesnė gaminių kokybė, mažesnės atsargos ir greitesnis sprendimų priėmimas.

Tačiau kelionė dar nesibaigė. Kitas koncepcijos įrodymas gali būti adaptyvus planavimas realiuoju laiku, dirbtinio intelekto pirkimas iki apmokėjimo ar net visiškai autonominis kokybės patikrinimas. Kaip gamybos vadovams, dabar pats laikas apsvarstyti dabartinio proceso kliūtis ir paklausti: ką mašininis mokymasis galėtų patobulinti?