Kako je strojno učenje v proizvodnji spremenilo delovne postopke

Uvod

Vodje proizvodnih operacij in inženirsko osebje so desetletja zapravljali denar za fiksno načrtovanje proizvodnje, reaktivno vzdrževanje in ročne preglede. Pred desetletji so bili ti pripomočki, ki so bili zlahka dostopni, nad današnjimi proizvodnimi zahtevami. Napačne presoje, zamude pri odzivanju in podatkovni silosi so običajno ustvarjali draga ozka grla. Inteligentna avtomatizacija z uporabo strojnega učenja pa danes spreminja tovarniške tokove.

Dobrodošli v dobi strojev, ki se učijo, izboljšujejo in celo napovedujejo. Ta članek obravnava dejanske težave, s katerimi se je srečala proizvodnja, kako lahko storitve razvoja strojnega učenja olajšajo inovativne rešitve, matematiko v ozadju in dejanski pristop k uspehu pri izvajanju.

Človeške napake in ozka grla v delovnem procesu

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

Trgovine so zelo tvegane. Ena majhna podrobnost je ušla - ena obraba in zanemarjanje pri vizualnem pregledu, en napačno nameščen del na montažni liniji ali časovni zamik materiala pri kritičnih kosih - lahko povzroči na tone izpadov ali slabih izdelkov - prejšnji delovni procesi so uporabljali opazovanje posameznikov in načrtovane časovne okvire, kjer ni veliko prostora.

Človeške napake so neizogibne, zlasti pri ponavljajočih se operacijah ali velikih količinah informacij. Do ozkih grl pa pride, kadar sistemi ne morejo dovolj zgodaj zaznati neučinkovitosti ali predvideti motenj, preden postanejo kritične za poslanstvo.

Rezultat? Odzivni popravki, višji stroški in različna kakovost izdelkov.

Štirje koraki do pametnejših delovnih tokov

Strojno učenje se spopada s temi izzivi tako, da omogoča sistemom, da razvrščajo velike količine podatkov, se učijo iz vzorcev in sprejemajo odločitve, včasih hitreje in bolje kot človeški možgani. Štiri inovacije spreminjajo proizvodnjo in so obravnavane v nadaljevanju:

Zbiranje senzorskih podatkov in spremljanje v realnem času

Pametna proizvodnja temelji na podatkih. Senzorji v današnjih napravah v realnem času beležijo tokove podatkov o stanju opreme - temperaturi, vibracijah, tlaku in hitrosti. Te stalne informacije v realnem času služijo modelom strojnega učenja, ki iščejo neskončno majhne spremembe, ki kažejo na obrabo, okvaro ali slabo delovanje.

Robustna plast za združevanje podatkov omogoča tudi ustvarjanje strojnega učenja v proizvodnji, ki kalibrira modele za specifično tovarniško okolje, stroje in proizvodne cilje.

Modeli napovednega vzdrževanja

Prediktivno vzdrževanje uporablja pretekle in obstoječe podatke za predvidevanje okvar, namesto da bi se odzvalo na okvaro stroja. Modeli napovednega vzdrževanja preučujejo vzorce, ki povzročajo okvare, kot je manjše povišanje temperature motorja, in opozarjajo ekipe, preden se pojavijo težave.

Povratek je manj nepričakovan: izpadi, daljša življenjska doba opreme in agresiven urnik vzdrževanja. Prediktivno vzdrževanje ni nujno povezano z vnaprejšnjim odpravljanjem napak - gre za ustvarjanje kulture pripravljenosti.

Slikanje za nadzor kakovosti in samodejni pregled

Nadzor kakovosti je vedno zahteval veliko delovne sile, saj se je pri odkrivanju napak zanašal na izostren človeški vid. V tovarniških prostorih pa lahko z računalniškim vidom in strojnim učenjem sistemi za računalniško obdelavo slik napake zaznajo takoj.

Učijo se iz več tisoč nalepljenih slik - prask, udarcev, napačnih položajev - in sčasoma izboljšujejo svojo natančnost. Ta metoda je natančnejša od prejšnje, hitrost pa omogoča pregled vsake komponente brez prekinitve linije.

Zahteve za napovedovanje in načrtovanje povpraševanja

Nestanovitno povpraševanje, pomanjkanje dobave in zamude pri dobavi so uničili proizvodne načrte. Algoritmi, ki jih poganja strojno učenje, zdaj napovedujejo trende v dobavni verigi na podlagi preteklih naročil, vremena, geopolitičnih napovedi in tržnih gibanj.

Ti napovedni modeli omogočajo proizvajalcem, da vzdržujejo pravilno količino zalog, se izogibajo prekomerni proizvodnji in se hitro odzivajo na spremembe, zaradi česar so dobavne verige bolj odzivne kot odporne.

Seznanitev z glavnimi tehnologijami

Predpogoj za uporabo teh rešitev je, da se seznanite s teorijo rešitev strojnega učenja:

Nadzorovano učenje: Ta tehnika uči algoritme na podlagi označenih podatkov. V poslovnem svetu bi lahko na podlagi prejšnjih primerov naučila model, kaj je izdelek z napako in kaj brez nje.

Nenadzorovano učenje: Pri odkrivanju vzorcev, na primer pri odkrivanju nepravilnosti v podatkih senzorjev ali združevanju strojev v skupine na podlagi podobnih profilov, se uporabljajo neoznačeni podatki.

**Digitalna dvojčka: **so virtualne replike fizičnih sistemov. Inženirji lahko stroj ali proizvodno linijo v simuliranem okolju pripravijo do tega, da se obnaša enako kot v resničnem življenju, in eksperimentirajo s spremembami, ne da bi pri tem tvegali v resničnem svetu. V kombinaciji s strojnim učenjem se lahko digitalni dvojčki sčasoma sami učijo in izboljšujejo.

Priporočila za izvajanje

Uvajanje strojnega učenja ni algoritemska zadeva - treba je biti pripravljen, usklajen in se nenehno izboljševati. Upoštevajte naslednje najboljše prakse, da zagotovite uspešno uvedbo:

Preverite podatkovno infrastrukturo: Prepričajte se, da so podatki senzorjev točni, čisti in zanesljivo dostavljeni. Razvijte zanesljivo arhitekturo za shranjevanje in obdelavo podatkov, ne glede na to, ali je v oblaku ali na lokaciji.

Razporedite model za ponovno usposabljanje: Vaši modeli ML bodo s spreminjanjem razmer postali manj natančni. Izvedite urnik ponovnega usposabljanja z uporabo novih podatkov in spremljajte uspešnost.

Poiščite pomembne integracijske točke: Opredelite, kako bodo rezultati ML komunicirali z vašim sistemom MES (Manufacturing Execution System), ERP ali drugimi proizvodnimi sistemi. Uporabite APIS in vmesno programsko opremo, da omogočite odprto komunikacijo.

Izobražujte svoje osebje: dajte svojim delavcem podatke, da bodo lahko ukrepali na podlagi rezultatov strojnega učenja. Izobražujte inženirje in operaterje o rezultatih učenja in odločanju na njihovi podlagi.

Ta priporočila so odlična podlaga za kratkoročni uspeh, prožnost in prilagodljivost na dolgi rok.

Učinek: Učinkoviti prihranki in na kaj je treba biti pozoren

Strojno učenje je spremenilo proizvodne dejavnosti iz reaktivnih v predvidljive, iz ročnih v samodejne in iz fleksibilnih v fiksne. Prednosti vključujejo manjšo izgubo časa, višjo kakovost izdelkov, manjše zaloge in hitrejše sprejemanje odločitev.

Vendar vožnja še ni končana. Naslednji dokaz koncepta je lahko prilagodljivo načrtovanje v realnem času, od naročila do plačila z umetno inteligenco ali celo popolnoma avtonomno preverjanje kakovosti. Kot vodilni v proizvodnji je čas, da zdaj razmislite o ozkih grlih v trenutnem procesu in se vprašate: kaj bi strojno učenje izboljšalo?