Зміст:
- Машинне навчання автовиробництву
- Відстеження виробничих даних у режимі реального часу
- Зробити виробництво більш ефективним
Відео: unboxing turtles slime surprise toys learn colors (Листопад 2024)
Для ІТ-підрозділів, які активно намагаються використовувати технологію Internet of Things (IoT), щоб позитивно вплинути на виробничий процес, є важливий термін, який вони повинні знати, і не лише тому, що це звучить як щось, що Індіана Джонс могла колись переслідувати: Золотий Відбитки пальців. Я розмовляв з Баром Шоу, віце-президентом із технологій та цифрових альянсів у Software AG, на виставці CEBIT, що проходить цього тижня в Ганновері, Німеччина, про те, чому саме цей відбиток пальців золото полював і що це означає для ІТ.
"Золотий відбиток пальців - метафора", - пояснив Шоу і продовжував говорити, що це було як ключовий доказ у детективному романі. Але на підприємстві це може бути застосовано до виробничого процесу, щоб визначити, коли дотримуються умови для виробництва того, що Schouw називає ідеальним продуктом.
Процес відбитків пальців спочатку був розроблений для хімічної промисловості, але Шоу сказав, що він, як правило, застосовний для більшості видів виробництва. Наприклад, виробник автомобілів мав би записи про те, звідки беруться кожний компонент, температуру під час фарбування, показання крутного моменту для кожного гвинта чи болта та показання роботів зварників, коли вони будували шасі. Потім, коли машина виробляється, якість виробництва відслідковується при обслуговуванні машини або при усуненні дефектів.
Машинне навчання автовиробництву
Давайте застосуємо сценарій до гіпотетичного автомобільного заводу. Під час виготовлення кожного автомобіля показання відслідковуються під час виробничого процесу в кінці та порівнюються з попередніми періодами виробництва. Скажімо, виникає така проблема, як, наприклад, затягування болта до неправильного встановлення крутного моменту, наприклад. Ця проблема зафіксована, і тепер її можна виправити до продажу автомобіля. Врешті-решт, виробничу техніку можна відкалібрувати, щоб ці помилки не траплялися, а транспортні засоби відправлялися без суттєвих дефектів.
"Іноді, особливо в переробній промисловості, не зрозуміло, які умови насправді призводять до ідеального продукту", - сказав Шоу. "Таким чином, за допомогою машинного навчання та нових інструментів візуалізації даних ви можете фактично взяти дані виробничого циклу, який призвів до ідеальної партії продукту. Потім ви можете попросити інструменти машинного навчання повернутися назад і знайти подібні зразки в даних."
Як ви могли очікувати, будь-який складний спосіб виготовлення потребує тисяч індивідуальних точок даних для кожного випуску, щоб мати достатньо даних для значущого відбитка пальців. Це, в свою чергу, вимагає датчиків, які вимірюють стан виробу в будь-який момент часу, а також стан виробничих інструментів та машин під час їх використання. Ось де технологія IoT та ІТ-відділ осяяні.
Коли кожен цикл виготовлення завершений, дані з цього циклу можна візуалізувати як зразок подій, що ведуть до продукту. Для цього потрібні мережеві датчики та інструменти та засоби запису цих подій. Він також вимагає спеціалізованого програмного забезпечення для проведення оцінок. Шоу сказав, що ця частина стає важливою справою використання штучного інтелекту (AI) та машинного навчання.
Відстеження виробничих даних у режимі реального часу
Це момент, коли ІТ та виробництво поєднуються. ІТ-відділу потрібно консолідувати величезну кількість даних з кожного виробничого циклу, а потім використовувати їх для порівняння кожного циклу із золотим відбитком пальця ідеального циклу. Оскільки пробіжка аналізується в режимі реального часу, вона також порівнюється з попередніми запусками, так що можна заздалегідь визначити, коли пробіжка навряд чи буде успішною.
Під час виготовлення технологічних процесів може бути здійснено коригування параметрів виготовлення, навіть коли вони відбуваються, щоб наблизити пробіг до золотого відбитка пальця. Можливість візуалізувати пробіг під час виробництва та заздалегідь визначити, коли пробіг не буде успішним, може призвести до значних заощаджень - не витрачаючи подальших матеріалів на пробіжку, яка не буде успішною, і не витрачаючи на це більше часу.
Шов вказав на Trendminer як на один із прикладів компанії, яка виробляє програмне забезпечення, що працює на AI, здатне знайти золотий відбиток пальців, а також відстежувати виробничий процес у режимі реального часу. Він також поділився, що Software AG планує придбати Trendminer.
Зробити виробництво більш ефективним
Однак економія витрат та якісніші аспекти - це не все, що стосується IoT та виробництва. Шоу пояснив, що ще один аспект використання машинного навчання у виробництві пов'язаний із відстеженням F-кривої ("F" означає відмовки, які відслідковуються на заводі протягом часу). Коли ви відстежуєте криву F, ви ефективно даєте відбитки пальців на заводі, а не на продукт, починаючи з того, коли завод спочатку будується, а потім після введення в експлуатацію, а потім, коли його остаточно закривають, оскільки відсоток відмов досягає неприйнятних рівнів, оскільки вік виробничих потужностей.
Відстежуючи умови, що сприяють збоям у виробництві з часом, можна зменшити їх до прийнятних рівнів, поки ви не досягнете зменшення прибутку: Коли надто дорого тримати виправлення речей, а натомість, має більше сенсу відновити завод.
Важливо те, що завдяки залученню ІТ безпосередньо до виробничого процесу виробництво стає більш ефективним, а також менше відходів і менше дефектів. І компанія економить гроші. Зроблено правильно, результати відображаються майже відразу. Для ІТ-підрозділів у виробничих підприємствах золотий відбиток пальців має чудовий сенс як відправна точка для інтеграції IoT із самим серцем бізнесу.