Dürr prezentē Advanced Analytics — pirmo tirgū pieejamo mākslīgā intelekta lietojumprogrammu krāsošanas veikaliem.Šis risinājums, kas ir daļa no jaunākā DXQanalyze produktu sērijas moduļa, apvieno jaunākās IT tehnoloģijas un Dürr pieredzi mašīnbūves nozarē, identificē defektu avotus, definē optimālās apkopes programmas, izseko iepriekš nezināmas korelācijas un izmanto šīs zināšanas, lai pielāgotu algoritmu sistēmai, izmantojot pašmācības principu.
Kāpēc gabaliem bieži ir vienādi defekti?Kad ir pēdējais gadījums, kad robotā var nomainīt mikseri, neapturot mašīnu?Precīzas un precīzas atbildes uz šiem jautājumiem ir būtiskas ilgtspējīgiem ekonomiskiem panākumiem, jo katrs defekts vai katra nevajadzīga apkope, no kuras var izvairīties, ietaupa naudu vai uzlabo produkta kvalitāti.“Līdz šim bija ļoti maz konkrētu risinājumu, kas būtu ļāvuši operatīvi noteikt kvalitātes defektus vai kļūmes.Un, ja tādi bija, tie parasti bija balstīti uz skrupulozu manuālu datu novērtēšanu vai izmēģinājumu un kļūdu mēģinājumiem.Šis process tagad ir daudz precīzāks un automātiskāks, pateicoties mākslīgajam intelektam,” skaidro Gerhards Alonso Garsija, Dürr MES un vadības sistēmu viceprezidents.
Dürr DXQanalyze digitālo produktu sērija, kurā jau bija datu iegūšanas moduļi ražošanas datu iegūšanai, Visual Analytics to vizualizēšanai un Streaming Analytics, tagad var paļauties uz jauno pašmācības Advanced Analytics rūpnīcu un procesu uzraudzības sistēmu.
AI lietojumprogrammai ir sava atmiņa
Advanced Analytics īpatnība ir tāda, ka šis modulis apvieno lielu datu apjomu, tostarp vēsturiskos datus, ar mašīnmācīšanos.Tas nozīmē, ka pašmācības AI lietojumprogrammai ir sava atmiņa un tāpēc tā var izmantot pagātnes informāciju, lai gan atpazītu sarežģītas korelācijas lielā datu daudzumā, gan prognozētu notikumu nākotnē ar augstu precizitātes pakāpi, pamatojoties uz pašreizējo. mašīnas apstākļi.Krāsošanas veikalos tam ir daudz pielietojumu gan komponentu, gan procesa, gan rūpnīcas līmenī.
Prognozējošā apkope samazina iekārtas dīkstāves laiku
Runājot par komponentiem, Advanced Analytics mērķis ir samazināt dīkstāves laiku, izmantojot paredzamo apkopes un remonta informāciju, piemēram, paredzot miksera atlikušo kalpošanas laiku.Ja detaļa tiek nomainīta pārāk agri, palielinās rezerves daļu izmaksas un līdz ar to nevajadzīgi palielinās vispārējās remonta izmaksas.No otras puses, ja tas tiek atstāts darboties pārāk ilgi, tas var radīt kvalitātes problēmas pārklāšanas procesā un mašīnas apstāšanās laikā.Advanced Analytics sākas ar nodiluma indikatoru un nodiluma laika modeļa apgūšanu, izmantojot augstas frekvences robotu datus.Tā kā dati tiek pastāvīgi reģistrēti un uzraudzīti, mašīnmācīšanās modulis individuāli atpazīst attiecīgā komponenta novecošanas tendences, pamatojoties uz faktisko izmantošanu, un tādējādi aprēķina optimālo nomaiņas laiku.
Nepārtrauktas temperatūras līknes, kas simulētas ar mašīnmācīšanos
Advanced Analytics uzlabo kvalitāti procesa līmenī, identificējot anomālijas, piemēram, simulējot uzsilšanas līkni cepeškrāsnī.Līdz šim ražotājiem bija dati, ko sensori noteica tikai mērījumu laikā.Tomēr uzsilšanas līknes, kurām ir būtiska nozīme attiecībā uz automašīnas virsbūves virsmas kvalitāti, mainās, kopš krāsns noveco, intervālos starp mērījumiem.Šis nodilums izraisa mainīgus apkārtējās vides apstākļus, piemēram, gaisa plūsmas intensitāti.“Līdz šim tūkstošiem ķermeņu tiek ražoti, nezinot precīzu temperatūru, līdz kurai atsevišķi ķermeņi ir uzkarsēti.Izmantojot mašīnmācīšanos, mūsu Advanced Analytics modulis simulē temperatūras izmaiņas dažādos apstākļos.Tas piedāvā mūsu klientiem pastāvīgu kvalitātes apliecinājumu katrai atsevišķai detaļai un ļauj viņiem identificēt anomālijas,” skaidro Gerhards Alonso Garsija.
Augstāks pirmās lietošanas ātrums palielina kopējo aprīkojuma efektivitāti
Kas attiecas uz implantu, programmatūra DXQplant.analytics tiek izmantota kopā ar Advanced Analytics moduli, lai palielinātu iekārtas kopējo efektivitāti.Vācu ražotāja viedais risinājums izseko atkārtotus kvalitātes defektus konkrētos modeļu tipos, noteiktās krāsās vai atsevišķās virsbūves daļās.Tas ļauj patērētājam saprast, kurš ražošanas procesa posms ir atbildīgs par novirzēm.Šādas defektu un cēloņu korelācijas palielinās pirmās kārtas rādītāju nākotnē, ļaujot iejaukties ļoti agrīnā stadijā.
Kombinācija starp rūpnīcu inženieriju un digitālajām zināšanām
Ar AI saderīgu datu modeļu izstrāde ir ļoti sarežģīts process.Patiesībā, lai ar mašīnmācību radītu inteliģentu rezultātu, nepietiek ar nenoteiktu datu apjomu ievietošanu “gudrā” algoritmā.Attiecīgie signāli ir jāapkopo, rūpīgi jāizvēlas un jāintegrē ar strukturētu papildu informāciju no ražošanas.Dürr spēja izstrādāt programmatūru, kas atbalsta dažādus lietošanas scenārijus, nodrošina izpildlaika vidi mašīnmācīšanās modelim un uzsāk modeļa apmācību.“Šī risinājuma izstrāde bija īsts izaicinājums, jo nebija derīga mašīnmācīšanās modeļa un piemērotas izpildlaika vides, ko mēs varētu izmantot.Lai varētu izmantot AI rūpnīcas līmenī, esam apvienojuši savas zināšanas mašīnbūves un iekārtu inženierijā ar mūsu Digital Factory ekspertu zināšanām.Tas noveda pie pirmā mākslīgā intelekta risinājuma krāsotājiem,” saka Gerhards Alonso Garsija.
Prasmes un zināšanas apvienotas, lai izstrādātu Advanced Analytics
Starpdisciplināra komanda, kurā bija datu zinātnieki, datorzinātnieki un procesu eksperti, izstrādāja šo viedo risinājumu.Dürr ir arī noslēdzis sadarbības partnerības ar vairākiem lielākajiem automobiļu ražotājiem.Tādā veidā izstrādātājiem bija reāli ražošanas dati un beta vietņu vides dažādiem lietojuma gadījumiem.Pirmkārt, algoritmi tika apmācīti laboratorijā, izmantojot lielu skaitu testa gadījumu.Pēc tam algoritmi turpināja mācīšanos uz vietas reālās darbības laikā un pielāgojās videi un lietošanas apstākļiem.Beta fāze nesen tika veiksmīgi pabeigta un parādīja, cik liels tai ir AI potenciāls.Pirmie praktiskie pielietojumi parāda, ka Dürr programmatūra optimizē rūpnīcas pieejamību un krāsoto korpusu virsmas kvalitāti.
Izsūtīšanas laiks: 16.03.2022