10 примеров того, как ИИ улучшает производственные процессы в 2020 году — vc.ru

Производители воспринимают пандемию как «принудительную перезагрузку», дающую возможность укрепить предприятие, сделать его более устойчивым и найти новые ресурсы, и в связи с этим удваивают усилия в области аналитики и опытно-промышленных испытаний на основе искусственного интеллекта, считает Forbes.

В закладки

— По данным консалтингового агентства Capgemini, сегодня основные проекты цифровой трансформации посредством внедрения искусственного интеллекта в промышленное производство реализуются в сфере технического обслуживания машинного оборудования и обеспечения качества.

— Дивизион судового оборудования корпорации Caterpillar ежегодно экономит 400 тыс. долларов США в расчете на каждое судно благодаря анализу данных о необходимой частоте чистки корпусов для достижения максимальной эффективности, выполненному на основе алгоритмов машинного обучения.

— Группа компаний BMW применяет ИИ для оценки изображений компонентов на технологической линии в ходе производственного процесса с целью выявления отклонений от стандарта в режиме реального времени.

Сочетание человеческого опыта, аналитической информации и методов искусственного интеллекта позволяет им находить новые конкурентные преимущества, при этом оптимизируя затраты и сохраняя прибыль. Компании готовы к серьезному вызову – продолжить рост в сложных экономических условиях, и в этом они не одиноки. В недавнем исследовании аналитического агентства Boston Consulting Group под названием «Расцвет компаний, применяющих ИИ, в посткризисном мире» говорится о том, что в ходе четырех предыдущих спадов мировой экономики 14% компаний сумели увеличить и рост продаж, и размер прибыли, как показано на следующем графике:

Будущее производства: ИИ как центральное звено мониторинга в реальном времени

Мониторинг в режиме реального времени обеспечивает множество преимуществ, включая устранение «узких мест» в производстве, отслеживание коэффициента брака, соблюдение сроков поставки продукции заказчикам и многое другое. Он служит прекрасным источником контекстно-зависимых данных, которые можно использовать для тренировки моделей машинного обучения. Контролируемые и неконтролируемые алгоритмы машинного обучения способны за считанные секунды интерпретировать поступающие в режиме реального времени данные от множества производственных смен и выявлять ранее скрытые закономерности, касающиеся процессов, продуктов и технологических последовательностей.

В 29% случаев внедрение ИИ в производственный процесс осуществляется с целью технического обслуживания машинного оборудования и производственных активов. Группа исследователей из Capgemini пришла к выводу, что на сегодняшний день наиболее популярным направлением прикладного применения ИИ в производственных процессах является прогнозирование сроков вероятного выхода из строя машин/оборудования и предоставление рекомендаций по оптимальным срокам проведения технического обслуживания (ТО по состоянию). Компания General Motors анализирует изображения с камер, установленных на роботах-сборщиках, и при содействии поставщика выявляет признаки и показатели, свидетельствующие о неисправности робототехнических компонентов. В ходе опытно-промышленных испытаний системой было выявлено 72 случая отказа компонента на 7000 роботов, что позволило вовремя обнаружить проблему и предотвратить внеплановый останов оборудования. Следующий график, приведенный в исследовании, иллюстрирует возможности применения ИИ в интеллектуальных системах технического обслуживания производства:

Сотрудничество компании General Motors с Autodesk было направлено на внедрение алгоритмов генеративного проектирования, которые с помощью методов машинного обучения учитывают проектные ограничения и позволяют разработать оптимальный дизайн продукции. Логика оптимизации с учетом ограничений в среде проектирования CAD помогает GM быстро изготавливать прототипы. Конструкторы дают определение функциональных требований, материалов, производственных методов, а также других ограничений. В мае 2018 г. компания General Motors внедрила программное обеспечение генеративного проектирования Autodesk с целью оптимизации веса и других ключевых параметров проектируемых деталей, предназначенных для изготовления с использованием аддитивных технологий. Недавно данное техническое решение было испытано при прототипировании компонента кронштейна крепления ремня безопасности, в результате чего была разработана цельная конструкция, которая на 40% легче и на 20% прочнее исходной восьмикомпонентной конструкции. Более подробная информация приведена в анализе практического примера, подготовленном Гарвардской школой бизнеса, под названием «Проект мечты: способен ли генеративный дизайн ускорить аддитивное производство?».

Nokia внедрила видеоприложение, использующее машинное обучение для предупреждения оператора сборочной линии в случае выявления несоответствий в технологическом процессе. На одном из своих заводов в Оулу (Финляндия) компания Nokia запустила видеоприложение, которое использует технологию машинного обучения для мониторинга работы сборочной линии. Оно предупреждает оператора о несоответствиях в технологическом процессе, чтобы можно было устранить проблемы в режиме реального времени. См. подробнее в статье «Nokia совместно с Telia и Intel претендует на первенство в области «реальных» испытаний на основе технологий 5G и «умных фабрик».

Анализ изображений в режиме реального времени для выполнения контроля качества продукции в автомобилестроении и отрасли потребительских товаров также помогает производителям соблюдать строгие нормативные требования. Камеры с высоким разрешением продолжают дешеветь, в то время как программное обеспечение и технологии распознавания изображений на основе искусственного интеллекта непрерывно совершенствуются. Эти два фактора, наряду со множеством других причин, стимулируют все более широкое внедрение контроля производственных линий в режиме реального времени. Лидером в освоении этих методов является компания Audi, установившая в штамповочном цеху своего завода в Ингольштадте систему распознавания изображений на основе технологий Deep Learning. На следующей схеме проиллюстрирован принцип контроля качества продукции в режиме реального времени:

Повышение точности прогнозирования спроса позволяет добиться ощутимых улучшений во многих отраслях, при этом производители потребительских товаров в упаковке добились наибольшего успеха. Группа компаний Danone – международный производитель продуктов питания, который уже сегодня использует систему машинного обучения для повышения точности прогнозирования спроса. Компания применяет технологию машинного обучения, чтобы улучшить координацию планирования в рамках таких направлений, как маркетинг, продажи, управление заказами, цепь поставок и финансы, и таким образом повысить точность прогнозов. С помощью машинного обучения Danone обеспечивает удовлетворение спроса в результате продвижения продукции и достигает целевых уровней обслуживания складских запасов в каналах сбыта и магазинах. Данная система позволила сократить ошибки прогнозирования на 20%, потери в объеме продаж – на 30%, устаревание продукции – на 30%, загруженность специалистов по планированию – на 50%. Далее представлен обзор разработки современных систем планирования и прогнозирования спроса на основе машинного обучения:

Промышленная группа Thales SA – ведущий поставщик электронных систем для широкого спектра отраслей – применяет машинное обучение с целью прогнозирования планово-предупредительного обслуживания высокоскоростных железных дорог по всей Европе. Используя тысячи датчиков, компания собирает исторические и текущие данные о состоянии компонентов подвижных составов и подсистем европейских трансконтинентальных железнодорожных систем. На основе этих данных компания разработала ИИ-алгоритм для прогнозирования потенциальных проблем и выявления необходимости замены компонентов, что позволило достичь высокого уровня надежности процессов. Ниже представлена информационная панель инструмента аналитики больших данных для планово-предупредительного техобслуживания TIRIS, благодаря которому железнодорожная отрасль достигла нулевого показателя неплановых остановов.

Группа компаний BMW применяет ИИ для оценки изображений компонентов на технологической линии, что позволяет в режиме реального времени выявлять отклонения от стандартов качества. На участке контроля готовой продукции завода BMW в Дингольфинге ИИ-приложение сравнивает данные наряд-заказа на транспортное средство с получаемым в реальном времени изображением обозначения модели автомобиля, недавно сошедшего с конвейера. Обозначения модели и другие маркировочные таблички, например, «xDrive» для полноприводных автомобилей, а также все допустимые комбинации хранятся в базе данных изображений. В случае несоответствия изображения в реальном времени данным наряд-заказа (например, если отсутствует обозначение модели) специалисты по контролю готовой продукции получают уведомление. Более подробно о том, как Группа компаний BMW внедряет инновации на основе ИИ в своих многочисленных производственных центрах, рассказывает статья «Быстро, эффективно, надежно: Использование искусственного интеллекта в производственных процессах Группы компаний BMW». Кроме того, Группа компаний BMW делится своими ИИ-алгоритмами, применяемыми в производственных процессах, на платформе c открытым исходным кодом. См. подробнее о предоставлении открытого исходного кода алгоритмов BMW на основе искусственного интеллекта здесь. Ниже представлен пример технологии сопоставления изображений на основе ИИ, которую сейчас использует компания BMW:

Компания Schneider Electric создала решение по предиктивной аналитике интернета вещей на основе сервисов Azure Machine Learning и Azure IoT Edge от Microsoft с целью повышения безопасности труда, сокращения затрат и достижения целей устойчивого развития. Дата-сайентисты из Schneider Electric используют данные с нефтяного месторождения для построения моделей, которые позволяют прогнозировать, где и когда потребуется техническое обслуживание. С помощью возможностей автоматического машинного обучения специалисты осуществляют рациональный выбор оптимальных моделей машинного обучения и автоматически настраивают гиперпараметры машинной модели для экономии времени и повышения эффективности. Когда компания внедрила решение на основе сервиса Azure Machine Learning, это помогло операторам повысить эффективность на 10–20% всего за два дня. Подробнее см. в статье «Компания Schneider Electric минимизирует затраты и риски для работников с помощью планово-предупредительного техобслуживания на основе сервиса Azure Machine Learning». Далее представлена схема, иллюстрирующая процесс внедрения решения для аналитики IoT Edge, которое включает в себя сервис Azure Machine Learning:

— Компания Nissan в тестовом режиме использует искусственный интеллект для проектирования новых моделей в режиме реального времени, стремясь сократить срок вывода на рынок модельного ряда следующего поколения. Программа под названием «DriveSpark» реализуется на протяжении уже четырех лет. Конструкторы Nissan применяют систему DriveSpark для создания полностью новых моделей, которые отвечают самым современным отраслевым и нормативным требованиям. Кроме того, с помощью ИИ они увеличивают срок эксплуатации существующих моделей. Более подробную информацию см. в статье «DriveSpark – идея от Nissan: пусть искусственный интеллект конструирует наши автомобили», сентябрь 2016 г.

— Компания Canon изобрела продвинутую систему Assisted Defect Recognition, которая вывела на новый уровень контроль качества в ее производственных центрах. В Canon объединяют человеческий опыт, аналитическую информацию, приемы и методы искусственного интеллекта (в том числе машинное обучение, компьютерное зрение и предиктивное моделирование) для повышения точности и эффективности испытаний прецизионных деталей машинного оборудования. Производителям прецизионных деталей в таких секторах, как автомобилестроение, транспорт, авиакосмическая и оборонная отрасль, нефтегазовая промышленность и строительство, как правило, требуется процесс строгого контроля после сборки. Производственные компоненты Canon внимательно проверяются с применением промышленной радиографии (рентгенограмм) и изображений для проверки целостности каждой детали и ее внутренней структуры. С помощью компьютерного зрения и машинного обучения технологическая система Assisted Defect Recognition выполняет интеллектуальный анализ изображений проверяемых компонентов, автоматически выявляет потенциальные дефекты (даже те, которые могут остаться незамеченными человеческим глазом), а также обучается и повышает точность технологии распознавания, используя данные о приемке или корректировке полученных результатов человеком. Более подробная информация о технологических инициативах Canon представлена в разделе «Искусственный интеллект/машинное обучение» на веб-сайте компании.

Предприятия, выпускающие крупногабаритную продукцию из материалов, имеющих высокую стоимость, сталкиваются с проблемой выявления брака в продукции. На брак влияют многие факторы, такие как качество режущего инструмента, ошибки технологии, износ оборудования и прочие. Поэтому существует потребность в интеллектуальной системе, которая будет учитывать необходимую информацию из систем мониторинга, оценивать влияние данной информации на брак продукции и помогать операторам и технологам принимать решения.

Неисправности в работе станка могут привести к браку изготовленных деталей или поломке оборудования. Внедрение системы позволит снизить стоимость производимых деталей и количества бракованных изделий и улучшить качество продукции, а также снизить затраты на техническое обслуживание и ремонт оборудования и сократить простои.

По данным независимой исследовательской компании Vanson Bourne, за последние три года 80% компаний сталкивались с непредвиденным выходом оборудования из строя. Аналитическая компания Aberdeen оценила убытки предприятий в различных отраслях от незапланированного простоя оборудования в среднем в 260 тыс. долларов в час.

Мы разработали систему предиктивной аналитики Zyfra PdA с применением технологий машинного обучения, которая позволяет выявить аномалии в технологических параметрах металлообрабатывающего станка и определить их возможную причину.

Zyfra PdA в реальном времени анализирует данные станка, оповещает пользователей в момент появления аномалий в технологическом процессе, а также указывает на возможную причину аномалии и выдает рекомендации о дальнейших действиях. Система определяет износ и поломку режущего инструмента станка, ошибки оператора, неисправность станка, повышенную твердость заготовки и наличие в заготовке инородных включений, а также некорректное крепление детали и смещение детали в процессе обработки.

Станислав Кузнецов

Руководитель направления ИИ-продуктов для дискретной промышленности в компании «Цифра»

Материалы для дополнительного чтения:

Поставщик решений в области прогнозной аналитики и анализа данных, оптимизации технологических процессов, мониторинга промышленного оборудования и персонала.

Источник

Добавить комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *