Anwendungen von maschinellem Lernen und künstlicher Intelligenz in der Fertigung

Mehr Produkte von höherer Qualität zu niedrigsten Kosten herzustellen, ist ein ewiges Ziel der Fertigungsindustrie. Die Revolution der intelligenten Fertigung hat es den Herstellern ermöglicht, dieses Ziel erfolgreicher als je zuvor zu erreichen. Eine der Kerntechnologien, die diese Innovationswelle vorantreibt, ist künstliche Intelligenz. Daten sind zu einer äußerst wertvollen Ressource geworden und die Kosten für deren Erfassung und Speicherung sind niedriger als je zuvor. Dank der Einführung künstlicher Intelligenz (insbesondere maschinellem Lernen) nutzen heute immer mehr Hersteller diese Daten, um ihren Umsatz deutlich zu steigern.

Für viele bedeutet dies eine deutliche Steigerung der Produktionseffizienz und des Durchsatzes durch die Beseitigung der Hauptursachen für Produktionsausfälle und andere damit verbundene Kosten. Natürlich ist es oft leichter gesagt als getan, aus KI einen greifbaren Geschäftswert zu ziehen. Dabei handelt es sich um eine komplexe Technologie mit vielen unterschiedlichen Einsatzmöglichkeiten. Wie können Hersteller den Hype und die leeren Versprechungen durchschauen und in industrielle KI investieren, die ihnen wirklich einen Wettbewerbsvorteil verschaffen kann? , sowohl im Kontext der Fertigung im Allgemeinen als auch innerhalb der Fertigung. Daher sind die Erwartungen an KI in der Regel sehr unrealistisch und reichen von umfassenden Lösungen für Geschäftsprobleme bis hin zu tiefer Skepsis bei der bloßen Erwähnung von KI.

Finden Sie den richtigen Anwendungsfall

Aber wie bei jeder Technologie liegt die Wahrheit irgendwo dazwischen. Im richtigen Umfeld kann künstliche Intelligenz sehr effektiv sein. Das Verständnis dieser Umgebungen und der darauf anwendbaren KI-Technologien ist der Schlüssel zur Festlegung realistischer Geschäftsziele für KI-Anwendungen.

Künstliche Intelligenz ist kein Allheilmittel. Keine Lösung wird alle oder die meisten Ihrer Probleme lösen. Als Faustregel gilt, dass KI am besten funktioniert, wenn sie zur Lösung eines bestimmten Problems oder einer Reihe von Problemen eingesetzt wird, die sehr eng miteinander verbunden sind.

Allgemeine KI ist etwas, vor dem man vorsichtig sein muss: Wenn ein KI-Anbieter behauptet, alles zu tun, kann er wahrscheinlich nichts tun. Nun zurück zum Thema Künstliche Intelligenz in der Fertigung. Es gibt viele potenzielle Anwendungen für künstliche Intelligenz und maschinelles Lernen in der Fertigung, und jeder Anwendungsfall erfordert eine einzigartige Art von künstlicher Intelligenz.

Der folgende Leitfaden bietet eine einfache und effektive Formel für die Auswahl der richtigen industriellen Lösung für künstliche Intelligenz, um spezifische Herausforderungen und Ziele in der Fertigung zu bewältigen.

Der Fokus liegt weiterhin auf maschinellem Lernen und künstlicher Intelligenz, da hier die aufregendsten und wirkungsvollsten Innovationen stattfinden. Diese Formel lässt sich in einem einfachen Diagramm und einer Methodik namens „Industrial AI Quadrant“ zusammenfassen.

Optimierung der nächsten Generation basierend auf maschinellem Lernen

Die beiden Hauptanwendungsfälle von maschinellem Lernen in der Fertigung sind prädiktive Qualität und Ausbeute sowie prädiktive Wartung.

(1) Wartung nur bei Bedarf

Vorausschauende Wartung ist die häufigere von beiden, da Wartungsprobleme und damit verbundene Probleme enorme Kosten verursachen können und dies für Hersteller mittlerweile ein ziemlich häufiges Ziel ist.

Predictive Maintenance nutzt Algorithmen, um den nächsten Ausfall einer Komponente/Maschine/System vorherzusagen, anstatt Wartungsarbeiten nach einem vorgegebenen Zeitplan durchzuführen oder ein SCADA-System mit manuell codierten Schwellenwerten, Alarmregeln und Konfigurationen zu verwenden. Das Personal kann dann daran erinnert werden, gezielte Wartungsmaßnahmen durchzuführen, um Ausfälle zu verhindern, aber nicht zu früh, um unnötige Ausfallzeiten zu verschwenden.

Im Gegensatz dazu berücksichtigen herkömmliche manuelle und halbmanuelle Methoden weder die komplexeren dynamischen Verhaltensmuster von Maschinen noch die Szenariodaten im Zusammenhang mit dem Herstellungsprozess. Beispielsweise könnte ein Sensor an einer Produktionsmaschine einen plötzlichen Temperaturanstieg erkennen. Ein auf statischen Regeln basierendes System berücksichtigt nicht die Tatsache, dass die Maschine sterilisiert wird, und löst weiterhin Fehlalarme aus.

Die Vorteile der vorausschauenden Wartung sind vielfältig und können die Kosten erheblich senken, während in vielen Fällen geplante Ausfallzeiten entfallen.

Durch den Einsatz maschineller Lernalgorithmen zur Vermeidung von Ausfällen kann das System ohne unnötige Unterbrechungen weiterarbeiten. Wenn Reparaturen erforderlich sind, erfolgt dies sehr zentral und die Techniker werden darüber informiert, welche Teile überprüft, repariert und ausgetauscht werden müssen, welche Werkzeuge sie verwenden und welche Methoden sie befolgen müssen.

Vorausschauende Wartung kann auch die verbleibende Nutzungsdauer (RUL) von Maschinen und Anlagen verlängern, da Sekundärschäden verhindert werden können und gleichzeitig weniger Arbeitsaufwand für die Durchführung von Wartungsarbeiten erforderlich ist.

(2) Finden Sie die versteckten Ursachen von Verlusten

Die Vorhersage von Qualität und Ertrag (manchmal auch als prädiktive Qualität bezeichnet) ist ein fortgeschrittenerer Anwendungsfall industrieller künstlicher Intelligenz, der Aufschluss über viele der prozessbasierten Prozesse gibt, mit denen Hersteller konfrontiert sind jeden Tag Versteckte Ursachen für langfristige Produktionsausfälle. Beispiele hierfür sind Qualität, Ausbeute, Abfall, Durchsatz, Energieeffizienz, Emissionen usw., im Wesentlichen alle Verluste, die durch Prozessineffizienzen verursacht werden.

Prognostizieren Sie Qualität und Ertrag mithilfe einer kontinuierlichen multivariaten Analyse, die auf Algorithmen für maschinelles Lernen basiert, die speziell darauf trainiert sind, jeden Produktionsprozess genau zu verstehen und automatisch die Grundursachen für prozessbedingte Produktionsverluste zu identifizieren.

Automatische Empfehlungen und Warnungen können dann generiert werden, um Produktionsteams und Prozessingenieure über drohende Probleme zu informieren und wichtiges Wissen darüber, wie Verluste verhindert werden können, nahtlos weiterzugeben, bevor sie auftreten.

Die Reduzierung dieser Art von Verlusten war schon immer ein Problem für alle Hersteller. Aber auf dem heutigen Markt ist diese Mission von entscheidender Bedeutung. Einerseits sind die Verbrauchererwartungen auf einem Allzeithoch; die globalen Konsumgewohnheiten ändern sich allmählich, auch wenn das Bevölkerungswachstum anhält.

Mehreren Umfragen zufolge wird die Weltbevölkerung bis 2050 um 25 % zunehmen. Andererseits hatten Verbraucher noch nie eine so große Auswahl und fast jedes erdenkliche Produkt war verfügbar.

Aktuelle Umfragen zeigen, dass eine solche große Auswahl dazu führt, dass Verbraucher ihre Lieblingsmarken immer häufiger dauerhaft aufgeben.

Vor diesem Hintergrund können sich Hersteller Prozessineffizienzen und die daraus resultierenden Verluste nicht mehr leisten. Jeder Verlust an Abfall, Ertrag, Qualität oder Ausbeute schmälert ihre Einnahmen.

Die Herausforderung für viele Hersteller besteht darin, dass sie bei der Prozessoptimierung auf einen Engpass stoßen. Manche Ineffizienzen haben keine erkennbare Ursache und können von Prozessexperten nicht erklärt werden. Hier spielt maschinelles Lernen, insbesondere die automatisierte Ursachenanalyse, eine wichtige Rolle.

Vorteile von künstlicher Intelligenz und maschinellem Lernen für die Fertigung

Die Einführung von künstlicher Intelligenz und maschinellem Lernen stellt einen grundlegenden Wandel dar und bringt viele Vorteile mit sich, die weit über die Effizienzsteigerung hinausgehen und neue Geschäftsmöglichkeiten eröffnen.

Zu den unmittelbaren Vorteilen des maschinellen Lernens in der Fertigung gehören:

• Reduzieren Sie häufige, schmerzhafte prozessbedingte Verluste wie Ausbeute, Ausschuss, Qualität und Durchsatz.
• Steigern Sie die Produktivität durch die Optimierung von Produktionsprozessen.
• Erzielen Sie durch optimierte Prozesse ein umfassendes Wachstum und eine Erweiterung der Produktlinien.
• Kostenreduzierung durch vorausschauende Wartung, was zu weniger Wartungsaktivitäten führt, was geringere Arbeitskosten, weniger Lagerbestände und Materialverschwendung bedeutet. Prognostizieren Sie die verbleibende Nutzungsdauer (RUL). Durch ein besseres Verständnis des Verhaltens von Maschinen und Geräten können Bedingungen geschaffen werden, die die Leistung verbessern und gleichzeitig die Maschinengesundheit erhalten. Predictive RUL eliminiert „unangenehme Überraschungen“, die zu ungeplanten Ausfallzeiten führen.
• Verbessern Sie das Lieferkettenmanagement durch effizientes Bestandsmanagement und gut überwachte und synchronisierte Produktionsprozesse.
• Verbessern Sie die Qualitätskontrolle, liefern Sie umsetzbare Erkenntnisse und verbessern Sie kontinuierlich die Produktqualität.
• Verbessern Sie die Zusammenarbeit zwischen Mensch und Maschine, verbessern Sie die Sicherheitsbedingungen der Mitarbeiter und steigern Sie die Gesamteffizienz.
• Verbraucherorientierte Fertigung – in der Lage, schnell auf Veränderungen der Marktnachfrage zu reagieren.

Um das Beste aus industriellen KI/ML-Lösungen herauszuholen, müssen Hersteller wissen, welche KI-Lösung am besten für die Bewältigung ihrer Herausforderungen geeignet ist.

Das obige ist der detaillierte Inhalt vonAnwendungen von maschinellem Lernen und künstlicher Intelligenz in der Fertigung. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!