Kaj se v tovarni z umetno inteligenco res splača avtomatizirati

O projektu umetne inteligence v tovarni večinoma ne odloča modeliranje. Odloča to, da poimenujete, kakšne vrste problem imate, preverite, ali ga vaši izvedbeni podatki sploh zmorejo nositi, in vnaprej zasnujete, kaj se zgodi, ko se model zmoti.

Pravila, strojno učenje, optimizacija in jezikovni modeli: kaj se prilega kateremu problemu

Najprej pridejo pravila in statistika, ki si zaslužijo več spoštovanja, kot ga dobijo. Če pravilo, ki ga inženir lahko zapiše, prinese večino vrednosti, je poštena primerjava za vsak model prav to pravilo — ne pa nedelovanje.

Strojno učenje si prisluži mesto tam, kjer je povezava med vhodi in izidom resnična, a je nihče ne zna zapisati: desetine procesnih spremenljivk, ki se prepletajo, napaka, ki je odvisna od serije materiala, vlažnosti okolice in lege v gnezdu. Model pozna razmere, ki so mu bile pokazane, o razmerah, ki jih ni nikoli videl, pa ne pove nič uporabnega.

Optimizacija je druga disciplina in jo redno napačno označujejo kot UI. Razvrščanje obrata z omejeno zmogljivostjo, sestavljanje zaporedij za čim manj menjav, dodeljevanje usposobljenih operaterjev: to so problemi z omejitvami in ciljno funkcijo. Ne potrebujejo označenih primerov, potrebujejo pa poštene procesne čase in omejitve, ki jih je običajno treba izmeriti in ne predpostaviti. Za planiranje je skoraj vedno pravo orodje reševalnik, ki zna izraziti vaše resnične omejitve glede orodij in sušenja, saj je planiranje problem z omejitvami in ne problem napovedovanja.

Jezikovni modeli so najnovejši prišlek in njihova umestitev je zelo specifična. Ustrezajo delu, ki ima obliko dokumenta ali pogovora: branju prispelega povpraševanja in pripravi strukturiranega osnutka, strnitvi dolge zgodovine vzdrževanja v nekaj, kar tehnik lahko prebere, preden odide do stroja, odgovoru na vprašanje, kaj o nastavitvi pravi delovno navodilo. Niso merilni instrumenti: zahtevati od njih, naj iz podatkov o vibracijah napovejo okvaro ležaja, je kot zabijati vijak s kladivom.

Kakšne podatke projekt umetne inteligence v tovarni v resnici potrebuje

Model potrebuje primere, ki situacijo povežejo z izidom, in dovolj konteksta, da eno situacijo loči od druge: signal ali nabor pogojev, vezan na nalog, stroj, orodje, serijo materiala, operaterja in časovni žig, ki je resničen. Časovni žig je pomembnejši, kot ljudje pričakujejo. Če se potrditve vnašajo za nazaj ob koncu izmene, imajo vsi dogodki te izmene približno isti čas in vse, kar je odvisno od zaporedja ali trajanja, se nauči navade vnašanja podatkov namesto procesa.

Stran izidov je običajno še slabša. Napovedno vzdrževanje potrebuje okvare, zabeležene kot okvare, z vzrokom in datumom, ne kot nenačrtovan zastoj s praznim poljem za vzrok. Napovedovanje kakovosti potrebuje izmet, knjižen na operacijo in na vrsto napake, ki ga je povzročila, ne pa združenega v mesečno številko. Napovedovanje potreb potrebuje zgodovino porabe, ki je niso tiho prepisali popravki zaloge. V večini obratov vhodi živijo v historianu, izidi pa v vzdrževalnem zvezku ali preglednici ene same osebe.

Preizkus ni, koliko gigabajtov hrani historian, ampak ali znate za eno linijo in eno družino izdelkov izvoziti leto vrstic, kjer vsaka vrstica nosi pogoje in rezultat, in ali se dve osebi, ki poznata proces, strinjata, da so vrstice resnične. Če ta izvoz zahteva teden dni ročnega usklajevanja, projekt ni model, ampak zapis. Prav zato sta kakovost podatkov v MES in historianu zavezujoča omejitev in nobena prefinjenost modeliranja ne nadomesti tistega, kar ni bilo nikoli zajeto.

Napovedovanje povpraševanja in porabe, kjer je povračilo najbližje

Napovedovanje ima običajno najkrajšo pot do denarja, ker je alternativa vidno šibka: večina obratov vzame lansko leto in prišteje odstotek ali od prodaje dobi številko, ki je v resnici cilj. Model, ki uporablja zgodovino naročil, sezonskost, strukturo kupcev, odprt prodajni lijak in koledarske učinke, to premaga pri artiklih z rednim, ponavljajočim se povpraševanjem. Pri občasnih in projektno vodenih artiklih, ki jih je pogosto večina številk artiklov in majhen delež količine, običajno ne, in naivne osnovnice ali osnovnice tipa Croston je težko premagati. Poštena različica katalog najprej segmentira in te artikle prepusti politiki zalog in presoji.

Vrednost se pokaže naprej po toku in ne v napovedi sami: premakne se varnostna zaloga, spremeni se čas naročanja artiklov z dolgimi dobavnimi roki, redkejše postanejo nujne menjave, ki razbijejo urnik. Odstotek točnosti napovedi na prosojnici ni korist; dnevi zalog in število nujnih pospešitev so.

Napovedno vzdrževanje, samo tam, kjer je način odpovedi res napovedljiv

Vse je tu odvisno od tega, ali se odpoved razvija postopoma in pušča sled v nečem, kar lahko merite. Obraba ležaja, neuravnoteženost, neporavnanost, postopno mašenje filtra ali hladilnega kroga, odnašanje hidravličnega tlaka, tok motorja, ki pri isti operaciji počasi narašča: to se razvija tedne ali mesece, občasno le ure, kar je običajno prepozno, da bi se izplačalo opremljati s senzorji, in se pokaže v vibracijah, toku, temperaturi ali tlaku. Model to lahko vidi, pogosto pa tudi dobro izbran prag, in prav zato je primerjava s preprosto statistiko tu pomembna.

Odpovedana krmilna kartica, orodje, ki ga je zlomila slaba ploščica, poškodba zaradi napake operaterja: to je praktično trenutno in noben model tega ne napove iz trenda, ki ne obstaja.

Drugi pogoj je, da vam mora opozorilo kupiti čas, ki ga lahko uporabite. Če ima del dolg dobavni rok in se linija pred vikendom ne more ustaviti, se izplača naložba v politiko rezervnih delov, ne model. Okno za ukrepanje izračunajte pred proračunom za senzorje.

Napovedovanje kakovosti in zmanjševanje izmeta

Pri kakovosti je običajno največ denarja in tudi najzahtevnejše podatkovne zahteve. Privlačna različica iz pogojev med tekom napove, kateri kosi ali serije so ogroženi, da lahko nekdo ukrepa, preden izmet nastane, namesto da bi ga našel na končni kontroli.

Deluje takrat, ko je proces opremljen s senzorji na ločljivosti tistega, kar hočete napovedati, in ko izmet nosi resnično kodo vzroka na operaciji. Tiho odpove, ko se izmet knjiži ob koncu naloga na nalog kot celoto, saj model potem ne more povedati, kateri pogoji so povzročili katero napako.

En neglamurozen korak se povrne, še preden se povrne kateri koli model: zajem vzrokov izmeta na stroju, v trenutku nastanka, iz kratkega seznama vzrokov, ki jih operater prepozna. Mnogo obratov, ki prosi za napovedovanje kakovosti, že iz teh podatkov ugotovi, da majhno število vzrokov povzroči večino izgube, in največjega odpravi s konstrukcijsko spremembo. To je dober izid, ne neuspel projekt.

UI za razvrščanje proizvodnje: zakaj je to problem optimizacije in ne napovedovanja

Če načrt vsak teden razpade, vzrok redko tiči v premalo inteligence, običajno pa v premalo omejitvah. Spremeni ga razvrščevalnik, ki upošteva deljena orodja, družine menjav, kvalifikacije operaterjev, čase zorenja in vzdrževalna okna, ki jih nameravate spoštovati.

Učenje tu pomaga na en ozek, resničen način: pri procesnih časih. Urnik, zgrajen na normativih, ki jih leta nihče ni znova izmeril, je natančen glede napačnih številk, dejanska trajanja, zajeta prek MES, pa lahko posodobijo to, s čimer razvrščevalnik planira. Predlog za razvrščanje ocenjujte po omejitvah, ki jih zna izraziti, in po tem, kako hitro preplanira, ko se kaj pokvari; načrt, ki se regenerira čez noč, na jutranjem sestanku ročno povozijo.

Zaznavanje anomalij na energetskih in procesnih signalih

Zaznavanje anomalij se nauči, kako je videti normalno stanje, in označi odstopanje. Ustreza zveznim signalom, kjer imate veliko dobrega vedenja in malo označenih napak: poraba energije na cikel, poraba stisnjenega zraka, delovanje hladilnega agregata, procesni signal, katerega oblika je stabilna, ko je vse v redu.

Njegova moč je odziv na tisto, česar nihče ni predvidel. Njegova šibkost je, da pove le, da je nekaj nenavadno, nikoli pa, kaj je narobe, in obrat, ki prejema nepojasnjena opozorila, se jih nauči spregledati. Zasnova ni detektor, ampak usmerjanje: katera opozorila gredo h komu, kaj je prvo preverjanje in kako se odziv zabeleži, da naslednje opozorilo iste oblike pride s priloženo zgodovino.

UI v prodaji in delu s strankami, kjer ima delo obliko dokumenta

Komercialna stran proizvodnega podjetja teče na dokumentih in pogovorih: povpraševanja, specifikacije, ponudbe, potrditve naročil, vprašanja o dobavah, reklamacije. Prav sem jezikovni modeli resnično sodijo, ker gre za branje, izluščanje, pisanje osnutkov in povzemanje.

Konkretno: prispelo povpraševanje, razčlenjeno na artikel, količino, želeni datum in posebne zahteve, ob njem pa priklicane prejšnje ponudbe. E-poštna nit, strnjena v zapis CRM, ki nosi dano zavezo in naslednje dejanje.

Dve pravili preprečita, da bi šlo narobe. Model pripravi osnutek, pošlje pa človek, vsaj dokler stopnja napak v tem delovnem toku ni znana. In vse dejstveno — cena, dobavni rok, zaloga, obljubljeni datum — pride iz matičnega sistema in ne iz modela, ki naj navaja poiskano vrednost in je nikoli ne ustvarja. Avtomatizacija CRM, ki si izmisli dobavni rok, je slabša od nobene, ker podjetje zaveže.

Ocena prihranka, preden kar koli kupite

Izgubo poimenujte v enotah, ki jih vaš obrat že spremlja: strošek izmeta na mesec pri zadevni družini izdelkov, ure nenačrtovanih zastojev na ozkem grlu, pomnožene s tem, koliko je ura tam vredna v prispevku za kritje in ne v strojni urni postavki, stroški nujnih prevozov, zaloga, vezana v delih, ki bi jih napoved premaknila, ure na teden, porabljene za prepisovanje med sistemi.

Nato pesimistično ocenite, kolikšen delež te izgube bi aplikacija verjetno lahko naslovila. Napovedno vzdrževanje zastojev ne odpravi; v najboljšem primeru nekatere nenačrtovane zastoje pretvori v načrtovane, in to za načine odpovedi, ki jih pokriva. Model kakovosti izmeta ne odstrani; skrajša čas med tem, ko gre proces narobe, in tem, ko nekdo to opazi.

Če ta poštena številka, postavljena nasproti skupnim stroškom v življenjski dobi, s katero bi dejansko računali, vključno z integracijo in ljudmi, ki bodo to poganjali, ne preseže praga, ki ga vaša finančna funkcija uporabi za vsako drugo naložbo te velikosti, je projekt znanstveni poskus. To je dovoljeno, a naj bo tudi financiran in ocenjen kot tak.

Koliko integracija v resnici stane

Model je običajno poceni del; strošek živi v spojih. Najprej je treba dobiti signale s strojev, resničen obrat pa je mešan park: nekatera sredstva govorijo OPC UA, nekatera Modbus ali serijski protokol, nekatera ponujajo brezpotencialni kontakt, pri nekaterih zaprtih krmilnikih pa je treba naknadno vgraditi senzor na vreteno, hidravlični krog ali napajalni vod. Nato mora izhod pristati nekje, kjer sproži dejanje: na zaslonu, ki ga operater tako ali tako gleda, v delovnem nalogu, odprtem v vzdrževanju, v omejitvi, podani razvrščevalniku, v blokadi, postavljeni v kakovosti.

Za tem pride usklajevanje matičnih podatkov, ki ga nihče ne vključi v obseg. Številke artiklov, ki se med sistemi razlikujejo za pripono, merske enote, ki se ne ujemajo, kosovnica, vzdrževana na dveh mestih, oznake strojev, ki so se spremenile ob preureditvi linije. Nič od tega ni težko in vse traja dlje kot programska oprema. Ponudba, ki ovrednoti model, spoje pa pusti kot „integracijo, ki jo je treba še opredeliti“, ni cena.

Kdo model upravlja in kaj se zgodi, ko se zmoti

Vsak uveden model potrebuje skrbnika z imenom in nabavno vprašanje je, kdo v vaši organizaciji bo to. Ta oseba mora vedeti, na čem je bil model naučen, katere razmere so zunaj tega, zakaj je dal določen izhod in kako ga izločiti iz zanke, ne da bi ustavila proizvodnjo. Model, ki neha odgovarjati, mora pasti nazaj na tisto, kar je proces vodilo pred njim — na vzorčni načrt, prag, preverjanje operaterja — in ne na odprta vrata ali blokirano linijo. Kaj od tega bo, odločite pred zagonom.

Pojasnljivost v proizvodnji ni filozofsko vprašanje, ampak pogoj za sprejetje. Priporočilo, ki pove, kateri signal se je premaknil, za koliko in glede na katero osnovnico, upoštevajo. Ocena brez utemeljitve se povozi, in ko postane povozitev rutina, je sistem le okras.

Pretirano opozarjanje uniči zaupanje hitreje kot spregledane zaznave, iz istega razloga kot pretirano izločanje na kontrolni postaji: lažni alarm je takoj viden vsem, spregled pa ostane neviden, dokler ne pride okvara. Stopnjo opozoril zasnujte glede na pozornost, ki je v proizvodnji dejansko na voljo, negotov pas pa usmerite k človeku in ne na linijo.

Upravljanje, odnašanje in breme vzdrževanja, ki ga nihče ne načrtuje v proračunu

Model je posnetek vašega procesa v trenutku, ko je bil naučen, vaš proces pa se premika: nov dobavitelj, obnova orodja, revizija kosa, preureditev linije, spremenjen miks izdelkov, senzor, zamenjan z malenkost drugačnim. Vsaka od teh stvari lahko vhode premakne dovolj, da je včerajšnji model danes tiho napačen, način odpovedi pa ni sporočilo o napaki, ampak vedno slabši nasvet.

Spremljajte vhode in ne samo izhodov, saj se odnašanje vhodov pokaže prej kot poslabšanje izidov. Ohranite ločeno testno množico resničnih primerov, vključno z mejnimi, da lahko nov model pošteno primerjate s sedanjim. Model verzionirajte in beležite, katera različica je dala katero priporočilo; po ponovnem učenju so včerajšnji izhodi prišli od drugega sodnika.

In v proračun dajte tekoči trud. Model v produkciji je vzdrževano sredstvo, bližje procesni opremi kot kupljenemu poročilu. Če nihče nima namenjenega časa za ponovno učenje, pregledovanje opozoril in preverjanje, ali podatki še vedno prihajajo, bo propadal, dokler ga ljudje ne nehajo uporabljati.

Realen prvi projekt, s prevzemnimi merili

Izberite eno poimenovano izgubo na eni liniji ali eni družini izdelkov, izraženo kot stavek s številko: toliko izmeta imamo na tej operaciji, toliko ur ozkega grla izgubimo na tem stroju, toliko zaloge držimo, ker te družine ne znamo napovedati. Če projekta ni mogoče tako izraziti, ni zrel.

Preden kar koli kupite, naredite izvoz podatkov. Eno leto, ena linija, pogoji in izidi v istih vrsticah, dve osebi, ki poznata proces, potrdita, da so vrstice resnične. Nato ga primerjajte s preprosto alternativo: pragom, kontrolno karto ali presojo sedanjega planerja.

Prevzemna merila zapišite v enotah obrata pred zagonom, v parih, da je kompromis izrecen. Za napovedno vzdrževanje: določeno število pokritih načinov odpovedi, ujetih vsaj teden dni vnaprej, nasproti omejenemu številu lažnih opozoril na mesec. Za napovedovanje: določeno zmanjšanje dni zalog pri modeliranih družinah brez povečanja manjkov. Za kakovost: določeno zmanjšanje izmeta na ciljni operaciji glede na iste mesece lani, ob tem pa zabeležene procesne spremembe.

V istem dokumentu poimenujte skrbnika, vedenje ob odpovedi in urnik ponovnega učenja ter določite datum pregleda s pošteno možnostjo, da se ustavi. Prvi projekt, ki se konča z odločitvijo, da se ne širi, sprejeto na podlagi dokazov, je uspeh. Pilot, ki postane trajna demonstracija, ni.

Kje se vključi Meta Smart Factory

Meta Smart Factory je modularen in to je tu pomembno, ker modul za umetno inteligenco in strojno učenje stoji nad izvedbeno plastjo in ne poleg nje. MES dostavlja dogodke in kontekst, povezljivost IIoT in OPC UA dostavljata strojne signale, Kakovost dostavlja izmet z vzroki, Vzdrževanje dostavlja zgodovino okvar, APS pa izhod porabi tam, kjer je odgovor urnik in ne napoved.

Začnete lahko z enim modulom na eni poimenovani omejitvi in naslednjega dodate, ko je prvi v uporabi. Nobena platforma pa ne odpravi težkega dela: uskladiti se, kaj številke pomenijo, poskrbeti, da se vzroki zajemajo na stroju, in odločiti, kdo je skrbnik modela, ko se ta zmoti. Pogovor o tem zaporedju za konkreten obrat je koristnejši prvi pogovor kot demonstracija, saj bo demonstracija vedno delovala.