Šta se u fabrici zaista isplati automatizovati veštačkom inteligencijom

Ono što presuđuje AI projektu u fabrici uglavnom nije modeliranje. To je imenovanje vrste problema koji imate, provera da li ga vaši podaci iz izvršavanja proizvodnje uopšte mogu poneti, i osmišljavanje onoga što se dešava kada model pogreši.

Pravila, mašinsko učenje, optimizacija i jezički modeli: šta odgovara kom problemu

Pravila i statistika dolaze prve i zaslužuju više poštovanja nego što ga dobijaju. Ako pravilo koje inženjer može da zapiše donosi najveći deo vrednosti, pošteno poređenje za bilo koji model jeste poređenje sa tim pravilom, a ne sa nečinjenjem.

Mašinsko učenje zaslužuje svoje mesto tamo gde veza između ulaza i ishoda postoji, ali niko ne ume da je zapiše: desetine procesnih parametara koji se međusobno prepliću, škart koji zavisi od lota materijala, vlažnosti vazduha i položaja u kalupu. Model poznaje uslove koji su mu pokazani i ne kaže ništa korisno o uslovima koje nikada nije video.

Optimizacija je posebna disciplina i redovno se pogrešno naziva veštačkom inteligencijom. Raspoređivanje pogona sa ograničenim kapacitetom, redosled koji svodi promene alata na najmanju meru, dodela kvalifikovanih operatera: to su problemi sa ograničenjima i funkcijom cilja. Njima ne trebaju označeni primeri, ali im trebaju pošteni podaci o vremenima operacija i ograničenjima, koje obično treba izmeriti, a ne pretpostaviti. Za planiranje je solver koji ume da izrazi vaša stvarna ograničenja alata i sušenja gotovo uvek pravi alat, jer je planiranje problem sa ograničenjima, a ne problem predviđanja.

Jezički modeli su najnoviji pridošlica i njihova primena je vrlo određena. Odgovaraju poslu koji ima oblik dokumenta ili razgovora: čitanje pristiglog upita i izrada strukturiranog odgovora, sažimanje duge istorije održavanja u nešto što tehničar može da pročita pre nego što ode do mašine, odgovor na pitanje šta radno uputstvo kaže o pripremi. Oni nisu merni instrumenti: tražiti od jezičkog modela da predvidi otkaz ležaja iz podataka o vibracijama znači zakucavati zavrtanj čekićem.

Kakvi podaci su AI projektu u fabrici zaista potrebni

Modelu trebaju primeri koji spajaju situaciju sa ishodom, sa dovoljno konteksta da se jedna situacija razlikuje od druge: signal ili skup uslova vezan za nalog, mašinu, alat, lot materijala, operatera i vremensku oznaku koja je tačna. Vremenska oznaka je važnija nego što se očekuje. Ako se potvrde unose naknadno na kraju smene, svi događaji u toj smeni dele približno isto vreme, a sve što zavisi od redosleda ili trajanja uči naviku unosa podataka, a ne proces.

Sa stranom ishoda obično stoji još gore. Prediktivnom održavanju trebaju otkazi zabeleženi kao otkazi, sa uzrokom i datumom, a ne kao neplanirani zastoj sa praznim poljem za razlog. Predviđanju kvaliteta treba škart proknjižen na operaciju i na tip greške koji ga je izazvao, a ne sabran u mesečni broj. Prognoziranju treba istorija potrošnje koju korekcije zaliha nisu nečujno prepravile. U većini pogona ulazi žive u istorijskoj bazi procesa, a ishodi u svesci održavanja ili u tabeli jednog čoveka.

Provera nije koliko gigabajta drži istorijska baza, nego možete li da izvučete, za jednu liniju i jednu familiju proizvoda, godinu dana redova gde svaki red nosi uslove i rezultat, i da se dvoje ljudi koji poznaju proces slože da su ti redovi tačni. Ako to izvlačenje traži nedelju dana ručnog usaglašavanja, projekat nije model; projekat je zapis. Zato je kvalitet podataka u MES-u i istorijskoj bazi ograničenje koje sve određuje, i nikakva sofisticiranost modela ne vraća ono što nikada nije zabeleženo.

Prognoziranje tražnje i potrošnje, gde je povraćaj najbliži

Prognoziranje obično ima najkraći put do novca, jer je alternativa vidljivo slaba: većina pogona uzme prošlu godinu i doda procenat, ili traži broj od prodaje, a taj broj je zapravo cilj. Model koji koristi istoriju naloga, sezonalnost, strukturu kupaca, otvorene prodajne prilike i kalendarske efekte to nadmašuje na artiklima sa redovnom, ponavljajućom tražnjom. Na artiklima sa isprekidanom i projektnom tražnjom, kojih je često najviše po broju šifara a malo po količini, obično ne nadmašuje, i naivnu osnovu ili Crostonov pristup teško je pobediti. Poštena verzija prvo segmentira katalog i te artikle prepušta politici držanja zaliha i proceni.

Vrednost se pojavljuje nizvodno, a ne u samoj prognozi: pomeraju se sigurnosne zalihe, menja se trenutak nabavke artikala sa dugim rokom isporuke, a hitne promene alata koje razbijaju raspored postaju ređe. Procenat tačnosti prognoze na slajdu nije korist; dani zaliha i broj hitnih intervencija jesu.

Prediktivno održavanje, samo tamo gde je otkaz zaista predvidiv

Sve ovde zavisi od toga da li se otkaz razvija postepeno i ostavlja potpis u nečemu što možete da izmerite. Propadanje ležaja, neuravnoteženost, neporavnanje, postepeno zapušavanje filtera ili rashladnog kruga, drift hidrauličkog pritiska, struja motora koja raste na istoj operaciji: to se razvija nedeljama ili mesecima, povremeno tek satima, što je obično prekasno da bi se isplatilo opremati mernim mestima, i vidi se u vibracijama, struji, temperaturi ili pritisku. Model to može da uoči, a često može i dobro postavljen prag, zbog čega je ovde poređenje sa jednostavnom statistikom važno.

Otkaz upravljačke ploče, alat slomljen lošom pločicom, oštećenje nastalo greškom operatera: to je praktično trenutno, i nijedan model to ne predviđa iz trenda koji ne postoji.

Drugi uslov je da vam upozorenje mora kupiti vreme koje možete iskoristiti. Ako deo ima dug rok isporuke, a linija ne može da stane pre vikenda, isplati se ulaganje u politiku rezervnih delova, a ne u model. Odredite prozor za intervenciju pre nego što odredite budžet za senzore.

Predviđanje kvaliteta i smanjenje škarta

Kvalitet je mesto gde obično ima najviše novca i gde su zahtevi prema podacima najstroži. Privlačna verzija predviđa, iz uslova tokom proizvodnje, koji su delovi ili šarže u riziku, da bi neko mogao da podesi proces pre nego što škart nastane, umesto da ga otkrije na završnoj kontroli.

To radi kada je proces opremljen mernim mestima na rezoluciji onoga što želite da predvidite i kada škart nosi stvarnu šifru uzroka vezanu za operaciju. Tiho otkazuje kada se škart knjiži na kraju naloga na nalog u celini, jer model tada ne može da razazna koji su uslovi proizveli koju grešku.

Jedan neupadljiv korak isplati se pre bilo kog modela: beleženje razloga škarta na mašini, u trenutku kada nastane, iz kratke liste uzroka koje operater prepoznaje. Mnogi pogoni koji traže predviđanje kvaliteta već iz tih podataka otkriju da mali broj uzroka pravi najveći deo gubitka, i najveći zatvore konstrukcionom izmenom. To je dobar ishod, a ne propao projekat.

AI u raspoređivanju proizvodnje: zašto je to problem optimizacije, a ne predviđanja

Ako plan propada svake nedelje, uzrok retko leži u nedostatku inteligencije, a obično u nedostatku ograničenja. Promenu donosi raspoređivač koji poštuje deljene alate, familije proizvoda sa istom promenom alata, kvalifikacije operatera, vremena očvršćavanja i prozore za održavanje koje nameravate da ispoštujete.

Učenje ovde pomaže na jedan uzak, stvaran način: kroz vremena operacija. Raspored napravljen na normativima koje niko nije premerio godinama precizan je u pogrešnim brojevima, a stvarna trajanja zabeležena kroz MES mogu osvežiti ono sa čim raspoređivač planira. Predlog za raspoređivanje ocenjujte po ograničenjima koja ume da izrazi i po tome koliko brzo ponovo planira kada nešto pukne; plan kojem treba cela noć da se ponovo generiše ručno se pregazi na jutarnjem sastanku.

Detekcija anomalija na energetskim i procesnim signalima

Detekcija anomalija uči kako izgleda normalno i označava odstupanje. Odgovara neprekidnim signalima gde imate mnogo dobrog ponašanja i malo označenih kvarova: potrošnja energije po ciklusu, potrošnja komprimovanog vazduha, učinak rashladnog agregata, procesni signal čiji je oblik stabilan kada je sve u redu.

Njena snaga je reagovanje na ono što niko nije predvideo. Njena slabost je što kaže samo da je nešto neuobičajeno, nikada šta nije u redu, a pogon koji prima neobjašnjena upozorenja nauči da ih ignoriše. Posao osmišljavanja nije detektor, nego usmeravanje: koja upozorenja idu kome, koja je prva provera i kako se odgovor beleži, da bi sledeće upozorenje istog oblika stiglo sa istorijom uz sebe.

AI u prodaji i radu sa kupcima, gde posao ima oblik dokumenta

Komercijalna strana proizvodne kompanije radi na dokumentima i razgovorima: upiti, specifikacije, ponude, potvrde naloga, pitanja o isporuci, reklamacije. Tu se jezički modeli zaista uklapaju, jer je posao čitanje, izvlačenje podataka, sastavljanje i sažimanje.

Konkretno: pristigli upit razložen na artikal, količinu, traženi datum i posebne zahteve, sa prethodnim ponudama izvučenim pored njega. Prepiska sažeta u CRM zapis koji nosi datu obavezu i sledeći korak.

Dva pravila čuvaju ovo od promašaja. Model sastavlja, a čovek šalje, bar dok se ne shvati kolika je stopa greške u tom radnom toku. I sve činjenično, cena, rok isporuke, stanje zaliha, obećani datum, dolazi iz matičnog (izvornog) sistema, a ne iz modela, koji treba da navodi pronađenu vrednost, a nikada da je izmišlja. CRM automatizacija koja izmisli rok isporuke gora je od nikakve, jer obavezuje kompaniju.

Procena dobiti pre nego što bilo šta kupite

Imenujte gubitak u jedinicama koje vaš pogon već prati: trošak škarta mesečno na familiji proizvoda o kojoj je reč, sati neplaniranog zastoja na mašini koja je usko grlo pomnoženi onim što tamo vredi jedan sat po doprinosu pokriću, a ne po mašinskom satu, troškovi hitne otpreme, zalihe zarobljene u artiklima koje bi prognoza pokrenula, sati nedeljno potrošeni na prekucavanje između sistema.

Zatim pesimistično procenite koji deo tog gubitka primena uopšte može da dohvati. Prediktivno održavanje ne uklanja zastoje; u najboljem slučaju pretvara deo neplaniranih stajanja u planirana, i to za otkaze koje pokriva. Model kvaliteta ne uklanja škart; on skraćuje vreme između trenutka kada proces krene naopako i trenutka kada to neko primeti.

Ako taj pošten broj, stavljen naspram ukupnog troška tokom veka za koji biste zaista planirali, uključujući integraciju i ljude koji će ga voditi, ne prelazi prag koji vaša finansijska služba primenjuje na svako drugo ulaganje te veličine, projekat je naučni eksperiment. To je dozvoljeno, ali tako treba i da se finansira i ocenjuje.

Koliko integracija zaista košta

Model je obično jeftin deo; trošak živi u spojevima. Prvo dolazi skidanje signala sa mašina, a stvaran pogon je mešovit park: neka oprema govori OPC UA, neka Modbus ili serijski protokol, neka nudi beznaponski kontakt, a kod nekih zatvorenih upravljačkih jedinica treba naknadno ugraditi senzor na vreteno, hidraulički krug ili napojni vod. Zatim izlaz mora negde da sleti tako da izazove radnju: na ekran koji operater ionako gleda, u radni nalog otvoren u održavanju, u ograničenje predato raspoređivaču, u blokadu postavljenu u kvalitetu.

Posle toga dolazi usaglašavanje matičnih podataka koje niko ne uračuna. Šifre artikala koje se između sistema razlikuju za sufiks, jedinice mere koje se ne poklapaju, sastavnica koja se održava na dva mesta, oznake mašina koje su se promenile kada je linija preuređena. Ništa od toga nije teško i sve traje duže od softvera. Ponuda koja daje cenu modela, a spojeve ostavlja kao integraciju koju tek treba obuhvatiti, nije cena.

Ko vodi model i šta se dešava kada pogreši

Svaki model u upotrebi mora da ima vlasnika sa imenom i prezimenom, a nabavno pitanje je ko će to u vašoj organizaciji biti. Taj čovek treba da zna na čemu je model obučen, koji uslovi izlaze van toga, zašto je dao određeni izlaz i kako da ga isključi iz toka a da ne zaustavi proizvodnju. Model koji prestane da odgovara mora da se vrati na ono što je proces kontrolisalo pre njega, na plan uzorkovanja, na prag, na proveru operatera, a ne na otvorenu kapiju ili blokiranu liniju. Odlučite šta je od toga pre puštanja u rad.

Objašnjivost u proizvodnom pogonu nije filozofsko pitanje, nego uslov za prihvatanje. Po preporuci koja kaže koji se signal pomerio, za koliko i u odnosu na koju osnovu, zaista se postupa. Ocena bez obrazloženja biva pregažena, a čim pregaživanje postane rutina, sistem je ukras.

Preveliki broj upozorenja ruši poverenje brže nego propuštene detekcije, iz istog razloga iz kog to na kontrolnom mestu radi preterano odbacivanje: lažan alarm je odmah vidljiv i to svima, a propust ostaje nevidljiv dok otkaz ne stigne. Osmislite učestalost upozorenja prema pažnji koja stvarno postoji u pogonu, a nesiguran opseg usmerite na čoveka, a ne na liniju.

Upravljanje, drift i teret održavanja koji niko ne planira u budžetu

Model je snimak vašeg procesa u trenutku kada je obučen, a vaš proces se pomera: novi dobavljač, remont alata, revizija dela, preuređenje linije, promenjena struktura proizvodnje, senzor zamenjen malo drugačijim. Svaka od tih stvari može da pomeri ulaze dovoljno da jučerašnji model danas tiho greši, a način otkazivanja nije poruka o grešci nego postepeno sve lošiji savet.

Pratite ulaze isto koliko i izlaze, jer se drift ulaza vidi pre nego što ishodi počnu da se kvare. Držite izdvojen skup stvarnih slučajeva za testiranje, uključujući i granične, da bi novi model mogao pošteno da se uporedi sa trenutnim. Vodite verzije modela i beležite koja je verzija dala koju preporuku; posle ponovne obuke, jučerašnje izlaze dao je drugi sudija.

I predvidite budžet za stalan rad oko modela. Model u proizvodnji je sredstvo koje se održava, bliže procesnoj opremi nego kupljenom izveštaju. Ako niko nema izdvojeno vreme za ponovnu obuku, pregled upozorenja i proveru da podaci i dalje stižu, model će propadati dok ljudi ne prestanu da ga koriste.

Realan prvi projekat, sa kriterijumima prihvatanja

Izaberite jedan imenovan gubitak na jednoj liniji ili jednoj familiji proizvoda, iskazan kao rečenica sa brojem u sebi: škartiramo toliko na ovoj operaciji, gubimo toliko sati na mašini koja je usko grlo, držimo toliko zaliha jer ne umemo da prognoziramo ovu familiju. Ako se projekat ne može tako izreći, nije spreman.

Pre nego što bilo šta kupite, uradite izvlačenje podataka. Godina dana, jedna linija, uslovi i ishodi u istim redovima, dvoje ljudi koji poznaju proces potvrđuju da su redovi tačni. Zatim uporedite sa jednostavnom alternativom: sa pragom, kontrolnom kartom ili procenom sadašnjeg planera.

Kriterijume prihvatanja napišite u jedinicama pogona pre puštanja u rad, i to u parovima, da kompromis bude izričit. Za prediktivno održavanje: određen broj pokrivenih načina otkaza uhvaćen sa najmanje nedelju dana najave, naspram ograničenog broja lažnih upozorenja mesečno. Za prognoziranje: određeno smanjenje dana zaliha na modeliranim familijama bez porasta broja nestašica. Za kvalitet: određeno smanjenje škarta na ciljanoj operaciji u odnosu na iste mesece prošle godine, uz zabeležene procesne izmene.

U istom dokumentu imenujte vlasnika, ponašanje pri otkazu i plan ponovne obuke, i postavite datum preispitivanja sa poštenom mogućnošću da se stane. Prvi projekat koji se završi odlukom da se ne širi, donetom na osnovu dokaza, jeste uspeh. Pilot koji postane trajna demonstracija nije.

Gde se uklapa Meta Smart Factory

Meta Smart Factory je modularan, a to je ovde važno jer modul za veštačku inteligenciju i mašinsko učenje stoji iznad sloja izvršavanja proizvodnje, a ne pored njega. MES daje događaje i kontekst, IIoT povezivost i OPC UA daju signale sa mašina, Kvalitet daje škart sa uzrocima, Održavanje daje istoriju otkaza, a APS koristi izlaz tamo gde je odgovor raspored, a ne predviđanje.

Možete početi sa jednim modulom naspram jednog imenovanog ograničenja i dodati sledeći kada prvi uđe u upotrebu. Ono što nijedna platforma ne uklanja jeste teži deo: dogovoriti se šta brojevi znače, obezbediti da se uzroci beleže na mašini i odlučiti ko je vlasnik modela kada model pogreši. Razgovor o tom redosledu za konkretan pogon korisniji je prvi razgovor od demonstracije, jer demonstracija uvek radi.