Как машинное обучение трансформирует промышленное производство

Согласно Википедии, машинное обучение «представляет собой научное исследование алгоритмов и статистических моделей, которые компьютерные системы используют для выполнения конкретная задача эффективно, без использования явных инструкций, вместо этого полагаясь на шаблоны и логический вывод. Это рассматривается как разновидность искусственного интеллекта ».

Машинное обучение - это не устройство, которое можно подключить к производственной линии и заставить ее работать лучше, чем раньше. Это процесс, который требует ввода от многих устройств для передачи данных в него, чтобы данные можно было собирать, оценивать и использовать для получения знаний о том, как работает производственная линия.

Эти знания затем могут быть использованы для определения того, как производственная линия может иметь более высокую пропускную способность, работать с меньшими затратами и работать более надежно. Таким образом, машинное обучение превращает промышленное предприятие в систему систем, которые могут быстрее выводить продукты на рынок с меньшими затратами, чтобы компания могла оставаться конкурентоспособной и удовлетворять своих клиентов.

Машинное обучение на основе процессов

Давайте добавим модификатор к идее машинного обучения и назовем его «процессным». Это позволяет нам добраться до сути вопроса при определении промышленных технологий, которые необходимо было создать или модифицировать из-за желания использовать компьютерные алгоритмы, чтобы вступить в эпоху интеллектуального производства.

Машинное обучение использует обучающие данные, чтобы научить свой компьютерный алгоритм тому, чего ожидать от производственных машин, которые он контролирует, чтобы получить эти данные.

Он должен полагаться на распознавание образов и логический вывод, чтобы развить способность алгоритма принимать решения и делать прогнозы без необходимости писать код, который будет явно запрограммирован для выполнения этой задачи. Данные обучения собираются, обрабатываются и оцениваются в виде структурированной последовательности шагов для подготовки данных для использования в алгоритме машинного обучения.

Эта структурированная последовательность шагов представляет собой процесс, и создание этого процесса вводит новые технологии в виде устройств для создания данных, сетей для хранения и обработки данных и компьютеров для обработки и очистки данных для обеспечения точности и актуальности.

Это система, представленная на изображении выше. Что еще более важно, эта диаграмма представляет собой систему систем (SoSe) из-за возрастающей сложности ее работы. Мы скоро увидим, что эта технология означает для машинного обучения.

Промышленные приложения и преобразования, связанные с машинным обучением

Список новых технологий, которые можно отнести к машинному обучению, является исчерпывающим и не может быть описан полностью в этой статье. Поэтому я буду обсуждать проблемы более высокого уровня, которые легче идентифицировать.

Профилактическое обслуживание

Возможность заблаговременного прогнозирования сбоев на производственной линии может быть неоценимой для производителей. Это позволяет менеджеру планировать простои в наиболее выгодное время и исключать незапланированные простои. Незапланированные простои сильно влияют на размер прибыли и могут привести к потере вашей клиентской базы. Это также нарушает цепочку поставок, вызывая перенос избыточных запасов.

Потребность в привлечении дополнительной рабочей силы также может стоить больших денег. Недавнее исследование показало, что внедрение машинного обучения для профилактического обслуживания, как ожидается, вырастет среди производителей на 38 процентов из-за его способности повысить маржу прибыли за счет устранения внеплановых простоев в работе.

Конвергенция ИТ / ОТ и сетевая безопасность

Развитие машинного обучения также повлечет за собой множество модификаций бизнес-моделей в стандартных операционных процедурах производителя. Это особенно верно в отношении организационной структуры компании. Компьютерная сеть, которая является священной базой отдела информационных технологий (ИТ), должна быть совмещена с оперативными датчиками на производственном оборудовании, чтобы данные можно было собирать и отправлять в хранилище данных в качестве обучающих данных для целей машинного обучения.

Вероятно, возникнет необходимость снести стену молчания, разделяющую две группы внутри, чтобы обеспечить сотрудничество и сотрудничество. В конце концов, операторы цехов и технический персонал пострадают, если сеть окажется ненадежной или будет взломана, что может остановить производство. Датчики и устройства операционных технологий (OT) будут затронуты так же сильно, как ИТ-сеть и компьютеры.

Разработка цифровых двойников

Конечная цель искусственного интеллекта и машинного обучения - создать цифрового двойника производственного цеха. Создание цифрового двойника должно происходить в рамках процесса системного проектирования на основе моделей с использованием алгоритмов машинного обучения и полученных знаний в качестве основы.

Цифровой двойник может служить платформой для запуска сценариев «что, если», чтобы узнать то, чего мы сегодня не знаем. Его также можно использовать в качестве модели для проектирования деталей с более высокой надежностью и настройки взаимодействия между производственными машинами для повышения производительности. Возможности безграничны.

Об авторе

Джозеф Зулик - писатель и менеджер в MRO Electric and Supply .