TIBCO о производстве в условиях новой аномальной экономики

Директор TIBCO по стратегии цифровизации Алессандро Химера обсуждает, как производители используют данные, искусственный интеллект и автоматизацию для мониторинга систем.

То, как мы используем данные для мониторинга и контроля производственных систем, изменилось. ТИБКО директор по стратегии цифровизации Алессандро Химера надевает свой электронный комбинезон и перезаряжает свой цифровой шприц для смазки, чтобы объяснить форму аномальной экономики, направляющей управление операционной эффективностью, и обсуждает все, от цифровых двойников до ИИ, от автоматизации до человеческого контроля.

Некоторые части обрабатывающей промышленности все еще существуют, как и на рубеже 1900-х годов. Нам по-прежнему нужны смазка, шестерни и шлифовальные станки, а также спецодежда и перерывы на чай. Эти принципы, вероятно, проявятся далеко в автоматизированном автономном будущем, потому что люди всегда будут играть роль в более широком фундаментальном повествовании, которое управляет любым производственным предприятием.

Но, конечно, мы знаем, что производство изменилось. На протяжении первой, второй, а теперь и третьей промышленных революций мы видели, как паровое ускорение, механизация, а теперь и автоматизация с помощью ИТ применялись к производственным операциям такими способами, о которых наши предшественники и не подозревали.

Когда мы вступаем в гиперконтролируемое производственное предприятие завтрашнего дня с цифровыми двойниками и данными, которые теперь присоединяются к нашим физическим машинам и людям-работникам, мы должны спросить себя, как мы должны подходить к обнаружению аномалий. Довольно легко заметить провал или всплеск на графике, отображающем значительное измерение, но что делать, если наблюдается медленное ухудшение качества или производительности, которое происходит в течение месяца или, возможно, дольше?

Слепой человеческий надзор

Современные производственные мощности работают в масштабах массового производства, которые превосходят возможности любого отдельного человека (или даже группы) одновременно находиться в каждой точке производственного цеха. В этих условиях мы не можем доверять человеческому наблюдению, чтобы получить полную картину, которая нам нужна. На современных современных объектах редко приходится отслеживать только одну переменную, скорее всего, это сотни или тысячи переменных.

Если производственная аномалия «вкрадывается» в наши операции медленно, она может остаться незамеченной до тех пор, пока не станет слишком поздно, и мы ничего не сможем с этим поделать. Нам нужно обсудить новые способы работы.

Иголка в стоге сена производственных данных

Мы знаем, что промышленные наборы данных очень большие и чрезвычайно сложные. Поэтому обнаружение и прогнозирование аномалий сложнее, чем поиск иголки в стоге сена, поскольку мы часто не знаем, что ищем. Но обнаружение аномалии означает экономию, которая, в свою очередь, приводит к повышению производительности как сразу, так и в дальнейшем.

Многие производители знают, что у них есть огромные наборы данных, но слишком часто эти хранилища данных разрознены и разбросаны по нескольким системам. Этот разброс и расхождение данных затрудняет понимание того, когда аномалия связана с несколькими системами данных или связана с разными физическими этапами производства. Действительно, иногда необходимо получить данные о продуктах, которые уже есть на рынке и которые имеют проблемы с функционированием или функциональностью. В любом случае, первым шагом будет объединение всех ваших источников данных.

Сегодня мы работаем в мире, где аналитика становится неотъемлемой частью современных заводов; тенденция, подчеркнутая развитием цифровых двойников, где нам необходимо применять точную, быструю и интеллектуальную аналитику, чтобы получить прогнозную информацию, которую могут предоставить эти виртуальные машины.

Как только данные будут доступны и к ним можно будет получить доступ, появится расширенная аналитика, чтобы начать анализ того, что искать. Современные методы обработки данных помогают нам обнаруживать скрытые аномалии, которые не всегда можно понять сразу из-за огромного количества параметров, влияющих на качество продукта.

Машинное обучение и ИИ обнаруживают аномалии

Это подводит нас к сегодняшнему дню. Сейчас мы находимся на этапе, когда машинное обучение (МО) и искусственный интеллект (ИИ) также проникают в производственный процесс.

Некоторые производители изначально использовали машинное обучение, чтобы понять свои маркетинговые инициативы, сегментировать клиентов и инициировать определенные действия. Но в последние годы более прогрессивные и продвинутые производители начали понимать преимущества использования методов машинного обучения и искусственного интеллекта для обнаружения аномалий.

Одним из примеров является использование автоэнкодеров для обучения на основе данных. Автоэнкодер — это метод искусственного интеллекта нейронной сети, используемый в ML. Он используется для кодирования и обучения функциям из немаркированных наборов данных в том, что мы обычно называем неконтролируемым обучением.

Наше будущее эффективного производства в режиме реального времени

Применяя обученные статистические модели к данным в реальном времени, можно предсказать, когда возникнет аномалия. Это подводит нас к новой точке эффективной работы. Все это приводит нас к моменту, когда мы можем перейти от реагирования на аномалию к прогнозированию аномалии с выгодой для достижения существенного снижения эксплуатационных расходов. Мы сокращаем расходы за счет снижения количества дефектов и брака, а также предотвращения незапланированных простоев оборудования.

Hemlock Semiconductor (HSC) – один из ведущих производителей, который использует решения для управления процессами, профилактического обслуживания и обнаружения аномалий для оптимизации и контроля производства полупроводников.

Благодаря внедрению оповещений для отдельных производственных процессов в режиме, близком к реальному времени, сотрудники теперь могут автоматически сравнивать ключевые параметры с предварительно определенными пороговыми значениями, статистическими правилами и оптимальными шаблонами, обнаруженными с помощью методов машинного обучения и искусственного интеллекта. HSC получает автоматически генерируемые оповещения, как только процесс выходит за пределы допустимых диапазонов параметров, уведомляя производственный персонал о том, что что-то требует их внимания. Затем персонал может легко получить доступ к данным, чтобы точно определить, какая переменная могла вызвать проблему. Как только эти причинно-следственные связи определены, команды принимают меры, чтобы предотвратить повторение дефектов процесса.

Весь этот прогресс в конечном итоге ведет нас к нашему завтрашнему дню и будущему нашей планеты. По мере того, как использование цифровых двойников расширяется вместе с применением анализа данных и машинного обучения, каждый производитель становится фабрикой, управляемой данными, ориентированной на все более точное обнаружение аномалий. На этом этапе производители могут более активно работать над оптимизацией энергопотребления на благо всех нас.

Производительность предприятия всегда будет в центре внимания, и поскольку будущее, несомненно, зависит от данных, это путь, по которому мы логически должны идти. В результате мы сможем выпускать на рынок продукты, которые не только обеспечивают лучшую производительность, но и работают лучше и служат дольше. Как это повлияет на рынок дешевых одноразовых товаров, где качество «сгорает» через определенный период времени, — это другой вопрос.

То, как мы производим товары и сопутствующие услуги, теперь можно улучшить за счет обнаружения аномалий и соответствующей мощности двигателя, которую он получает от анализа данных и интеллекта. Если это не повод снять комбинезон и сесть на чайный перерыв, то это не повод.