Как машинное обучение драйвит эффективность в промышленном производстве

По Википедии, машинное обучение — научное изучение алгоритмов и статистических моделей, которые компьютерные системы используют для эффективного выполнения специфических задач без явных инструкций, полагаясь на паттерны и инференс. Оно считается подмножеством искусственного интеллекта.

Машинное обучение — не плагин-устройство, мгновенно апгрейдящее производственную линию. Это данные-драйвен процесс, требующий входов от многочисленных сенсоров и устройств для сбора, оценки и трансформации сырых данных в действенные инсайты о том, как работает линия.

С этим знанием производители могут поднять пропускную способность, снизить затраты и улучшить надежность — превращая традиционную производственную систему в «систему систем», доставляющую продукты на рынок быстрее и дешевле, держа конкурентов на расстоянии и клиентов довольными.

Процесс-базированное машинное обучение

Для настоящего использования машинного обучения нам нужен структурированный подход — что мы называем «процесс-базированным» обучением. Оно начинается с обучающих данных, которые учат алгоритмы, чего ожидать от мониторимого оборудования.

Алгоритм использует распознавание паттернов и инференс для принятия автономных решений и предсказаний, устраняя необходимость рукописного кода для каждой задачи. Обучающие данные собираются, чистятся и оцениваются в дисциплинированной последовательности, формируя позвоночник процесса обучения.

Эта последовательность шагов вводит новые технологии: устройства захвата данных, сетевые инфраструктуры для хранения и стриминга данных, и вычислительные ресурсы для обработки и валидации. Вместе они формируют сложную систему систем, лежащую в основе современного умного производства.

Промышленные применения и трансформации, приписываемые машинному обучению

Влияние машинного обучения распространяется на многие домены. Ниже три высокоуровневые области, где выгоды наиболее очевидны.

Предиктивное обслуживание

Предсказание отказов оборудования до их наступления может быть game-changer. Это позволяет менеджерам стратегически планировать простой, избегая неплановых остановок, разъедающих маржи прибыли и ставящих под угрозу клиентские обязательства. Неплановый простой также инфлирует затраты на запасы, так как цепочки поставок бешено компенсируют.

Недавние исследования показывают, что принятие предиктивного обслуживания, включенного машинным обучением, спроецировано к росту на 38% среди производителей, драйвленному ясным ROI от устранения неплановых остановок работы.

Конвергенция IT/OT и сетевая безопасность

Машинное обучение толкает производителей к разрушению давно устоявшихся силосов IT/OT. Операционные сенсоры и промышленные контролы должны коммуницировать напрямую с корпоративными IT-сетями, чтобы данные могли течь в хранилища и обратно в обучающие пайплайны.

Коллаборация между половыми операторами, техниками и IT-персоналом становится обязательной, так как любое сетевое нарушение или кибератака может остановить производство. Единая, безопасная сетевая инфраструктура — поэтому предварительное условие для устойчивых умных фабрик.

Развитие цифрового двойника

Конечная цель ИИ и машинного обучения в производстве — построить цифровой двойник — виртуальную реплику производственного пола. Созданный через модель-базированную системную инженерию и обогащенный инсайтами машинного обучения, цифровой двойник позволяет симуляции «что-если», информирует дизайн более надежных частей и оптимизирует машининые взаимодействия для пиковой производительности.

С цифровым двойником производители могут исследовать сценарии, иначе невозможные для физического тестирования, ускоряя инновации и сокращая time-to-market.

Об авторе

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