TIBCO исследует производственную инновацию в экономике аномалий

Директор стратегии цифровизации TIBCO, Алессандро Кимера, обсуждает то, как производители используют данные, ИИ и автоматизацию для мониторинга систем.

То, как мы используем данные для мониторинга и контроля производственных систем, изменилось. TIBCO директор стратегии цифровизации Алессандро Кимера надевает свои электронные комбинезоны и перезаряжает свою цифровую смазочную пушку, чтобы объяснить форму экономики аномалий, управляющей операционным управлением производительностью, и обсуждает всё от цифровых двойников до ИИ, автоматизации к человеческому надзору.

Некоторые части производственной индустрии все еще существуют как они были на рубеже 1900-х. Нам все еще нужны смазка, шестерни и шлифовальные станки рядом с комбинезонами и перерывами на чай. Эти фундаментальные, вероятно, пронизают далеко в автоматизированный автономный будущее, потому что люди всегда будут играть часть в более широком фундаментальном нарративе, которое оперирует любым производственным объектом.

Но, конечно, мы знаем, что производство изменилось. В течение первой, второй и теперь третьей промышленных революций мы видели паровое ускорение, механизацию и теперь IT-драйвенную автоматизацию, примененную к производственным операциям способами, которые наши предшественники никогда не вообразили бы возможными.

По мере входа в гипер-контролируемое производственное объект завтра с цифровыми двойниками и данными, теперь присоединяющимися к нашим физическим машинам и человеческим работникам, мы должны спросить себя, как мы подходим к детекции аномалий. Довольно легко заметить провал или пик на графике, репортящем значительное измерение, но что мы делаем, когда есть медленная деградация качества или производительности, происходящая за месяц, или, возможно, дольше?

Ослепленный человеческий надзор

Современные производственные объекты теперь работают на масштабе массового производства, который выходит за пределы способностей любого отдельного человека (или даже группы) быть в каждой точке на заводском полу одновременно. В этих средах мы не можем доверять человеческому наблюдению, чтобы предоставить нам полную картину, которую нам нужно. В сегодняшних современных объектах редко есть только одна переменная для отслеживания, скорее сотни или тысячи переменных.

Если производственная аномалия «крадется» в наши операции медленно, она может остаться незамеченной до тех пор, пока не станет слишком поздно и мы не сможем ничего сделать. Нам нужно говорить о новых способах работы.

Игла в стоге производственных данных

Мы знаем, что промышленные датасеты очень большие и крайне сложные. Детекция и предсказание аномалий поэтому сложнее чем поиск иглы в стоге сена, так как мы часто не знаем, что ищем. Но детекция аномалии означает экономию, что в свою очередь переводится в более высокие производственные выходы, как немедленно, так и дальше по линии.

Многие производители знают, что у них массивные датасеты, но все слишком часто те данные-склады изолированы и разбросаны по множественным системам. Эта дисперсия и дивергенция данных делает сложным понимание, когда аномалия связана с множественными данными системами, или связана с разными физическими производственными фазами. Действительно, иногда необходимо извлекать данные от продуктов, которые уже на рынке, проявивших операционные или функциональные проблемы. В любом случае, первый шаг — унифицировать все ваши источники данных.

Сегодня мы работаем в мире, где аналитика становится фундаментальной частью современных фабрик; тренд, подчеркнутый развитием цифровых двойников, где нам нужно применять точные, быстрые и интеллектуальные аналитики для получения предиктивного инсайта, который эти виртуальные машины могут предоставить.

Когда данные доступны и могут быть доступны, продвинутая аналитика там, чтобы начать анализировать, что искать. Современные техники науки о данных помогают нам обнаружить скрытые аномалии, которые не сразу понятны из-за огромного числа параметров, которые могут влиять на качество продукта.

Машинное обучение и ИИ скаутят аномалии

Это приносит нас к сегодня. Мы теперь в точке, где машинное обучение (ML) и искусственный интеллект (ИИ) делают свой путь в производственный процесс тоже.

Некоторые производители изначально использовали ML для получения понимания своих маркетинговых инициатив, сегментации клиентов и триггеринга специфических действий. Но в более недавние годы, более прогрессивные и передовые производители начали понимать выгоду использования ML и ИИ техник для детекции аномалий.

Один пример — использование автоэнкодеров для обучения от данных. Автоэнкодер — это техника искусственной нейронной сети интеллекта, используемая в ML. Он используется для кодирования и feature-learning от неразмеченных датасетов в том, что мы обычно называем unsupervised learning.

Наш реальное-время эффективное производственное будущее

Применяя обученные статистические модели к реальным-временем данным, возможно предсказать, когда аномалия произойдет. Это драйвит нас к новой точке эффективных операций. Все это ведет нас к точке, где мы теперь можем сдвинуться от реакции на аномалию к предсказанию аномалии с выгодой достижения существенного снижения операционных затрат. Мы снижаем затраты как прямой результат сниженных дефектов и скрэп-рейтов и предотвращения непланируемого простота оборудования.

Hemlock Semiconductor (HSC) — один ведущий производитель, использующий процесс-контроль, предиктивное обслуживание и решения детекции аномалий для оптимизации и контроля своего полупроводникового производства.

Вводя near real-time алертинг для индивидуальных производственных процессов, сотрудники теперь могут автоматически сравнивать ключевые параметры против предопределенных порогов, статистических правил и оптимальных паттернов, раскрытых через методы ML и ИИ. HSC получает автоматически сгенерированные алерты как только процесс выходит за пределы допустимых параметрических полос, уведомляя производственный персонал, что что-то требует их внимания. Персонал может затем легко получить доступ к данным, чтобы увидеть точно, какая переменная могла вызвать проблему. Как только эти причинно-следственные отношения идентифицированы, команды берут действие для предотвращения дефектов процесса от повторения снова.

Весь этот прогресс в конечном счете ведет нас к нашему завтра и будущему нашей планеты. По мере расширения использования цифровых двойников в линию с применением аналитики данных и ML, каждый производитель становится данных-драйвенной фабрикой, сфокусированной на все более точной детекции аномалий. В этой точке производители могут работать более остро с оптимизированным потреблением энергии для блага нас всех.

Производительность завода всегда будет на переднем плане ума и как будущее неоспоримо данных-драйвенное, это путь, который мы должны логически принять. В результате мы сможем выводить продукты на рынок, которые доставляют не просто лучшую производительность, но также работают лучше и служат дольше. Какое влияние это имеет на рынок дешевых disposable товаров — где качество настроено на «истечение» после заданного периода времени — это другой вопрос для другого дня.

То, как мы производим товары и связанные сервисы, теперь может быть улучшено через детекцию аномалий и соответствующий движок мощности, который он получает от аналитики данных и интеллекта. Если это не оправдание снять наши комбинезоны и сесть на перерыв на чай, то ничего не является.