Как ИИ и машинное обучение революционизируют ЧПУ обработку

От цепочки поставок до готовой и установленной детали, инкрементальная оптимизация будет в сердце будущей производственной работы. Что нужно, чтобы сделать оптимизацию более автоматизированной? Машинный интеллект и машинное обучение. Мы исследуем.

Двигатель современного производства лежит в ЧПУ обработке. Но куда направляется ЧПУ? К непрерывной, автоматизированной оптимизации, говорят эксперты отрасли и академики.

Оптимизация может звучать как простая концепция, но она сложна — особенно для автоматизации. Там так много базовой технологии, включая софт и данные — и человеческую интерпретацию — необходимую, чтобы сделать автоматизацию в производстве реальностью.

Мы смотрим на две области, которые ожидается, что действительно воздействуют внутри ЧПУ систем: машинное обучение и искусственный интеллект, или «ИИ». Искусственный интеллект — будь то от программных алгоритмов, умных датчиков или голосовых команд — одна половина пазла оптимизации. Другая половина — машинное обучение.

Машинное обучение берет данные станка и, в теории, самооптимизирует или меняет курс для принятия корректирующих действий. Это не значит, что нет человеческого вовлечения. Наоборот, это значит, что есть последовательное человеческое вовлечение, которое определяет и уточняет или учит машину параметры оптимизации — через аналитическую оценку, симуляцию, программирование и тестирование.

Представьте системы с более предсказательной полезностью, которые сообщают нюансированную станковую и деталь-строительную информацию и предварительно запрограммированы для корректировки и само-планирования простоя или запуска станковых активностей в более здоровой ячейке. Представьте операционные системы станков, которые могут общаться и предпринимать действия с токарами голосовой командой.

Что делается сегодня, чтобы приблизить отрасль к этому будущему состоянию? Мы говорили с сооснователем и CEO MachineMetrics, Биллом Байтером, и другими, чтобы узнать.

ИИ и машинное обучение на ЧПУ станках: ценность видимости

С бэкграундом в механической инженерии и знанием производства в аэрокосмической и оборонной отрасли, Байтер признал потребность в более нюансированном и реальном времени процессном софте в производстве. Байтер провел пять лет в Hamilton Sundstrand, подразделении United Technologies, где он проектировал гидравлические системы.

«Есть возможность использовать данные, чтобы действительно понять, что происходит на заводском полу и принимать лучшие решения», — говорит Байтер. «Вызов в том, что довольно трудно подключиться к станкам. Поэтому мы запустили компанию чуть менее пяти лет назад, чтобы увеличить производственную видимость, делая легким подключение к ЧПУ станкам».

MachineMetrics предоставляет реальном-времени визуализацию аналитики ЧПУ станков — или то, что Байтер называет «описательной аналитикой», позволяющей компании видеть точные производственные метрики, такие как коэффициенты использования, и отслеживать их к производственным целям. Есть несколько других областей аналитики, на которые оно предоставляет информацию, включая диагностическую, предиктивную и прескриптивную данные.

Результат: увеличение пропускной способности и эффективности на 20 процентов или больше по своей базе из 100 клиентов средних и крупных производителей. Учитывая свой большой набор данных по тысячам станков, платформа MachineMetrics также включает бенчмаркинг — который помогает компаниям измерять себя против сверстников и оставаться конкурентоспособными.

Принятие лучших решений не все об инвестировании в оборудование, говорит Байтер. С более детальными производственными данными производители могут оценить, какие процессы нужно оптимизировать. Диагностические данные могут помочь командам обслуживания и производителям станков улучшить функции и создать реальный обратный цикл.

Предиктивные данные позволяют командам понимать условия и когда ЧПУ станки понадобятся помощь. Прескриптивная аналитика капитализирует на условиях для предложения своевременного направления и руководства операторам.

Интеллектуальная ЧПУ обработка: алармы, триггеры и мониторинг шпинделя

«ИИ — очень общий термин», — говорит Байтер. «Если человек не должен запускать расчет в голове, а машина делает это, это может считаться "ИИ". С машинным обучением есть некоторые очень специфические случаи использования… Есть обучаемое машинное обучение, которое требует обучения и обратной связи, и необучаемое машинное обучение, которое не требует».

Понимание отказа шпинделя или автоматическая классификация простоя может требовать машинное обучение, объясняет Байтер. Алармы, триггеренные простой логикой, уведомляющие оператора, что станок упал три раза сегодня, не обязательно машинное обучение как таковое — но это тот вид правила-основанного, интеллектуального алгоритма, который помогает человеческим операторам легко отслеживать и управлять системами.

Интеллект-основанная технология делает работу оператора более проактивной. Своевременная информация может быть разницей между потерей дней прибыли от ЧПУ и возможностью планировать и организовывать альтернативные пути к производственным целям.

Автоматизация и умная сенсор-основанная интеллектуальность также пришла к управлению запасами и вендинг-решениям для инструментов. Узнайте, как взять контроль и сократить отходы в затратах на поставки.

ИИ и машинное обучение позволяют более умные решения и глубокое понимание отказа инструмента, срока службы и качества детали

MachineMetrics не один. Инженеры в Advanced Manufacturing Research Centre's Factory 2050 в Шеффилде, Великобритания, также используют ИИ и машинное обучение для использования станков. Они используют вычислительное оборудование на границе для отслеживания потребления энергии в автомобильных подвесных компонентах. Они также работают с Tinsley Bridge для мониторинга производственных процессов.

«Допрос наших коэффициентов использования станков означает, что у нас лучшая видимость того, что производилось и когда, и способность оценить, планируем ли мы эффективно», — говорит Рассел Кроу, директор инженерии в Tinsley Bridge, в статье Metrology News.

Следующая фаза этого проекта — научить машины учиться и обнаруживать несоответствующие компоненты в производстве и находить несоответствующий износ инструмента, который может влиять на качество детали.

«Инсайты, которые ИИ предоставит, позволят нам идентифицировать, когда наши станки потребуют вмешательства для смены инструментов, или как долго мы можем запускать их без вмешательства», — говорит Кроу. «Предсказание отказа инструмента и продление срока службы инструмента также повлияют на наши показатели right-first-time, снижая несоответствующие детали и повышая производительность».

У вас есть технический вопрос? Спросите MSC Metalworking Tech Team на форуме.

Автоматизация в производстве освобождает время для критически важного решения проблем

Будущее обработки безусловно будет более автоматизированным. С надвигающимся кадровым разрывом и технологической эволюцией, происходящей одновременно, автоматизация поднимет ценность рабочих, которые программируют, устраняют неисправности и поддерживают автоматизированные ЧПУ системы и производимые детали.

Промышленные дизайнеры, процессные инженеры и операторы станков будут работать вместе ближе, чем когда-либо, ожидают эксперты отрасли.

«[Б]ольшинство производителей верят, что №1 причина дефицита навыков — "смена наборов навыков из-за внедрения новых передовых технологий и автоматизации"», — пишут Manufacturing Institute и Deloitte в их 2018 отчете о кадровом разрыве и будущем работы.

Чтобы узнать гораздо больше о будущих навыках, нужных на производственном полу, прочитайте «Industry 4.0: Manufacturing Skills Needed in Smart Factories».

Но чтобы добраться до места автоматизации требуется сложное станковое программирование и более глубокая интеграция интернет и облачных технологий. Будущее, за нехваткой лучшего слова, будет оптимизировано быть оптимальным для производства. И цифровые навыки, вместе с мягкими, критическое мышление и навыки управления людьми, также нужны, по исследованию Deloitte и Manufacturing Institute, которое пишет:

«В производстве это в целом переводится на решение проблем в производстве, такую как наличие способности идентифицировать отказы качества с деталей, выходящих с автоматизированной производственной линии, и, более важно, предпринять действия, которые исправляют проблему в реальном времени».

Кроу, из Tinsley Bridge, согласен. Будущее качество приходит от процесса и станковой оптимизации вместе.

«В будущем инсайты в наши данные позволят нам запускать наши станки более эффективно, так что мы сможем освободить время для наших инженеров для работы над ценностно-добавляющими задачами, такими как программирование для множественных работ или станков, создание более умной фабрики, которая поможет нам производить технически передовые продукты», — говорит Кроу.

Насколько болезнен процесс перекалибровки станка для вас? Говорите об этом в форуме. [требуется регистрация]