Menu

5 направлений применения искусственного интеллекта для производства.

Вы здесь:ИРИСОФТДополненная реальность5 направлений применения искусственного интеллекта для производства.

Автор Уилл Хэстингс (Will Hastings)

Компании из различных отраслей используют искусственный интеллект (ИИ) для получения новых знаний и сценариев, которые позволяют оптимизировать процессы, изделия и производительность. Этот недавний бум в области приложений для ИИ во многом обусловлен двумя факторами: повсеместным распространением мощных и недорогих вычислительных возможностей благодаря облачным и граничным технологиям, а также постоянным совершенствованием алгоритмов ИИ и обработки данных. В этой статье описывается пять областей применения ИИ, меняющих процессы производства и бизнес-стратегию:

1) Аналитика для интеллектуального отслеживания ресурсов/процессов

Ценность удаленного мониторинга заключается не в сборе данных, а в понимании, которое может быть получено в результате их анализа. Производители, которые внедрили инициативы «умный завод» и «Промышленный интернет вещей» (IIoT), понимают это и решают проблему увеличения объема и сложности данных с помощью все более мощных и сложных инструментов анализа для максимизации такой ценности.

Современный искусственный интеллект достиг того уровня, что позволяет производителям перейти от описательной и диагностической аналитики к прогнозной и предписывающей. Первая предназначена для ответа на вопросы: «Что случилось?» и «Почему это случилось?», а последняя — для ответа на вопросы: «Что случится?» и «Что мне следует делать?». Имея возможность прогнозировать поведение и дополнительно предписывать действия, основанные на этих прогнозах, производители могут улучшать KPI и ограничивать частоту и влияние негативных происшествий. Например, путем определения оптимальной комбинации переменных процесса для повышения выхода продукции или устранения ранних признаков выхода из строя оборудования с целью сокращения незапланированных простоев. Полученная здесь выгода может оказаться значительной. По оценкам Deloitte, использование прогнозного анализа производителями может сократить объемы планирования обслуживания на 20-50% и общие затраты на производство на 5-10%.

К сожалению, для выполнения сложной аналитики требуются наличие знаний и опытных специалистов по работе с данными. Хотя, для первых сторонников IIoT это и было стандартным препятствием, некоторые современные решения, например, платформа ThingWorx была специально создана для упрощения стратегии анализа. Это позволило организациям, обладающим глубокими знаниями в области собственных операций, но поверхностным пониманием сложной аналитики данных, воспользоваться преимуществами искусственного интеллекта.

2) Генеративное проектирование для разработки изделий

Генеративное проектирование — растущая область применения ИИ, которая позволяет автоматически создавать модели из набора требований к изделию. В среде автоматизированного проектирования (CAD) инженеры могут указать условия проектирования, такие как нагрузки, связи и материалы, а также цели производительности, и ИИ произведет подборку геометрии, соответствующей этим критериям. Благодаря недавним достижениям в области генеративного проектирования, существенно расширились типы условий и цели по производительности, которые можно включить и учитывать в решении. Например, программа PTC Creo Generative Topology Optimization позволяет конструкторам задавать в качестве ограничения на проектирование предполагаемые процессы производства. Дополнительные функциональные возможности позволяют расширить генеративное проектирование с точки зрения производительности, добавив в него технологичность изготовления.

Мощный искусственный интеллект меняет сами подходы компаний к разработке новых изделий, позволяя инженерам быстро исследовать пространство для проектирования и оценивать десятки кандидатов, которые отвечают требованиям производительности и производства. Инженеры-механики начального уровня, которым не хватает многолетней практики внедрения стандартных методов и правил, теперь, благодаря генеративному проектированию, могут создавать жизнеспособные конструкции так же быстро, как и их более опытные коллеги. Между тем, опытные конструкторы могут использовать генеративное проектирование для исследования новых геометрий, которые они, возможно, никогда не обнаружили бы, используя традиционные подходы к проектированию. В любом случае, генеративное проектирование ускоряет ранние этапы процесса разработки изделия, снижает частоту внесения изменений на поздних этапах проектирования и облегчает создание дифференцированных и оптимизированных изделий.

3) Компьютерное зрение для контроля качества и дополненной реальности

С достижениями в области ИИ, в частности, в области алгоритмов машинного обучения, разнообразие, сложность и ценность приложений компьютерного зрения значительно возросли в областях контроля качества, а также обучения и производительности труда. Традиционные приложения компьютерного зрения для контроля качества в значительной степени основаны на обнаружении признаков, определении краев, углов и цветов и сравнении их с предварительно заданными пороговыми значениями.  В приложениях, основанных на искусственном интеллекте, критерии «пройдено/не пройдено» больше не программируются в системах контроля качества, а выявляются системой, основанной на усиленном обучении с использованием заведомо хороших и плохих образцов. В результате, современные системы могут, с высокой точностью, реагировать на множество различных и гораздо более тонких качественных характеристик.

Такая способность распознавания сложных объектов и функций также является ключевым компонентом современных приложений дополненной реальности (AR). Включая компьютерное зрение на основе ИИ, такие приложения дополненной реальности, как Vuforia Expert Capture от PTC, предоставляют цифровые инструменты и информацию в контексте окружающей среды. Например, AR с функцией распознавания объектов может провести оператора через ряд сложных этапов сборки или раскрыть техническому специалисту местоположение неисправного компонента в отказавшем устройстве. Даже такие более простые приложения, как отображение данных IIoT в соответствующих местах производственной линии, облегчают работникам быструю идентификацию и реагирование на рабочее состояние. В своей недавней статье Forrester определила значительные преимущества, связанные с внедрением решений Vuforia, в том числе сокращение времени обучения на 50% и уменьшение затрат на сверхурочную работу на 10-12%.

4) Независимые мобильные роботы и транспортировка материалов

Перемещение материала через фабрики и склады является фундаментальной составляющей эффективности обработки и прекрасной возможностью применения искусственного интеллекта. Наиболее яркий пример этого — внедрение автономных мобильных роботов (AMR). Фактически, использование AMR удвоилось за год и нет признаков того, что этот рост замедлится.

В отличие от автоматически управляемых тележек (AGV), для роботам не требуется встраивать в окружение систему управления. Вместо этого, современные решения по транспортировке материалов основаны на технологии пространственных вычислений для определения их местоположения на заводе или складе, а также на усовершенствованном ИИ для навигации по окружающей среде, включая трафик, создаваемый людьми и другими роботами. Благодаря свободе безопасного перемещения без ограничений и возможности искусственного интеллекта определять оптимальные маршруты, полчища AMR могут быть включены в новую или меняющуюся рабочую среду и показывать невероятную эффективность. Это та же самая технология, которая позволила Amazon повысить эффективность работы центров реализации и сортировки.

5) Оптимизация управления запасными частями для обеспечения максимальной доступности ресурса

Для многих производителей отличное выполнение сервисного обслуживания стало ключевым конкурентным отличием. По мере того, как прогнозная и предписывающая аналитика становится нормой в различных отраслях промышленности, организациям, которые полагаются на эти новые технологии для быстрого и упреждающего решения проблем, потребуется, чтобы их поставщики были столь же гибкими в поставках запасных частей. Эта потребность в более оперативном обслуживании удовлетворяется за счет внедрения все более мощного искусственного интеллекта в системы планирования материалов, чтобы обеспечить доставку нужных деталей в нужное место и в нужное время.

Легко убедиться в том, что все сервисные центры имеют достаточные запасы, если не волнуют расходы на перевозку товарно-материальных ценностей или возможные расходы, связанные с переизбытком запасов. Таким образом, для поставщиков запасных частей целью планирования материалов является оптимизация баланса между стоимостью и наличием, а также времени и места хранения. Достижение такого оптимального баланса становится все труднее по мере усложнения цепочек поставок и повышения требований клиентов. Новые сложные аналитические инструменты, такие как многоуровневая оптимизация, используемые в программном обеспечении PTC Servigistics, позволяют решать эти проблемы путем одновременной оптимизации всех деталей и сервисных центров на нескольких уровнях цепочки поставок. Эти системы поддержки принятия решений используют алгоритмы ИИ для всех аспектах оптимизации цепочки поставок, начиная с прогнозирования будущего спроса и заканчивая определением оптимального размещения деталей в сложной взаимосвязанной цепочке поставок с тысячами точек и, наконец, обеспечением соответствия между спросом и предложением в любой конкретный день.

Выводы

Очевидно, что искусственный интеллект играет все более важную роль в производстве, особенно по мере того, как организации становятся все боле зрелыми в области цифровой трансформации. Многие из тех, кто внедряет зарождающуюся технологию ИИ, сталкиваются с сложностями обработки данных почти на научном уровне. Сотрудничая с такими поставщиками решений, как PTC, которые обладают глубокими знаниями в области искусственного интеллекта и производства, организации могут вместо этого сосредоточиться на использовании искусственного интеллекта для решения действительно важных для них задач: создания более качественных изделий и более эффективного их обслуживания.

Источник: https://www.ptc.com/en/blogs/corporate/3-steps-data-ai-strategy

Март 2021
Пн Вт Ср Чт Пт Сб Вс
1234567
891011121314
15161718192021
22232425262728
293031