Digitalizálási kisokos 4. rész

Így formálja át a mesterséges intelligencia a gyártás világát – és akár a vállalatvezetés ma ismert gyakorlatait is

2021. szeptember 24., péntek, 06:00

Címkék: automatizálás Beckhoff Beckhoff Automation digitalizálás HMI ipar 4.0 mesterséges intelligencia TwinCAT TwinCAT HMI

A mesterséges intelligencia (MI) a gépek emberhez hasonló képességeit jelenti. Ilyen képességek az érvelés, a tanulás, a tervezés és a kreativitás. A korábbi lépéseik hatásainak elemzésével ezek a rendszerek képesek viselkedésük bizonyos fokú módosítására is. Egyre szélesebb az a terület, ahol az MI alkalmazható a gyártásban, de miben érzékelhető a hatása, és hogyan változtatja meg a mérnökök ma ismert munkáját? Az MI által uralt jövőképről Kamrás Ádám, a Beckhoff Automation Kft. applikációs mérnöke beszélt a TechMonitor olvasóinak.

Hova helyezzük el a mesterséges intelligenciát az ipari megatrendek sorában? Felfoghatjuk az Ipar 4.0 alkotóelemeként?

Kamrás Ádám, a Beckhoff Automation Kft. applikációs mérnöke

Én úgy tekintek a mesterséges intelligenciára (MI), mint egy általános eszközre, mégpedig matematikai és informatikai eszközre. Az Ipar 4.0 egy ennél sokkal általánosabb ökoszisztéma, és nincs megegyezés arról, hogy mi tartozik bele és mi nem. Az MI az iparon és így az Ipar 4.0-n túl is életképes a társadalom egyéb vetületeiben – elég csak a pénzügyre vagy a marketingre gondolnunk. Az igaz, hogy egy valódi, teljes Ipar 4.0-rendszer MI nélkül csak féllábú óriás lenne. De egyelőre nagyon kevesen tartanak ott, hogy létrehozzanak egy valódi, átfogó Ipar 4.0 rendszert, hiszen az már a tervezésnél kezdődne. Inkább az az általános, hogy a gyártás bizonyos részeit igyekeznek szigetszerűen „ipar 4.0-sítani”.

Az MI-t a szakirodalom négy szintre osztja, és a legalsó szintnek számtalan eszköz megfelel – akár egy automata mosógép is. Ez az úgynevezett „nem emlékező” mesterséges intelligencia, ami egy beégetett algoritmus alapján végez el egy feladatot. A következő szint az, amikor a gép már emlékezik, vagyis adatokat gyűjt a már elvégzett feladatokról, és ezen adatok alapján optimalizálja a folyamatot. Jelenleg nagyjából itt tartunk. A harmadik szint az lenne, amikor az MI a cselekvést kiváltó matematikai modellt is képes megváltoztatni, a negyedik szinten pedig az MI már egy másik MI megalkotására is képes lesz – ez a két szint még csak a sci-fi filmekben létezik. De az látszik, hogy az MI lényege és lelke a matematikai modell.

A 2019-es hannoveri szakkiállításon a Beckhoff bejelentette, hogy a gépi tanulást (ML) integrálni fogja a TwinCAT 3 automatizálási szoftverbe. Megtörtént már ez?

Igen, ez már végbement, és a szoftver elérhető. A matematikai modell megalkotásához még külső eszközt kell igénybe venni. A mi ML-rendszerünk ezt a modellt használva és ehhez adatokat gyűjtve finomítja folyamatosan a modell paramétereit.

A TwinCAT Analytics lehetővé teszi az okosgyárak közvetlen összeköttetését, valamint megfelel az utólagosan végzett állapotelemzéssel, előrejelző karbantartással, alakfelismeréssel, gépoptimalizálással és hosszú idejű archiválással kapcsolatos elvárásoknak

Mit ad hozzá a gépi tanulás a TwinCAT funkcionalitásához?

A felhasználónál pattog a labda, hogy akarja-e használni a TwinCAT-ben rejlő ML-funkcionalitást. Nem lehet általánosan kijelenteni, hogy adott feladatokra érdemes az ML-t mint eszközt használni, hanem minden alkalmazás esetében külön kell megvizsgálni annak hasznosságát. De a minőség-ellenőrzés egyértelműen az a terület, ahol a gépi adatok feldolgozásával nagy eredmények érhetők el. Mindig van egy határterület, ahol nehéz eldönteni, hogy az adott termék megfelelő-e, de a modell finomításával a gép egyre biztosabb döntést lesz képes hozni. A gépi látás az MI egyik leginkább fejlődő területe, de minden a modellen múlik, mert ha rossz modellt alkotunk, akkor azt hiába igyekszünk majd finomítani.

Milyen egyéb Beckhoff-termékben érhető már el az MI?

Az XTS (eXtended Transport System) lineáris szállítórendszer esetében is képesek vagyunk gépi tanulással optimalizálni a kocsik mozgását, valós idejű TwinCAT vezérléssel. Az ML által elérhető nagyobb pontosság, valamint a mozgatóegységek sebességének, pozíciójának egyenként történő optimalizálása jelentősen növeli a hatékonyságot a hagyományos szállítórendszerekhez képest, mert csökken a kopás, növekszik az élettartam és minimalizálható az energiafelhasználás.

Az XTS lineáris szállítórendszer a megjelenése óta számos, a legkülönbözőbb automatizálási megoldás kifejlesztését segítette elő

Mi az ügyfelek hozzáállása a mesterséges intelligenciához?

Keresik a lehetőségeket, és nemcsak a gyártásban, hanem a folyamatok fejlesztésében, a logisztikában, a beszállítói kapcsolatok fejlesztésében is. A hatékony MI-rendszer kiépítéséhez azonban a tudásanyagot már a felsőoktatásban is tanítani kellene, mert bár nem vadonatúj jelenség, de csak az elmúlt évtizedben vált megatrenddé, és a felsőoktatásunk még nem zárkózott fel a piaci igényekhez. Egy mérnök tudja megfogalmazni a megoldandó problémát, és valószínűleg egy matematikus (adattudós) lesz képes arra, hogy ennek a matematikai hátterét megalkossa. A két tudományágat tehát közelíteni kellene egymáshoz a képzés során.

Az is járható út, hogy maguk a cégek képezzenek ki maguknak adattudóst, de vegyük figyelembe, hogy Magyarországon jobbára végrehajtó termelés folyik, így a fejlesztőcsapatok létrehozása nem elsődleges érdek. Biztató jelek és jó példák azonban vannak erre is. Ha azonban nem jelenik meg az ML-specifikus matematika oktatása a mérnökképzésben, akkor várható, hogy tovább nyílik a multinacionális cégek és a hazai kkv-k közötti olló.

A TwinCAT IoT számos szabványos felhőalapú kommunikációhoz kapcsolódó protokollt is támogat

Egyetértesz azzal, hogy az MI fő felhasználási területei az előrejelző (prediktív) karbantartás, a folyamatok önálló optimalizálása, továbbá a folyamatok rendellenességeinek automatikus detektálása?

Mindenféleképpen. Az említett feladatok olyan területek, ahol már az MI megjelenése előtt is rendelkezésre álltak adatok, és azokat elemezték is. Az MI és az ML alapja pedig éppen a hatalmas adatállomány, ami alapján finomítható a matematikai modell. Ha csak az autóipart nézzük, akkor minden, a gyártással kapcsolatos adatot 10-15 évig tárolni kell, ez önmagában akkora historikus adathalmaz, amire már MI-rendszer építhető. A három közül a folyamatok önálló optimalizálása áll a leggyengébb lábakon, mert ha sűrűn változik a termék, akkor változik a folyamat is, és ilyenkor nehezebb az adatgyűjtés és a modellalkotás.

Érdekes felhasználási terület lehet a jövőben a szenzorszimuláció is, amikor a valós mérési eredmények alapján szimulálunk egy szenzort, és összevetjük a várható modell adatait a szenzor adataival. Ennek gyakorlati haszna a sokszor drága fizikai szenzor védelme.

A TwinCAT 3 automatizálási szoftver kiváló platformot teremt a PLC, mozgásvezérlés, robotika, CNC-vezérlés, gépi állapotfigyelés vagy energiafelügyelet számára. Ezáltal az Ipar 4.0 és az okosgyárral szemben támasztott követelményeknek is eleget tesz.

A gyártáson kívül miben lehet még hasznunkra az MI?

Senki sem akar raktárkészletet tartani, minden JIT-elv alapján működik, ezért a készletoptimalizálásban és a beszállítói kapcsolattartásban hatalmas MI-potenciál rejlik. Ha éppen nincs globális válság az ellátási láncban, akkor jó előre jelezni azt, hogy ez és ez a termelési folyamat hamarosan hiányt generál ebből és ebből az alapanyagból. Ilyen modulok már készen kaphatók, és nem egy helyen már működnek is. De ennél tovább is mehetünk, mert az MI képes arra, hogy a beszállítók reakcióidejéből, a reklamációk mennyiségéből egy beszállítói háttérminősítést végezzen.

Egészen extrém példák is elképzelhetők. Létezik olyan HR-alkalmazás, ami a telefonos interjúk alapján elemzi az egyes jelölteket. Ilyenkor a matematikai modell az ideális pályázót írja le, és a cél az, hogy egyetlen telefonos interjú alapján az MI megmondja, hogy a jelentkező alkalmas-e a pozícióra, vagy nem. Vékony jégen járunk azzal, hogy egy gép hozzon döntést az emberi jellemről, de mindenképpen érdekes kísérlet.

A TwinCAT IoT Communicator szoftver és az IoT Communicator alkalmazás segítségével mobil eszközökön keresztül kényelmesen és biztonságosan érhetők el folyamatadatok

Ajánlatos ma egy gyártó cég számára adattudósok alkalmazása?

Nincs új a nap alatt: amit ma adattudósok végeznek el – adatkiértékelés és statisztikakészítés –, az évszázadok óta létezik. Az adattudós kifejezés jó matematikai tudással felvértezett embereket jelent, akik tudják, hogy egy adathalmazból hogyan hozzák ki a kívánt mutatókat. A kérdésre válaszolva: elengedhetetlen lesz adattudósok alkalmazása, mert a menedzserek nem képesek a milliós strukturált és strukturálatlan adathalmazból kiolvasni a trendeket, ők csak az adott jellemzőt akarják látni. Az adattudós munkája már ott elkezdődne, hogy megmondja, milyen adatokat érdemes gyűjteni, és azokat milyen módszerrel érdemes vizsgálni. Az átlag például – gondoljunk a Magyarországon rendszeresen előhúzott átlagbér kérdésére – általában az adott adatrendszer legkevésbé érdekes mutatója.

A mesterséges intelligencia megjelenése, a vállalati hierarchia nagyrészt „feleslegessé válása” változtathat a cégek felépítésén, a vállalatvezetési gyakorlaton?

A tevékenységek mindenképpen változni fognak. A céges hierarchiáról annyit mernék megjósolni, hogy ahogy haladunk abban lefelé az egyes szinteken, úgy lesz szükség egyre jobban más típusú munkatársakra. Mindenkinek tudnia kell majd, hogy kitől milyen adatot várhat, és hogy tőle ki és milyen adatot vár. A termelésben tehát a piramis struktúra változni fog. Úgy kell elképzelni a jövő céges szervezetét, mint egyenrangú egységek hálózatát, amiben nem mindenki kommunikál mindenkivel, de szigorúan meg van szabva, hogy melyik egységektől mely másik egységekhez mutathat a nyíl. A vezetési hierarchia megmaradhat, de a döntési jogosultságok egyre lejjebb csúszhatnak.

Folytatjuk

Következik: Milyen after sales szolgáltatások léteznek? Miért fontosak ezek a gyártás stabilitásának biztosításához?

Molnár László

Kapcsolódó cikkek:

Digitalizálási kisokos 5. rész

Digitalizálási kisokos 3. rész

Digitalizálási kisokos 2. rész

Digitalizálási kisokos 1. rész

Keresés
Bejelentkezés / Regisztráció
ÉLELMISZER-BIZTONSÁG
Média Partnerek