Mesterséges intelligencia a gyártásban

Egy magyar megoldás a termelés optimalizálására, mesterséges intelligencia felhasználásával

2018. június 19., kedd, 17:41

Címkék: Dell digitalizálás IDC IDC tanulmány Intel Internet of Things ipar 4.0 mesterséges intelligencia tanulmány

A hagyományos IT infrastruktúrával és ahhoz tartozó régebbi gyári berendezésekkel a gyártó vállalatok nem képesek megfelelni a digitalizáció korában jelentkező magas elvárásoknak.

A digitális átalakulás technológiái már jelen vannak a gyártási szektorban, és míg jelenleg a tiszta termelékenység mértéke a fő érték, a közeljövőben ez megváltozik, és az innováció minősége lesz a mérce. Az IDC előrejelzései alapján:

• A nagy gyártók 75 százaléka 2019-ig frissíteni fogja a gyártási metódusokat IoT és analitikákon alapuló helyzetfelismeréssel
• A G2000 gyártók 60 százaléka fog robotokkal, 3D nyomtatókkal, Mesterséges intelligencia programokkal és kiterjesztett vagy virtuális valóság rendszerekkel dolgozni 2020-ig.

Az ESG 2018-as, a Dell EMC és az Intel által megrendelt, az informatikai átalakulás érettségét értékelő tanulmánya szerint:

• A vállalatvezetők 88 százaléka azt állítja, hogy cégük számára nagy nyomást jelent, hogy minél gyorsabban, minél több új terméket és szolgáltatást nyújtsanak.
• A modernebb infrastruktúrával rendelkező vállalatok 18-szor nagyobb eséllyel hoznak jobb és gyorsabb, adatokra épülő döntéseket, mint versenytársaik, és kétszer nagyobb eséllyel teljesítették túl bevételi céljaikat.

A Digitális Darwinizmus jelensége szerint fontos, hogy egy vállalat minden 3-7 évben megújuljon, különben nem maradhat versenyben a fejlődést mutató társaival szemben:

• A 2000-ben még 500 legnagyobbként fenntartott vállalatnak a fele mára eltűnt
• A tőzsdét vezető vállalatoknak pedig csupán a 19 százaléka létezik még ma is

A digitális átalakulás jelenlegi szintje a Dell EMC kutatása szerint:

• A teljes IT átalakulás még csak a vállalatok 6 százalékánál valósult meg.
• A maradék 94 százalék még csak elavult, kialakulóban vagy fejlődésben lévő infrastruktúrákkal képes operálni.

A Dell Technologies egy másik kutatása szerint a sikeres digitális vállalkozássá válás legfőbb korlátai:

• Digitális jövőkép és stratégia hiánya: 61%
• Technológiai korlátok: 51%
• Időbeli és anyagi korlátok: 37%

Gyakran a vállalatok számára nem a fejlődési hajlandóság, hanem más, anyagi hátráltató tényezők, illetve technológiai korlátok állnak a fejlesztéseik útjába. Ennek ellenére a vállalatok jelentős többsége (96%) tervez bizonyos digitális fejlődést a következő években, a gyáripari cégek kétharmada pedig felismeri az Ipar 4.0-ban és annak megoldásaiban rejlő lehetőségeket és hosszútávú befektetésként tekintenek rá.

Az öt éven belül megvalósítható fejlődési irányok:

• Átállás a szoftveralapú üzleti működési modellre: 89%
• Ügyféligények előrejelzése mesterséges intelligencia használatával: 81%

A digitalizáció és az Ipar 4.0 által nyújtott megoldások jelenthetik a fejlődést a gyártó vállalatok számára.

Az Ipar 4.0 szerepe

Az Ipar 4.0-ról készült statisztikák alapján 2020-ig 421 milliárd dollárnyi költségcsökkenést eredményeznek az gyártási szegmensek számára a negyedik ipari forradalom megoldásai.

A Boston Consulting Group előrejelzései szerint:

• Azok a vállalatok, amelyek IoT megoldásokra költenek, a technológia használatával 64,1 milliárd dollárt termelhetnek ki 2020-ig
• A technológia szerves része és kiemelkedő felhasználási területe az okosgyárak alkalmazása. Az ilyen módon modernizált üzemek 21,4 milliárd dollárt generálhatnak.

2030-ig összesen 14,2 trillió dollárt adhat hozzá a globális gazdasághoz az összes Ipar 4.0 megoldás együttvéve.

Az Okos Gyár (Smart Factory): ahol a gépek kommunikálnak és kooperálnak egymással és emberekkel, valós időben dolgozzák fel a folyamatok adatait és gépi tanulás (Machine Learning) segítségével képesek decentralizáltan döntést hozni. Egy-egy gyártási folyamatból ugyanis rendkívül sok adatot ki lehet nyerni, amelyeket könnyedén üzleti előnnyé lehet kovácsolni.

Az intelligens gyár alapját képező IoT rendszerek használatának sikeressége érdekében a gyártóknak széles körű infrastrukturális megoldásokat kell bevezetniük, amelyek készen állnak a következőkre:

• A komplex rendszerek egyszerűsítése az IoT eszköz- és szolgáltatáskészletével, és azok integrálása megfelelő szakértői hozzájárulással
• A gyártók adatainak hasznosítása azok csoportosításával, normalizálásával, integrációjával, biztonságos tárolásával és feldolgozással bármilyen rendszerben
• A kockázatok csökkentése és gyorsabb telepítési folyamatok biztosítása

A gépek és emberek közötti kommunikáció, az adatgyűjtés megvalósításához és technológiai, üzleti hasznosításához elengedhetetlen egy közös platform, melynek tulajdonságai:

• Connectivity – Összeköttetést biztosít
• Data Management Platform – Alkalmas az adatkezelésre
• Processing and Action Management – Feldolgozza az adatot és kezeli az elvégzendő akciókat
• Machine Learning and Analytics – Gépi tanulással működik, analitikák alapján
• External interfaces: APIs, SDKs and gateways – Külső felületek segítik a működését

A CDR projekt

Három technológiai vállalat, a Cloudera, a Dell EMC és a REACH képviselői közösen megalkottak egy olyan ipar 4.0 megoldást, amely mesterséges intelligenciát (AI-t) használva növeli a termelés hatékonyságát. Segítségével anélkül lehet látványos fejlesztést véghez vinni gyakorlatilag bármely üzemben anélkül, hogy a teljes gépparkot le kellene cserélni.

• A Cloudera Hadoop disztribúció kiváló alapot ad az IoT adatok technológiai és üzleti felhasználására. A Cloudera Enterprise segítségével könnyedén gyűjthető információ különböző forrásokból egy közös adat-platformra, a hagyományos megoldásokhoz képest jelentősen alacsonyabb költséggel.
• A Dell EMC ügyfélközpontú hozzáállásának köszönhetően gyorsan telepíthető és magas szinten optimalizált end-to-end Hadoop megoldások építhetők, tetszőlegesen skálázható hardware-en.
• A REACH küldetése, hogy segítsen a termelőüzemeket valós idejű, okos gyárakká alakítani. Ehhez többszörösen bizonyított Big Data technológiát és Machine Learning algoritmusokat használ, melyek segítségével valós időben dolgozhatók fel komplex események és építhetők valódi üzleti hasznot hozó Ipar 4.0 alkalmazások.

A már kipróbált és működő magyar fejlesztés nem csupán Magyarországon egyedülálló, de a világon is csupán két versenytársa van.

A megoldás teljes mértékben támogatja a Listen-Learn-Execute ciklust, azaz az összegyűjtött adatokat nem csak feldolgozza, hanem valós időben, a gyártás közben elemzi is, így olyan akciókat is képes kivitelezni, ami nem csak egyszerű utasításokkal tudja az adott gépet irányítani, hanem akár komplex robotvezérlésre is képes. Az AI segítségével auto-korrelációt alkalmaz a tanulási folyamatban, így olyan összefüggéseket talál meg, amiket egy statikus rendszer nem lenne képes. Ezeket az adatokat felhasználva optimalizálja a termelést.

A célja, hogy

• Nagyobb beruházásokkal járó gépcserék nélkül is javítsa a végtermékek minőségét à Elegendő egy megfelelő informatikai infrastruktúra

• Csökkentse a gyártási folyamatok közben keletkező selejtanyagok mértékét
• Nem technológiai problémákra a technológia felhasználásával adjon megoldást
• Méréseket végezzen és felhasználja a rengeteg keletkező adatot

A használat eredménye

• Látványosan magasabb szintű tervezhetőség
• Jobb minőségű termékek, kevesebb selejtanyag
• Jelentősen felgyorsult go-to-market idő à így a bevételnövekedés is természetes velejárója
• Hosszútávú költségmegtakarítás

A platform

REACH: Real-time Event based Analytical and Collaboration Hub, Cloudera Hadoop disztribúció és Dell hardware

• A legmodernebb Fog Computing technológia, mely képes komplex eseményeket kezelni valós időben
• Elosztott rendszer, melynek bővítése egyszerű és rugalmas
• A gépi tanulás (ML) kulcsfontosságú a gyártás hatékonyabbá tételében

1. Valós idejű adatmegjelenítés és riasztás kezelés

Probléma: Egy gyárban gyakran csak utólag értékelik ki az adatokat és észlelik a kiugró eseményeket (többnyire hiba esetén).

Megoldás: A dolgozók, mérnökök és vezetők valós időben követhetik a gépek állapotát, és a kritikus események megtörténtéről azonnal értesítést is kaphatnak. Így időben beavatkozhatnak a folyamatba.

2. Valós idejű OEE és állásidő management, ciklusidő számítás

Probléma: A termelés hatékonyságát jellemző mutatószámokat (pl. OEE, ciklusidő) a dolgozók és mérnökök nem látják működés közben.

Megoldás: A valós időben bemutatott mutatószámok már önmagukban 5% termelékenység-növekedést képesek előidézni azáltal, hogy azonnali visszajelzést biztosítanak.

3. Megelőző karbantartás, hasznos élettartam becslés

Probléma: A karbantartási periódusok a legtöbb gépen időhöz kötöttek. Ezek konzervatív becslésen alapulnak és nem veszik figyelembe a gép vagy szerszám valós állapotát.

Megoldás: Az algoritmusok folyamatosan felügyelik a gépek és termékek állapotát és képesek megjósolni azok tönkremenetelét, illetve minőségét, megfelelő időben riasztva a karbantartó személyzetet. A rendszer képes javaslatot is tenni a megoldásra.

4. További use case-ek és felhasználási területek

Logisztika: Location tracking – szerszámok, gépek nyomon követése a gyáron belül. Jogosultságok kezelése.

Anomália detekció: A gyártás során észlelt kiugró értékek kiszűrése és jelentése, a karbantartók, mérnökök valós időben történő értesítése.

Minőségbiztosítás: Selejt követés és előrejelzés a gyártási adatok alapján. A selejtes terméknek nem kell eljutnia a hosszadalmas gyártási folyamaton keresztül a végső tesztig, hogy kiderüljön a hiba – már a gyártás közben be lehet avatkozni.

5. Személyre szabható adatelemző eszközök

Probléma: A gyűjtött adatok elemzésére legtöbbször nem állnak rendelkezésre korszerű elemző és gépi tanulást lehetővé tevő eszközök.

Megoldás: A rendszerbe ágyazott adatelemző és Machine Learning réteggel a modellek és kiértékelések személyre szabhatók, így bármilyen probléma megoldására felhasználhatók.

Tapasztalatok

Fröccsöntő gép leállás előrejelzése

Probléma: Az olvadék szerszámra tapadása nem tervezett leállásokat okozott. A leállások összesített ideje elérte a napi 1 órát.

Megoldás: A leállásokat Machine Learning modellel előre jelezzük, így megelőzhető ezeknek 50%-a.

Elektromotorok minőségellenőrzése

Probléma: Magas selejtszám (zajos motorok)

Megoldás: A beszállítók, gyártó gépek adatai és a termék minősége közötti összefüggés modellezése. A leendő selejtes termék már gyártás közben észlelhető és javítható.

Sósav balansz

Probléma: Két, távoli sósav tároló között mennyiségi egyensúlyt kell tartani.

Megoldás: A tartályok szintjének előrejelzése és riasztás beállítása.

Az Ipar4.0 Technológiai Központot (TK) a GINOP 1.1.3-16 projekt (Projekt) finanszírozásából hozta létre a Budapesti Műszaki és Gazdaságtudományi Egyetem (BME) és az IFKA – IVSZ konzorcium. A BME a TK-t a projekt teljes életciklusa alatt (2019 decemberéig) működteti. A TK a BME Villamosmérnöki-, Gépészeti-, és Közlekedésmérnöki Karainak együttműködése során valósul meg az „I” épület 260m2-nyi területén.

A projekt része és a központnak és a helyszínen egy akár éles környezetben is működőképes, teljes informatikai architektúra került felépítésre, melyen valós idejű OEE számítás, prediktív karbantartás és anomália detekció, valamint virtuális és kiterjesztett valóság bemutató is látható.