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 Digitális Darwinizmus jelensége szerint fontos, hogy egy vállalat minden 3-7 évben megújuljon, különben nem maradhat versenyben a fejlődést mutató társaival szemben:
A digitális átalakulás jelenlegi szintje a Dell EMC kutatása szerint:
A Dell Technologies egy másik kutatása szerint a sikeres digitális vállalkozássá válás legfőbb korlátai:
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:
A digitalizáció és az Ipar 4.0 által nyújtott megoldások jelenthetik a fejlődést a gyártó vállalatok számára.
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:
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 gépek és emberek közötti kommunikáció, az adatgyűjtés megvalósításához és technológiai, üzleti hasznosításához elengedhetetlen egy közös platform, melynek tulajdonságai:
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 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
A használat eredménye
A platform
REACH: Real-time Event based Analytical and Collaboration Hub, Cloudera Hadoop disztribúció és Dell hardware
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.
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.
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.
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.
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.
BME Technológiai központ
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.
Agilis use case megvalósítás