![](https://faterafkar.com/wp-content/uploads/2022/03/روش-هوش-مصنوعی-که-تولید-را-بهبود-می-بخشد.png)
![](https://faterafkar.com/wp-content/uploads/2022/03/روش-هوش-مصنوعی-که-تولید-را-بهبود-می-بخشد.png)
در یک نظرسنجی اخیر بینش صنعت تولید در مورد هوش مصنوعی (AI)، 44 درصد از پاسخ دهندگان از بخش های خودرو و تولید، هوش مصنوعی را به عنوان «بسیار مهم» برای عملکرد تولید در پنج سال آینده طبقه بندی کردند، در حالی که تقریباً نیمی (49 درصد) آن را گفتند. برای موفقیت کاملاً حیاتی بود.
صداهای انتقادی چشمگیر است. با این حال، در بسیاری از موارد، درک هوش مصنوعی برای تولیدکنندگان سخت است، زیرا صنعت فناوری آن را با قلم موی گسترده ای رنگ آمیزی کرده است که در واقع تعداد کمی از آنها می دانند که چگونه نمونه سازی می شود – فراتر از منبعی همه کاره که نتایج تجاری بهتری ارائه می دهد.
تولیدکنندگان ممکن است در واقع هوش مصنوعی را بسیار پیچیده و گران بدانند که برای درست کارکردن به سیستمهای سرتاسر کل شرکت خود نیاز دارند و این به بازنگری پرهزینه کل عملیات IT/OT آنها تبدیل میشود. واقعیت این است که هوش مصنوعی بسیار متمرکزتر و دست یافتنی تر است. هوش مصنوعی میتواند در کف کارخانه با حداقل ساخت کار کند و از طریق اینترنت صنعتی اشیا (IIoT) به ماشینها متصل شود.
اولین چیزی که OEM ها باید در مورد پیاده سازی هوش مصنوعی بدانند، نوع برنامه های کاربردی است. اکثر ماشینهای لبهای در طبقه تولید برای ارسال دادهها از طریق حسگرهای بیسیم به عنوان بخشی از اینترنت اشیا مجدداً ساخته میشوند. سپس این دادهها به مجموعههای نرمافزاری برای «خرد کردن» وارد میشوند. فرآیند تغذیه دادهها برای ایجاد یک وب در حال گسترش از دادهها به یک فرآیند مداوم تبدیل میشود. همه این داده ها را می توان در ابر ذخیره کرد تا بینش ها را جمع آوری کند و مدل های مبتنی بر هوش مصنوعی را ممکن می کند.
در اینجا سه برنامه کاربردی وجود دارد که می تواند به رفع شک و تردید تولیدکنندگان در مورد قدرت هوش مصنوعی کمک کند:
1. Uptime ماشین
خطوط بسته بندی کالاهای مصرفی 24×7 کار می کند و میلیون ها کارتن در اندازه های مختلف برای بسته بندی محصولات مصرفی متفاوت تولید می کند. بسیار مهم است که به تولید آنها بدون هیچ گونه خرابی یا مشکل کیفیت ادامه دهید. سرعت و کیفیت بالاترین اهمیت را دارند. نظارت دستی مستعد خطا، پرهزینه و ناکارآمد است.
دادههای جمعآوریشده از طریق یک سیستم IIoT، از طریق تجسم و هشدارهای متناسب، بینش بیدرنگ 24 ساعته در مورد عملکرد خط تولید و خرابی تجهیزات فراهم میکند. (هوش مصنوعی در نهایت می تواند به شما کمک کند تا گنجینه داده هایی را که جمع آوری می کنید درک کنید.) این داده ها در یک دروازه لبه برای شناسایی سریع ناهنجاری ها و برای ارسال هشدارهای فوری پردازش می شوند. دادههای بزرگتر در یک پلتفرم اینترنت اشیا مبتنی بر ابر برای تحلیلهای پیشبینیکننده بیشتر و مدلهای مبتنی بر رفتار و قوانین تعریف شده جمعآوری میشوند. این سیستم یک داشبورد سفارشی و گزارش هایی با زمان بیکاری ماشین، کدهای دلیل خرابی و داده های کلی OEE ارائه می کند. به این ترتیب، مدیریت برای برنامه ریزی عملیات برای جلوگیری از زمان بیکاری ماشین و اعمال تعمیر و نگهداری پیش بینی کننده مجهزتر است.
2. بهینه سازی هزینه
یک تولید کننده سنسور مستقر در ایالات متحده، SpectraSymbol، یکی از بهترین حسگرها و پتانسیومترهای خطی را در صنعت تولید کرده است که به بازار انرژی می پردازد. به عنوان یک فرآیند، در چاههای نفتی دورافتاده، زمانی که نفت و آب به مخازن پمپ میشوند، سطح نفت و آب باید اندازهگیری شود. در رابطه با این عملیات حفاری نفت، این شرکت نیاز آشکار به بهینهسازی هزینه مستمر با استفاده از دادههای IIoT برای افزایش اقتصادی بیشتر عمر مفید چاههای نفتی حاشیهای، معروف به «چاههای استریپر» داشت. با توجه به اینکه حجم تولید نفت زیاد نیست، مهمترین مسئله این است که چاهها به اندازهای نفت تولید نمیکنند که ارزش سرمایهگذاری یکنواخت در حسگرهای داده را داشته باشد و مدل هزینه باید برای آنها کاهش یابد. چاه ها نیز از راه دور قرار گرفته اند که بر چالش های هزینه و زمان می افزاید. هزینه نصب حسگرها در این چاه ها نیز بسیار بالاست و 60 درصد به هزینه آن اضافه می کند. برای عملیاتهای کوچکتر و چاههای پایان عمر دورتر، ROI سریع برای توجیه پیادهسازی اینترنت اشیا ضروری بود.
یک پلت فرم نرم افزار IIoT برای ذخیره و پردازش تمام داده های ماشین برای چاه های نفت متعدد SpectaSymbol در محل قرار گرفت. این یک “دریاچه داده” ایجاد کرد که در آن داده های مربوطه در ابر ذخیره می شود. دادههایی که با یادگیری ماشین مبتنی بر هوش مصنوعی تجزیه و تحلیل میشوند، عاملی برای یک برنامه کاربردی سفارشی و متمرکز بر کسبوکار بوده است که به صراحت برای ارزیابی عملکرد خوب و نظارت بر شرایط از طریق تجزیه و تحلیل هوش مصنوعی طراحی شده است. در نتیجه، گزارشهای خاصی در اختیار همه ذینفعان قرار میگیرد و چاههای استریپر برای زمان و عملکرد بهینهسازی میشوند.
3. بهبود کیفیت پیش بینی
یک شرکت شیمیایی به نام SRF میخواست بهرهوری و عملیات تولیدی خود را از طریق تبدیل دیجیتالی مجهز به اینترنت اشیا بهبود بخشد. برای دستیابی به این هدف، SRF باید فرآیندهای حیاتی را در تولید فیلمهای بستهبندی و منسوجات فنی خود به هم متصل میکرد. اهداف بهبود کیفیت با تجزیه و تحلیل پارامترهای حیاتی برای فرآیند تولید، بهبود مصرف سوخت و کاهش مصرف برق، علاوه بر کاهش هرگونه شکست خط بود. بهره وری کارخانه SRF را می توان با پیش بینی توقف با استفاده از نظارت بر وضعیت بهبود بخشید. «دریاچه داده» حاصل که از ورودی از طریق فرآیند تولید ایجاد شد، با ERP SRF یکپارچه شد تا حلقه را در کل زنجیره ارزش تولید ببندد.
هوش مصنوعی در این پروژه نقش اساسی داشت، زیرا تکنیکهای یادگیری ماشین برای پشتیبانی از مجموعهای از تحلیلهای آماری انعطافپذیر و چند متغیره مورد استفاده قرار گرفتند. به طور خاص، دادههای ماشین بلادرنگ به عنوان یک حلقه بازخورد برای تعریف دقیقتر تنظیمات بهینه ماشین برای اطمینان از کیفیت محصول و قابلیت اطمینان ماشین استفاده شد. نتیجه، توانایی SRF برای نظارت و تجزیه و تحلیل پارامترهایی بود که برای سلامت دستگاه حیاتی هستند و با پیشبینی خرابی قبل از وقوع، زمان خرابی دستگاه را بهینه میکند.
با یک آزمایش یا پایلوت قابل دستیابی شروع کنید
وقتی صحبت از این می شود که چگونه هوش مصنوعی هوش تولیدی را بهبود می بخشد، نکته کلیدی این است که با یک جهت قابل دستیابی شروع کنید، همانطور که در سه برنامه کاربردی اینجا ارائه شده است. چه به دنبال دستیابی به زمان کارکرد ماشین، به حداقل رساندن هزینه ها یا افزایش کارایی عملیاتی باشید، یادگیری ماشین از طریق داده های میزبان ابری می تواند نقش مهمی ایفا کند.
لینک منبع : https://www.iotforall.com/3-ways-ai-improves-manufacturing-intelligence