Dürr esittelee Advanced Analyticsin, ensimmäisen markkinoille valmistetun tekoälysovelluksen maalaamoihin.Tämä DXQanalyze-tuotesarjan uusimman moduulin osana oleva ratkaisu yhdistää viimeisimmän IT-tekniikan ja Dürrin kokemuksen koneenrakennusalalta, tunnistaa vikojen lähteet, määrittelee optimaaliset huolto-ohjelmat, seuraa aiemmin tuntemattomia korrelaatioita ja käyttää tätä tietoa mukauttaakseen algoritmi järjestelmään itseoppimisperiaatteella.
Miksi kappaleissa on usein samat viat?Milloin viimeisin robotin sekoitin voidaan vaihtaa pysäyttämättä konetta?Tarkkojen ja täsmällisten vastausten saaminen näihin kysymyksiin on kestävän taloudellisen menestyksen edellytys, sillä jokainen vältettävissä oleva vika tai tarpeeton huolto säästää rahaa tai parantaa tuotteen laatua.”Aiemmin oli hyvin vähän konkreettisia ratkaisuja, joiden avulla olisimme pystyneet tunnistamaan nopeasti laatuviat tai viat.Ja jos niitä oli, ne perustuivat yleensä tietojen huolelliseen manuaaliseen arviointiin tai yritys- ja erehdys -yrityksiin.Tämä prosessi on nyt paljon tarkempi ja automaattisempi tekoälyn ansiosta”, selittää Gerhard Alonso Garcia, Dürrin MES- ja ohjausjärjestelmien johtaja.
Dürrin DXQanalyze-digitaalituotesarja, joka sisälsi jo tiedonkeruumoduulit tuotantotietojen hankintaan, Visual Analytics sen visualisoimiseen ja Streaming Analytics, voi nyt luottaa uuteen itseoppivaan Advanced Analytics -tehtaan ja prosessien seurantajärjestelmään.
AI-sovelluksella on muistinsa
Advanced Analyticsin erikoisuus on, että tämä moduuli yhdistää suuret tietomäärät, mukaan lukien historialliset tiedot, koneoppimiseen.Tämä tarkoittaa, että itseoppivalla tekoälysovelluksella on oma muisti ja että se voi siksi käyttää menneisyyden tietoja sekä tunnistaakseen monimutkaisia korrelaatioita suurissa tietomäärissä että ennustaakseen tulevaisuuden tapahtuman suurella tarkkuudella nykyhetken perusteella. koneen olosuhteet.Tälle on monia sovelluksia maalaamoissa, joko komponentti-, prosessi- tai laitostasolla.
Ennakoiva huolto vähentää laitoksen seisokkeja
Komponenttien osalta Advanced Analytics pyrkii vähentämään seisokkeja ennakoivien huolto- ja korjaustietojen avulla, esimerkiksi ennustamalla sekoittimen jäljellä olevaa käyttöikää.Jos komponentti vaihdetaan liian aikaisin, varaosien kustannukset nousevat ja siten yleiset korjauskustannukset turhaan.Toisaalta, jos se jätetään käymään liian pitkään, se voi aiheuttaa laatuongelmia pinnoitusprosessin aikana ja koneen seisokkeja.Advanced Analytics aloittaa oppimalla kulumisindikaattorit ja kulumisen ajallisen kuvion korkeataajuisten robottitietojen avulla.Koska tietoja tallennetaan ja seurataan jatkuvasti, koneoppimismoduuli tunnistaa yksilöllisesti kyseisen komponentin ikääntymistrendit todellisen käytön perusteella ja laskee näin optimaalisen vaihtoajan.
Jatkuvat koneoppimisen simuloidut lämpötilakäyrät
Advanced Analytics parantaa laatua prosessitasolla tunnistamalla poikkeavuuksia, esimerkiksi simuloimalla uunin kuumenemiskäyrää.Tähän asti valmistajilla oli vain mittausajojen antureiden määrittämiä tietoja.Korin pinnan laadun kannalta olennaisen tärkeät lämpenemiskäyrät kuitenkin vaihtelevat uunin ikääntymisen myötä mittausajojen välissä.Tämä kuluminen aiheuttaa vaihtelevia ympäristöolosuhteita, esimerkiksi ilmavirran intensiteetissä."Tähän mennessä on valmistettu tuhansia kappaleita tietämättä tarkkaa lämpötilaa, johon yksittäiset ruumiit on kuumennettu.Koneoppimisen avulla Advanced Analytics -moduulimme simuloi lämpötilan muuttumista eri olosuhteissa.Tämä tarjoaa asiakkaillemme pysyvän todisteen jokaisen yksittäisen osan laadusta ja mahdollistaa poikkeamien tunnistamisen”, Gerhard Alonso Garcia selittää.
Korkeampi ensiajonopeus lisää laitteiden yleistä tehokkuutta
Mitä tulee implanttiin, DXQplant.analytics-ohjelmistoa käytetään yhdessä Advanced Analytics -moduulin kanssa laitteiston yleisen tehokkuuden lisäämiseksi.Saksalaisen valmistajan älykäs ratkaisu seuraa toistuvia laatuvirheitä tietyissä mallityypeissä, tietyissä väreissä tai yksittäisissä korin osissa.Näin asiakas ymmärtää, mikä tuotantoprosessin vaihe on vastuussa poikkeamista.Tällaiset vika- ja syykorrelaatiot lisäävät ensiajoa tulevaisuudessa sallimalla puuttumisen hyvin varhaisessa vaiheessa.
Laitossuunnittelun ja digitaalisen osaamisen yhdistelmä
AI-yhteensopivien tietomallien kehittäminen on erittäin monimutkainen prosessi.Itse asiassa älykkään tuloksen tuottamiseksi koneoppimisen avulla ei riitä, että "älykkääseen" algoritmiin syötetään määrittelemättömiä tietomääriä.Asiaankuuluvat signaalit on kerättävä, valittava huolellisesti ja integroitava tuotannon jäsenneltyjen lisätietojen kanssa.Dürr pystyi suunnittelemaan ohjelmiston, joka tukee erilaisia käyttöskenaarioita, tarjoaa ajonaikaisen ympäristön koneoppimismallille ja käynnistää mallikoulutuksen."Tämän ratkaisun kehittäminen oli todellinen haaste, koska meillä ei ollut pätevää koneoppimismallia eikä sopivaa ajonaikaista ympäristöä, jota olisimme voineet käyttää.Voidaksemme käyttää tekoälyä tehdastasolla olemme yhdistäneet mekaniikka- ja laitostekniikan tietämyksemme Digital Factory -asiantuntijoidemme tietoihin.Tämä johti ensimmäiseen tekoälyratkaisuun maalaamoihin”, Gerhard Alonso Garcia sanoo.
Taidot ja tiedot yhdistettynä Advanced Analyticsin kehittämiseen
Tieteidenvälinen tiimi, joka koostuu datatieteilijöistä, tietojenkäsittelytieteilijöistä ja prosessiasiantuntijoista, kehitti tämän älykkään ratkaisun.Dürr on myös solminut yhteistyösuhteita useiden suurten autovalmistajien kanssa.Näin kehittäjillä oli käytössä tosielämän tuotantodataa ja beta-sivustoympäristöjä eri sovellustapauksiin.Ensin algoritmit koulutettiin laboratoriossa käyttämällä useita testitapauksia.Myöhemmin algoritmit jatkoivat paikan päällä oppimista tosielämän aikana ja mukautuivat ympäristöön ja käyttöolosuhteisiin.Beta-vaihe valmistui äskettäin onnistuneesti ja osoitti, kuinka paljon tekoälypotentiaalia sillä on.Ensimmäiset käytännön sovellukset osoittavat, että Dürrin ohjelmisto optimoi tehtaan saatavuuden ja maalattujen runkojen pinnan laadun.
Postitusaika: 16.3.2022