3 Cách Để AI Cải Thiện Các Hệ Thống Sản Xuất Thông Minh

Các nhà sản xuất thường xem AI là một công nghệ rất phức tạp và đắt tiền, đòi hỏi các hệ thống đầu cuối trong toàn bộ công ty của họ phải hoạt động tốt. Tuy nhiên, thực tế là để áp dụng công nghệ AI vào sản xuất không thực sự khó khăn đến vậy. Nó có thể hoạt động tại nhà máy với cấu trúc tối thiểu và được kết nối với máy móc thông qua IoT Công Nghiệp (IIoT). Với bài viết này, tác giả đưa ra lời khuyên chính và ba kịch bản về cách thức mà mô hình sản xuất thông minh đã được sử dụng trong các thiết lập thực tế.

0

Trong một cuộc khảo sát chuyên sâu về ngành công nghiệp sản xuất gần đây về trí tuệ nhân tạo (AI), 44% số người được hỏi từ các ngành sản xuất ô tô và sản xuất đã xếp loại AI là rất quan trọng đối với chức năng sản xuất trong 5 năm tới, trong khi gần một nửa (49%) cho rằng nó là rất quan trọng để có được sự thành công trong kinh doanh.

Nghe thì nó có vẻ rất ấn tượng phải không? Tuy nhiên, trong nhiều trường hợp, AI là điều rất khó hiểu đối với các nhà sản xuất, vì ngành công nghệ đã vẽ nó bằng một cây bút rộng đến mức ít người thực sự hiểu làm thế nào để áp dụng nó ngay lúc này – vượt ra ngoài một số nguồn toàn năng mang lại kết quả kinh doanh tốt hơn.

Các nhà sản xuất thực sự có thể xem AI rất phức tạp và tốn kém, nó đòi hỏi các hệ thống đầu cuối trong toàn bộ công ty của họ phải hoạt động tốt và điều này dẫn đến việc đại tu toàn bộ hoạt động IT / OT của họ. Thực tế là, AI hoàn toàn có thể được áp dụng một cách không phức tạp đến vậy. AI có thể hoạt động trên sàn nhà máy với cấu trúc tối thiểu và được kết nối với máy thông qua IoT công nghiệp (IIoT).

Điều đầu tiên các nhà OEM cần phải hiểu khi triển khai AI là loại trường hợp sử dụng bằng không. Phần lớn các máy biên tại khu sản xuất đang được trang bị lại để gửi dữ liệu qua các cảm biến không dây như một phần của IoT. Dữ liệu đó sau đó được đưa vào bộ phần mềm cho crunching. Quá trình cung cấp dữ liệu trở thành một quá trình liên tục để tạo ra một mạng lưới dữ liệu ngày càng mở rộng. Tất cả dữ liệu này có thể được lưu trữ trên đám mây để thu thập thông tin chi tiết, giúp các mô hình điều khiển bằng AI là khả thi.

Dưới đây là ba trường hợp sử dụng có thể giúp xóa bỏ nghi ngờ của các nhà sản xuất về sức mạnh của AI:

1/ Thời gian hoạt động của máy

Một dây chuyền đóng gói hàng tiêu dùng chạy 24/7, sản xuất hàng triệu thùng có kích cỡ khác nhau để đóng gói các sản phẩm tiêu dùng khác nhau. Điều quan trọng là tiếp tục sản xuất chúng mà không có bất kỳ sự cố hoặc bất kỳ vấn đề chất lượng nào. Tốc độ và chất lượng có tầm quan trọng cao nhất. Phương thức giám sát thủ công dễ bị lỗi, tốn kém và không hiệu quả.

Dữ liệu được thu thập thông qua hệ thống IIoT cung cấp cái nhìn sâu sắc thời gian thực 24/7 về thông lượng dây chuyền sản xuất và lỗi thiết bị thông qua hình ảnh và cảnh báo phù hợp. (AI cuối cùng có thể giúp bạn hiểu được các luồng dữ liệu mà bạn sẽ thu thập.) Dữ liệu này được xử lý trên một cổng biên để xác định nhanh sự bất thường và để gửi cảnh báo tức thì. Dữ liệu lớn hơn được tổng hợp trong nền tảng IoT dựa trên đám mây để phân tích dự đoán thêm và các mô hình dựa trên quy tắc và hành vi được xác định. Hệ thống sẽ cung cấp bảng điều khiển và báo cáo tùy chỉnh với thời gian nhàn rỗi của máy, mã lý do sự cố và dữ liệu OEE tổng thể. Bằng cách này, quản lý được trang bị tốt hơn để lập kế hoạch cho các hoạt động để tránh thời gian nhàn rỗi của máy và áp dụng bảo trì dự đoán.

2/ Tối ưu chi phí

Một nhà sản xuất cảm biến có trụ sở tại Hoa Kỳ, SpectraSymbol, đã sản xuất một trong những cảm biến và chiết áp tuyến tính tốt nhất trong ngành, giải quyết nhu cầu của thị trường năng lượng. Như một quá trình, trên các giếng dầu từ xa, khi dầu và nước được bơm vào bể, mức độ của dầu và nước cần phải được đo. Liên quan đến hoạt động khoan dầu này, công ty có nhu cầu tối ưu hóa chi phí liên tục bằng cách tận dụng dữ liệu IIoT để kéo dài hơn về mặt kinh tế của các giếng dầu cận biên, hay còn gọi là “stripper wells”. Vấn đề là các giếng không sản xuất đủ dầu để có giá trị đầu tư thống nhất vào các cảm biến dữ liệu và mô hình chi phí phải giảm cho chúng. Các giếng dầu cũng được đặt từ xa, thêm vào những thách thức về chi phí và thời gian. Chi phí lắp đặt cảm biến tại các giếng này cũng cực kỳ cao, cộng thêm 60% vào chi phí. Đối với các hoạt động nhỏ hơn và các giếng sắp dừng khai thác, tỉ lệ thu hồi ROI nhanh là điều cốt yếu để thuyết phục cho việc triển khai IoT.

Một nền tảng phần mềm IIoT để lưu trữ và xử lý tất cả dữ liệu máy đã được đưa vào sử dụng cho nhiều giếng dầu của SpectaSymbol. Nó tạo ra một “hồ dữ liệu”, nơi dữ liệu thích hợp được lưu trữ trên đám mây. Dữ liệu được phân tích với máy học do AI điều khiển đã là yếu tố hỗ trợ cho ứng dụng tùy chỉnh, tập trung vào doanh nghiệp được thiết kế rõ ràng để đánh giá hiệu suất tốt và theo dõi tình trạng thông qua phân tích AI. Do đó, các báo cáo cụ thể có sẵn cho tất cả các bên liên quan và các “stripper wells” được tối ưu hóa cho thời gian hoạt động và hiệu suất.

3/ Cải thiện chất lượng bảo trì dự đoán

Một công ty hóa chất, SRF, muốn cải thiện năng suất và hoạt động sản xuất của họ thông qua chuyển đổi kỹ thuật số hỗ trợ IoT. Để đạt được điều này, SRF đã phải kết nối các quy trình quan trọng trong sản xuất màng bao bì và hàng dệt kỹ thuật của họ. Mục tiêu là cải thiện chất lượng bằng cách phân tích các thông số quan trọng đối với quy trình sản xuất, cải thiện mức tiêu thụ nhiên liệu của họ và thực hiện giảm mức tiêu thụ điện năng, bên cạnh việc giảm bất kỳ sự cố đứt dây nào. Năng suất của nhà máy SRF có thể được cải thiện bằng cách dự đoán các điểm dừng sử dụng theo dõi tình trạng. Kết quả dữ liệu trên “hồ thông tin” được tạo ra từ đầu vào thông qua quy trình sản xuất được tích hợp với SRF, ERP để đóng vòng lặp trên toàn bộ chuỗi giá trị sản xuất.

AI là trung tâm của dự án, vì các kỹ thuật máy học đã được sử dụng để hỗ trợ một bộ phân tích thống kê linh hoạt, đa biến. Cụ thể, dữ liệu máy thời gian thực được sử dụng như một vòng phản hồi để xác định chính xác hơn các cài đặt tối ưu của máy để đảm bảo chất lượng sản phẩm và độ tin cậy của máy. Kết quả là khả năng SRF, theo dõi và phân tích các tham số quan trọng đối với sức khỏe của máy và để tối ưu hóa thời gian ngừng hoạt động của máy bằng cách dự đoán lỗi trước khi xảy ra.

Bắt đầu với các thử nghiệm có thể đạt được

Khi suy nghĩ về cách chính xác AI cải thiện việc sản xuất thông minh, chìa khóa là bắt đầu với một hướng có thể đạt được, như được trình bày trong ba trường hợp sử dụng ở đây. Cho dù bạn đang tìm cách tối ưu thời gian hoạt động của máy, để giảm thiểu chi phí hoặc tăng hiệu quả hoạt động, học máy thông qua dữ liệu được lưu trữ trên đám mây có thể đóng một vai trò quan trọng trong ứng dụng này của bạn.

BÌNH LUẬN

Vui lòng nhập bình luận của bạn
Vui lòng nhập tên của bạn ở đây