В поисках эффективности производства

В течение последних лет промышленные предприятия задавались вопросом: «Как избежать простоев и неэффективного использования производственных линий для повышения производительности?».

Среди предлагаемых рынком решений – модульные производственные линии, быстро подключаемые и настраиваемые сборочные роботы, гибкие логистические системы и роботизированная автоматизация процессов (RPA).

Ригидность и негибкость настроек машин отживают свое. Завтрашние производственные линии должны быть гибкими: построенными из нескольких легко переставляемых мехатронных модулей, с добавлением все большего количества роботов или коботов, и искусственного интеллекта (ИИ), который определяет параметры и настраивает машины в соответствии с ассортиментом продукции, производимым на потоке.

Кейс. Чтобы заменить монотонные ручные процессы, ПАО «ОДК-Сатурн» внедрил на производстве три роботизированные линии. Директор по инновационному развитию компании Дмитрий Иванов рассказал: «роботизация производства позволяет быстро перенастраивать его под меняющийся ассортимент выпускаемой продукции, не вкладывая больших средств в переоснащение материальной части, а также на 40% снизить долю непроизводственных потерь при производстве продукции в тех процессах, где необходимо совершать повторяющиеся движения по определенной траектории, удешевить процесс производства, так как стоимость ручного труда в период цифровизации растет».

Революционные преимущества машинного обучения и искусственного интеллекта для производства

Алгоритмы искусственного интеллекта и машинное обучение (ML) повышают эффективность всей производственной линии предприятия, сокращая потребление энергии и отходы, позволяя организациям достичь целей корпоративной социальной ответственности и существенно сократить расходы.

Внедрение ИИ и машинного обучения в промышленность революционно, потому что приносит положительные эффекты, выходящие за рамки повышения эффективности, и открывающие новые возможности для бизнеса. Некоторые из прямых преимуществ машинного обучения в производстве включают:  

• Снижение общих потерь, связанных с процессами, например отходы, качество и пропускная способность.
• Увеличение производительности за счет оптимизации производственного процесса.
• Обеспечение роста и масштабирования линейки продуктов за счет более оптимизированного процесса.
• Снижение затрат за счет профилактического обслуживания, что приводит к меньшему количеству операций по техническому обслуживанию, означает снижение затрат на рабочую силу и сокращение запасов и расходных материалов.
• Прогнозирование оставшегося срока службы. Детальная информация об износе и состоянии машин и оборудования приводит к созданию условий, которые улучшают производительность при сохранении работоспособности техники. Прогнозирование срока выработки избавляет от неожиданностей и поломок, которые вызывают незапланированные простои.
• Улучшенное управление цепочкой поставок за счет эффективного управления запасами и хорошо контролируемого и синхронизированного производственного потока.
• Улучшенный контроль качества с полезной информацией для постоянного повышения качества продукции.
• Улучшенное взаимодействие человека и робота, улучшающее условия безопасности сотрудников и повышающее общую эффективность.  

В конечном счете, производство, ориентированное на потребителя – это способность быстро адаптироваться к рыночным изменениям.

Подготовка данных и ERP-системы

Препятствием для внедрения ИИ является отсутствие достаточного количества высококачественных данных для правильного обучения моделей искусственного интеллекта. Возьмем пример, когда искусственный интеллект повышает точность приложений для профилактического обслуживания, для прогнозирования оставшегося срока службы оборудования на промышленных объектах. Для обеспечения точности модели ИИ требуется много данных об отказах, но создание данных с реального физического оборудования является дорогостоящим.

Машинное обучение — это все о данных, поэтому понимание некоторых ключевых элементов, касающихся качества и типа необходимых данных, чрезвычайно важно для обеспечения точных результатов. Имеет смысл начать со сбора исторических данных о производительности рассматриваемой линии, а также о потерях, понесенных с течением времени, чтобы сформировать прогнозы будущих потенциальных убытков. Чтобы получить наиболее полную и точную картину, эти данные следует собирать из как можно большего числа источников, поскольку на производственные процессы, особенно на более сложные, влияет очень широкий спектр факторов, которые часто взаимозависимы. Это может включать все – от данных процесса до данных о качестве, сырья и даже внешних факторов, таких как погодные и температурные условия. Затем, что не менее важно, нужно решить, на какой вопрос модель машинного обучения должна ответить, и можно ли ответить на этот вопрос, используя доступные данные.

Одним из факторов, усугубляющих трудности, является то, что программное обеспечение ERP, используемое для бизнеса, ранее не могло облегчить путь ИИ. Многие производители, успешно использующие инструменты искусственного интеллекта, добились этого, решая различные задачи, такие как прогнозирование спроса, оптимизация цепочки поставок, RPA для обслуживания клиентов, по отдельности. Однако инструменты ERP со встроенными в них комплексными возможностями искусственного интеллекта могут сопоставлять и анализировать данные со всех сторон производственной организации, помогая им точно планировать наперед, оптимизировать процессы и сокращать расходы.

Эксперты отмечают, что, используя ERP в качестве средства искусственного интеллекта, производители могут переосмыслить свой бизнес, ориентируясь на процессы, ориентированные прежде всего на цифровые технологии. ERP-системы с поддержкой искусственного интеллекта позволяют производителям оптимизировать или автоматизировать сквозные процессы, а не только конкретные задачи, оптимизируя цепочку создания стоимости от расценок до оборота наличности или от оформления заказа до доставки. Комбинируя классические наборы данных ERP (например, историю технического обслуживания) с потоковой передачей данных от активов и внешних данных (экономические и климатические показатели), компании могут прогнозировать и оптимизировать прибыль от эксплуатации различных портфелей активов, таких как электрические сети или морские нефтяные вышки.

Кейс. Все необходимые исследования для обеспечения и подтверждения качества выпускаемых отливок на Тихвинском вагоностроительном заводе (ТВСЗ, производственный центр холдинга НПК «Объединенная Вагонная Компания») проводит центральная заводская лаборатория, которая сопровождает весь технологический процесс выпуска литья. Собственная система контроля для управления процессами создана на базе ERP. Лабораторное оборудование интегрировано в систему и не только контролирует технологические параметры, но и «записывает» их в ERP для дальнейшего анализа. Сквозной технологический контроль осуществляется на всех этапах производства – от закупки материалов и комплектующих до выпуска готовой продукции. В базе данных хранятся исторические данные о результатах контроля на каждом этапе цепочки производственных и контрольных заказов, они бессрочны и могут быть извлечены в любой момент. В отличие от ТВСЗ, на других предприятиях подобный принцип до сих пор часто реализуется посредством бумажных журналов или инструментов Microsoft Office.

Максимальный эффект

Использование искусственного интеллекта означает, что техническое обслуживание можно спрогнозировать на основе предыдущих машинных данных, отобразить его на более длительный период времени и выявить аномалии и изменения, которые не могут быть доступны обычному человеку. Более того, интеграция машинного обучения в аналитические возможности системы может повысить точность алгоритмов прогнозирования, создавая более устойчивую систему, способную учиться со временем, предлагая еще более высокую окупаемость инвестиций.

Возможность использовать ИИ для оптимизации производства зависит от инвестиций в новейшие периферийные вычислительные устройства и облачные системы, которые позволяют инженерам использовать преимущества большей вычислительной мощности и функциональности программного обеспечения производственных систем. Кроме этого, при развертывании ИИ в производстве, возрастает потребность в инженерах, а не только в специалистах по данным, обладающих навыками, необходимыми для создания систем ИИ и выполнения проектов с его использованием.

Несмотря на высокие первоначальные затраты, использование этих технологий позволит инженерам избежать незапланированных простоев и минимизировать негативные последствия. Чтобы получить максимальную отдачу от решения промышленного искусственного интеллекта и машинного обучения, производителям необходимо знать, какое решение искусственного интеллекта лучше всего подходит для их собственных уникальных задач

Хотите узнать больше о применении инновационных технологий в управлении предприятиями и корпорациями? Запросите доступ к видео мероприятию.