Periferní zařízení s podporou umělé inteligence zvyšují produktivitu výroby

Obrázek 1: Zařízení a snímače s podporou AI se postupně učí rozpoznávat shodné a neshodné charakteristiky výrobku. Snímače nainstalované v rámci celého výrobního procesu mají schopnost předvídat výskyt neshodných produktů ještě dříve, než doputují na konec linky k finální kontrole kvality. Obrázek byl publikován se svolením společnosti Siemens Obrázek 1: Zařízení a snímače s podporou AI se postupně učí rozpoznávat shodné a neshodné charakteristiky výrobku. Snímače nainstalované v rámci celého výrobního procesu mají schopnost předvídat výskyt neshodných produktů ještě dříve, než doputují na konec linky k finální kontrole kvality. Obrázek byl publikován se svolením společnosti Siemens

Instalace periferních zařízení s podporou technologie AI přispívá ke zvyšování úrovně kvality a efektivity ve výrobních podnicích.

Od té doby, co společnost IBM představila v 50. letech minulého století první sálový počítač na světě, posouvají inženýři a výrobci v oblasti informačních technologií (IT) hranice možností prostřednictvím mikroelektroniky a softwarových programů. Moderní počítačové schopnosti se však v prostoru průmyslových provozních technologií (OT) objevily teprve nedávno, protože výrobci strojů si začali uvědomovat výhody, kterými IT přispívá ke zvyšování celkové efektivity a produktivity.

Před deseti lety se díky digitalizaci a pokročilým analytickým nástrojům v prostředí provozních technologií podařilo těm, kteří si tyto pokročilé nástroje osvojili, získat slušný náskok oproti konkurenci. Avšak v současné době nejsou výrobci už vůbec schopni udržet krok, pokud se neopírají o pokrok v oblasti IT. Tento pokrok řeší výzvy, kterým aktuálně čelí podniky, jako je např. nedostatek odborně způsobilého personálu, neočekávané poruchy zařízení a nedostatek poznatků z provozu; vyřešením těchto výzev by bylo možno navýšit efektivitu výroby.

Ačkoli mnoho inovací v oblasti IT si již našlo cestu do provozních technologií, umělá inteligence (AI) přináší nerealizovaný potenciál, který pomáhá výrobcům strojů dosáhnout ziskovosti, udržovat efektivitu a minimalizovat prostoje. Ačkoli mnozí vědí, že umělá inteligence je schopna pomoci v životním cyklu výroby, může být obtížné určit, kde začít. Tento článek popisuje výhody periferních zařízení s podporou AI ve třech oblastech, kde je mnoho výrobců strojů může použít ke zlepšení svých procesů – prediktivní údržba, zajištění kvality a robotika.

Problémy se zpracováním dat

Ve výrobě zkoumají algoritmy AI velké množství opakovacích cyklů daného procesu a zachycují jeho kvantitativní vlastnosti. Ve shodě s ukázkovými výsledky typu shodný/neshodný výrobek začnou algoritmy korelovat vlastnosti s jejich příslušnými výsledky. V průběhu času je AI schopna přesněji definovat a předvídat výsledky na základě kvantitativních vlastností zachycených během výroby (viz obrázek 1).

Některá průmyslová řešení AI poskytují možnosti zpracování dat na serverech hostovaných v cloudu, což vyžaduje, aby snímače v podniku přenášely data do cloudu za účelem provedení analýzy. Po analýze mohou cloudové servery posílat zpracované soubory zpět na pracoviště, aby zaměstnanci podniku mohli podniknout příslušné kroky.

Zatímco vývoj v oblasti internetu věcí (IoT) umožňuje přímou komunikaci mezi snímači a cloudem, přímé připojení obvykle není vhodné kvůli omezením šířky pásma a bezpečnostním problémům. Stovky snímačů v podniku, které současně vysílají svá data pro externí spotřebu, mohou ucpat síť a vytvářet problémy se šířkou pásma a latencí. I když data tečou plynule v obou směrech mezi provozem a cloudem, vzájemná komunikace musí být šifrována, aby byl zajištěn bezpečný provoz a ochráněny citlivé informace.

Většina moderních podniků vyžaduje z důvodu optimalizace výroby řešení založené na PC pro shromažďování, ukládání a interpretaci údajů o výkonu. Pokud se všechna data ze snímačů přesouvají přímo do cloudu, probíhá tam hromadění dat, což přináší větší riziko integrity dat, než kdyby byla tato úloha prováděna blíže k původnímu zdroji. Předání dat do cloudu před analýzou prodlužuje čas potřebný mezi sběrem dat a akceschopným rozhodováním v provozu.

Periferní zařízení s podporou AI zvyšují efektivitu provozu

Pro řešení těchto a dalších obav implementují výrobci strojů na provozech periferní zařízení s podporou AI, čímž umožní sběr dat, generování přehledů a pružnější způsob rozhodování. Tato zařízení rovněž slouží jako primární tepny pro přenos dat mezi snímači v podniku a cloudem, kde může probíhat další zpracování dat a hlubší analýza, například pro porovnání výkonu napříč flotilou strojů instalovaných po celém světě. Přenos dat prostřednictvím periferních zařízení zvyšuje úroveň zabezpečení, protože provoz je šifrován a pouze nezbytná data opouštějí hranice podniku.

PLE2012 MAG SOL Siemens Vosesky Fig 2Obrázek 1: Zařízení a snímače s podporou AI se postupně učí rozpoznávat shodné a neshodné charakteristiky výrobku. Snímače nainstalované v rámci celého výrobního procesu mají schopnost předvídat výskyt neshodných produktů ještě dříve, než doputují na konec linky k finální kontrole kvality. Obrázek byl publikován se svolením společnosti Siemens

Tyto typy periferních zařízení rovněž zrychlují produkci na lince ve srovnání s cloudovými systémy AI, jelikož proces rozhodování probíhá v samotném podniku (viz obrázek 2). Prostřednictvím prediktivní analýzy AI se tato periferní zařízení učí vyhodnocovat data a rozhodovat se bez pravidel programování specifických pro daný úkol. Toto učení lze použít k zajištění náležité úrovně vizuální kvality nebo k monitorování aktuálního stavu strojů či pro upozornění na prediktivní údržbu zařízení.

Procesní i diskrétní výroba se pro odhalení výrobních vad spoléhá na provádění kontroly, avšak manuální způsob kontroly bývá nákladný a náchylný k chybám, neboť vyžaduje vyškolený personál. AI umožňuje strojové učení pro zajištění požadované úrovně vizuální kvality při zavedení do výrobních prostředí, jak je znázorněno v následujících příkladech.

Vizuální zajištění úrovně kvality svařování v sektoru automotive

Software AI, který vyžaduje omezenou počáteční konfiguraci, může projít obdobím učení, aby zjistil podmínky tvořící shodné a neshodné produkty, což snižuje potřebu odborně způsobilých lidských zdrojů. Propojením kamery a snímače s periferním zařízením s umělou inteligencí byl výrobce automobilů schopen detekovat vadné svary na karoseriích automobilů bez nutné fyzické přítomnosti lidských inspektorů.

Nesprávný způsob svařování může vést ke vzniku různých vad, mj. v podobě nepřípustného rozstřiku svarového kovu na karoserii automobilu. Software pro analýzu obrazu s podporou AI se naučil tyto vlastnosti špatných svarů identifikovat. Když došlo k detekci vadného svaru, periferní zařízení vyslalo signál do programovatelného logického řadiče (PLC) na výrobní lince, kde následně došlo k odmítnutí karoserie automobilu a k jejímu přesměrování z montážní linky k pracovníkovi, který provedl příslušnou nápravu.

Kromě automatické výroby má ověření vizuální kvality prostřednictvím AI potenciál pro použití v aplikacích balení, paletizace, manipulace s materiálem a třídění materiálů, aby došlo ke snížení procenta zmetkovosti. Pomocí periferních zařízení s podporou AI k identifikaci vadných komponent mohou výrobci strojů snížit časově náročnou a na chyby náchylnou lidskou kontrolu a zároveň eliminovat potřebu komplexních programovacích rutin pro detekci vad.

Pomocí periferních zařízení s podporou AI vytvářejí výrobci neurální síť, která shromažďuje data v celém výrobním procesu, aby identifikovala vady kvality dříve a přesněji ve srovnání s manuálně prováděnou kontrolou.

Prediktivní údržba a zajištění kvality v rámci výroby desek plošných spojů

Strojové učení lze také použít pro monitorování aktuálního stavu zařízení včetně prediktivní údržby. Abychom udrželi přehled o stavu zařízení, jsou periferní zařízení schopna shromažďovat a analyzovat data stroje a následně generovat varování před blížícím se selháním zařízení díky tomu, že jsou schopna detekovat provozní anomálie.

Prostřednictvím implementace AI a prováděním analýz pomocí periferních zařízení byl výrobce desek plošných spojů (PCB) nedávno schopen optimalizovat svůj výrobní proces. Před implementací AI se musela kvalita každé desky kontrolovat rentgenovým testováním, což je časově náročný a nákladný proces. Implementací predikčního modelu pro výpočet pravděpodobnosti výrobních vad byl podnik schopen zkrátit dodací lhůty a snížit náklady na nápravu vad.

Aby toho bylo možno dosáhnout, podnik nakonfiguroval snímače ke zkoumání kvality desek, které během výroby sledovaly rychlosti motoru, hnací proudy a otáčky vřetena a vytvářely tisíce měřitelných datových bodů v rámci celé výrobní linky pro každou desku plošného spoje. Dále byl aplikován analytický software AI k identifikaci korelací mezi konkrétními vlastnostmi a vadami produktu.

Tento software byl spuštěn na periferních zařízeních instalovaných v blízkosti montážní linky, což zkrátilo čas pro sběr dat, analýzu a rozhodování. Implementací těchto analytických nástrojů v reálném čase dokázal podnik snížit objem testování na konci výrobní linky o 30 % a současně identifikovat nutnost zásahu údržby na kritických zařízeních před jejich selháním, což vedlo ke znatelnému zvýšení úrovně kvality.

PLE2012 MAG SOL Siemens Fig 3Obrázek 3: Periferní zařízení Siemens S7-1500 TM NPU s technologií AI přispívá svými funkcemi ke zvýšení efektivity výroby v podniku na výrobu desek plošných spojů. Rovněž odesílá vyselektovaná data z podniku do cloudu Siemens MindSphere k vizualizaci a informování o potenciálních nebezpečích prostřednictvím cloudových aplikací. Obrázek byl publikován se svolením společnosti Siemens

Periferní zařízení s podporou umělé inteligence přenášela data ze zařízení do cloudu pro provedení dodatečné analýzy. Prostřednictvím cloudových aplikací si operátoři mohli prohlížet zprávy o stavu zařízení a přijímat upozornění na vznik potenciálních poruch, což jim umožnilo řízeně plánovat odstávky zařízení a snížit celkové náklady na údržbu (viz obrázek 3). Tato implementace prediktivní údržby založená na nástrojích AI značně snížila neočekávané výpadky zařízení a tomu odpovídající prostoje ve výrobě.

Robotika

Kromě prediktivní údržby a zajištění kvality zvyšuje AI také efektivitu robotů v továrně. Inteligentní vyhodnocování prostoru a rozpoznávání objektů umožňuje robotům zpracovávat většinu předmětů bez nutnosti složitých přizpůsobených algoritmů nebo programování jednotlivých objektů. To ve svém důsledku umožňuje zvětšení výrobních linek bez nutnosti zavádění nových programovacích postupů a dovoluje výrobcům navyšovat objem produkce a zároveň zkracovat dodací lhůty bez jakýchkoli kompromisů v oblasti kvality.

Roboty jsou schopny spolu s vizuální analýzou AI ověřovat, zda jsou splněny standardy kvality, a časem vylepšovat svou vlastní pohybovou inteligenci. Mezi příklady aplikací robotické AI patří:

  • robotická ramena s namontovanými kamerami ověřujícími shodné/neshodné produkty;
  • autonomně vedená vozidla ve skladech, výpočet a učení nejúčinnějších tras pro manipulaci s materiálem;
  • auta s vlastním pohonem, která identifikují a vyhýbají se nebezpečím a překážkám na silnicích;
  • vychystávací a balicí roboty optimalizující orientaci umístění produktu (viz obrázek 4).

PLE2012 MAG SOL Vosesky Fig 4Obrázek 4: Vychystávací robot v průběhu času vylepšuje svou pohybovou inteligenci, protože se učí, jak efektivněji uchopit a přesunout produkty. Obrázek byl publikován se svolením společnosti Siemens

I když mnoho robotů stále vyžaduje, aby operátoři nebo programátoři poskytli explicitní pokyny, s roboty, které řídí umělá inteligence, se budeme v praxi setkávat stále častěji, jak ukazují výše uvedené příklady. S rychlostí, jakou tento trend pokračuje, budou roboty čím dál častěji provádět obtížné, nebezpečné nebo náročné úkoly, které by jinak prováděli lidé, což uvolní kvalifikovaný personál, aby se mohl soustředit na inovativní vylepšování procesů.

AI pro budoucí vylepšení provozních technologií

Vzhledem k tomu, že stroje se stávají inteligentnějšími, jelikož zařízení jsou stále více protkána různými IT funkcemi, nabízejí se značné potenciální výhody pro výrobce strojů. AI v podnikovém prostředí je schopna zjednodušit konfiguraci a programování, poskytovat předběžné upozornění na nutnost provedení údržby zařízení a snižovat tak četnost požadovaných provozních zásahů.

Implementací periferních zařízení s podporou AI v podniku mohou integrátoři strojů získat:

  • centrální přístup k datům a statistikám;
  • vylepšené autonomní rozhodování v rámci provozních procesů;
  • integrované pracovní a provozní procesy;
  • zvýšení výrobní kapacity.

Výrobci a integrátoři strojů těží během posledního desetiletí z pokroku ve vizualizaci a automatizaci strojů. Avšak pokud bude vzájemná konvergence IT/OT pokračovat tímto tempem, je jisté, že AI se stane dominantním faktorem pohánějícím další zvýšení provozní efektivity.

Jim Wilmot je manažer obchodní jednotky Factory Automation společnosti Siemens Industry v USA spadající pod divizi Digital Industries, v rámci které vede tým zaměřený na správu produktů a marketing řídicích systémů SIMATIC, distribuovaných I/O modulů, softwaru a řízení pohybu. Získal titul MSEE na Georgia Institute of Technology a má více než 27 let zkušeností s prací v oblasti průmyslových automatizačních systémů. Ve společnosti Siemens pracuje 23 let.

Řízení a údržba průmyslového podniku

Časopis Řízení a údržba průmyslového podniku již přes 10 let patří mezi neodmyslitelný zdroj informací v oblasti průmyslové údržby a diagnostiky. Část obsahu je z pera licenčních autorů Plant Engineering z USA.

www.udrzbapodniku.cz