Pět způsobů, jak bude strojové učení transformovat výrobní sektor v roce 2021

Díky využití technologie umělé inteligence vyvíjejí výrobci modely prediktivní údržby, které čerpají informace z historických dat ohledně toho, co vedlo v minulosti k problémům; tímto způsobem jsou schopni předvídat, kdy zařízení vyžaduje následný servisní zásah. Díky využití technologie umělé inteligence vyvíjejí výrobci modely prediktivní údržby, které čerpají informace z historických dat ohledně toho, co vedlo v minulosti k problémům; tímto způsobem jsou schopni předvídat, kdy zařízení vyžaduje následný servisní zásah.

Díky novým vývojovým trendům se strojové učení stává součástí každodenního fungování podniku.

Technologický pokrok ve formě komplexních robotických systémů a umělé inteligence (AI) transformoval výrobní sektor za poslední desetiletí a v současné době vede k tomu, co se běžně nazývá čtvrtá průmyslová revoluce. Pandemie covidu-19 tuto transformaci u mnoha výrobců ještě urychlila, protože je zapotřebí efektivně řídit více procesů najednou a v mnoha případech je monitorovat a spravovat na dálku. Pod pojmem strojové učení (SU) máme na mysli odvětví umělé inteligence zaměřené na vytváření počítačových programů, které se učí ze zkušeností a v průběhu času zlepšuje své rozhodovací schopnosti a nabývá v mnoha průmyslových odvětvích stále většího významu; výrobní sektor není zcela jistě výjimkou.

Cenová dostupnost snímačů a úložišť dat, stejně jako rozvoj technologie velkých dat umožňují výrobcům zachytit obrovské množství dat a díky technologii SU jsou podniky schopny odvodit z těchto dat akční inteligenci, díky čemuž máme k dispozici stále chytřejší zařízení, jejichž prostřednictvím dosahujeme vyšší úrovně kvality a produktivity. Jelikož podniky nadále využívají strojové učení jako součást každodenních operací, očekává se, že v příštím roce se bude výrobní sektor rozvíjet mj. pěti následujícími způsoby.

  1. Širší využití prediktivní údržby

Podniky donedávna typicky spoléhaly na pravidelně rozvržené plány údržby, které byly ovlivňovány způsobem nebo délkou používání daného zařízení; podle toho bylo určeno, kdy je třeba provést údržbu, nebo se zařízení provozovalo dokonce tak dlouho, až úplně havarovalo, teprve pak se na něm provedla oprava i údržba najednou. Díky využití technologie umělé inteligence vyvíjejí výrobci modely prediktivní údržby, které čerpají informace z historických dat ohledně toho, co vedlo v minulosti k problémům, a tak jsou schopni předvídat, kdy zařízení vyžaduje následný servisní zásah. Poté aktivují výstrahu, zařízení se plánovaně odstaví a jsou provedeny potřebné úkony.

Vzhledem k tomu, že dané zařízení bývá kvůli opravě odstaveno pouze v případě, že je to skutečně nutné, jsou tyto modely schopny ve srovnání s údržbou nastavenou podle časových harmonogramů ušetřit čas i nezanedbatelné finanční prostředky. Stále se zrychlující proces inovace vede ke zkracování životních cyklů produktů ve většině kategorií, navíc dramatické posuny v očekávání zákazníků mají vliv na zkracování dodacích lhůt a výrobci musejí být v rámci oprav a přestavování linek rychlejší a flexibilnější.

I když forma prediktivní údržby není pro rok 2021 novinkou, očekávejte letos razantní růst jejího využívání, jelikož podniky budou aplikovat získaná data z připojených zařízení a teprve na základě jejich rozboru se budou rozhodovat, kdy dané zařízení odstaví a provedou potřebné úkony.

  1. Zvyšování energetické účinnosti

Většina podniků je v současné době provozována v režimu 24/7, neboť je nutné udržet optimální účinnost. K tomu, aby se věci a stroje hýbaly, je vyžadováno velké množství energie.  Algoritmy strojového učení vezmou v úvahu vysoké ceny energií, potřebu provést údržbu zařízení, mzdové náklady a nezbytný stav zásob a na základě všech těchto vstupních dat naplánují ideální čas na provádění energeticky náročných činností. Díky tomu jsou podniky schopny maximalizovat úspory nákladů spuštěním správných procesů ve správný čas.

Naše společnost již tuto praxi zaznamenala u řady výrobců, včetně významného světového výrobce petrochemie, který se obrátil na společnost RapidMiner s požadavkem, aby mu pomohla najít cestu ke snížení spotřeby energie. Petrochemická společnost do té doby vynakládala 20 milionů USD ročně za spotřebovanou energii, ale byla rozhodnuta podniknout opatření, díky nimž budou jejich procesy šetrnější k životnímu prostředí a přispějí ke snížení nákladů. Aplikací modelů strojového učení, které byly snadno nastavitelné v reálném čase a pracovaly s daty získanými ze snímačů, dokázala společnost RapidMiner danému výrobci snížit spotřebu energie o 5 %.

  1. Záruka kvality produktu

Bez ohledu na to, jak optimalizovaný je výrobní proces, každý podnik občas vyrobí vadný produkt. I když existují různé možnosti, jak tyto jevy minimalizovat, k výrobě neshodných produktů prostě v praxi dochází a nahlíží se na to jako na doprovodné náklady v rámci podnikání. Použitím metod strojového učení jsou však výrobci schopni významně snížit možnost chyby prostřednictvím optimalizace procesu kontroly úrovně kvality.

Místo toho, abychom se spoléhali na fakt, že každý produkt je ve finálním stadiu vizuálně prohlédnut operátorem na montážní lince, nabízí strojové učení možnost analýzy obrázků a detekce anomálií v rámci celého procesu výroby; tím pádem lze zachytit neshody mnohem dříve, než dojde k finální montáži. Podniky tak mají mnohem větší jistotu, že produkují vysoce kvalitní výrobky a zároveň snižují množství odpadu.

  1. Vytváření bezpečnějšího pracoviště

Každý, kdo někdy pracoval ve výrobním podniku, prošel důkladnými každoročními školeními v oblasti bezpečnosti a ochrany zdraví a zná důležitost správného používání bezpečnostních pomůcek. I když jsou tyto nástroje zásadní pro bezpečnost na pracovišti, nové technologie, jako je umělá inteligence, mohou svým dílem přispět k dodatečnému eliminování rizika, protože k nehodám dochází i při dodržování příslušných nařízení.

Prostřednictvím analýzy dat v rámci strojového učení lze rozšířit systémy kamerového dohledu takovým způsobem, aby rozpoznaly potenciálně nebezpečné postupy, včetně identifikace přepracovaných nebo unavených zaměstnanců, ještě než začnou obsluhovat těžké stroje. Metodu strojového učení lze rovněž aplikovat v souvislosti s daty získanými od snímačů; takto je možné získat důležité poznatky o výkonu bezpečnostního systému. Pokud se spoléháme na to, že umělá inteligence je schopna profiltrovat tisíce datových bodů generovaných každou sekundu průmyslovým internetem věcí (IIoT) a dalšími připojenými zařízeními, mohou zaměstnavatelé dostávat automatická upozornění na vznik potenciálního nebezpečí a přispívat tak k vytváření bezpečnějších pracovišť.

Jedna z těžařských a chemických výrobních společností z žebříčku Fortune 500 dokázala pomocí aplikace strojového učení identifikovat nepředvídanou proměnnou ve svém výrobním procesu, která obvykle vedla k obrovským rizikovým faktorům s dopadem na zdraví a bezpečnost zaměstnanců. Prostřednictvím modelu strojového učení vytvořeného procesními inženýry byli operátoři schopni zabránit situaci, kdy celý výrobní proces přešel do režimu off-line; díky tomu se vyhnuli hromadě administrativního papírování a snížili výši celkového rizika ohrožení zdraví a bezpečnosti přibližně o 90 %. Společnost odhaduje, že se díky aplikaci modelů strojového učení vyvarovala více než šesti incidentům za jeden kalendářní rok, což považuje za obrovský úspěch.

  1. Prognózy a reakce na požadavky spotřebitelů v reálném čase

Předpovídání požadavků spotřebitelů není vůbec snadnou záležitostí a je docela náročné se v tom nějakým způsobem zdokonalovat. Naštěstí lze programy umělé inteligence použít k předpovídání poptávky a chování zákazníků na bezkonkurenční úrovni propracovanosti a přesnosti. Díky čerpání z nových i historických dat jsou modely strojového učení schopny pomoci podnikům pochopit, které faktory ovlivňují poptávku a jak se podniky mohou okamžitě přizpůsobit novým proměnným.

Na druhou stranu díky snímání úrovně poptávky mají podniky možnost sledovat v reálném čase výkyvy v chování spotřebitelů. Analýzou dat ze skladů a systémů v místě prodeje dokáže technologie strojového učení identifikovat jakékoli významnější změny v prodejním chování svých zákazníků, aby nedošlo k tomu, že nabídka bude překonána poptávkou.

Výhody systémů strojového učení v rámci těchto procesů (místo spoléhat se na přísná pravidla) zdůraznila pandemie covidu-19. Na začátku pandemie, kdy byl vyhlášen lockdown, došlo k radikální změně spotřeby, a tedy k poptávce po určitých výrobcích, což vedlo k nedostatku některých potravin a toaletního papíru. Pravidelně naplánovaný systém dodávek na základě toho, co bylo obvykle potřeba, nebyl schopen držet krok s měnícím se chováním lidí ve společnosti.

Celkový pohled

Ačkoli se pohybujeme uprostřed tzv. čtvrté průmyslové revoluce, výrobní sektor teprve začíná plně akceptovat proces digitální transformace. Před rokem 2020 představovaly kvalita, optimalizace procesů a snížení provozních nákladů klíčové obchodní hnací síly této transformace. Ale nyní, uprostřed globální pandemie, se k tomuto seznamu přidávají další položky, např.   bezpečnost, možnost práce na dálku a transparentnost informací. Pokročilé technologie založené na umělé inteligenci a strojovém učení budou i nadále podporovat inovace a měnit způsob, jakým výrobci přemýšlejí o problémech a jejich řešení, což připravuje cestu pro bezpečnější, efektivnější a ziskovější budoucnost.

Ingo Mierswa, Ph.D., je zakladatel a technický ředitel společnosti RapidMiner. Jakožto pracovník v oboru průmyslových dat začal vyvíjet společnost RapidMiner v rámci divize umělé inteligence na univerzitě v německém Dortmundu. Je autor mnoha publikací o prediktivní analýze a velkých datech. Jako zakladatel a technický ředitel společnosti RapidMiner je odpovědný za rozvoj strategických inovací a technologií. Za posledních sedm let zaznamenávala společnost RapidMiner každoroční nárůst o 300 %.

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