Software pro modelování a strojové učení přispívá ke zvyšování efektivity výroby

Obrázek 1: Ideální průběh trendové linie modelu 1 se zřídkakdy realizuje, protože pokud se model ponechá v nezměněném stavu, může se stát, že se přesnost postupem času snižuje, stejně jako to vidíme u trendových linií modelu 2 a modelu 3. Všechny obrázky byly publikovány se svolením společnosti Siemens Obrázek 1: Ideální průběh trendové linie modelu 1 se zřídkakdy realizuje, protože pokud se model ponechá v nezměněném stavu, může se stát, že se přesnost postupem času snižuje, stejně jako to vidíme u trendových linií modelu 2 a modelu 3. Všechny obrázky byly publikovány se svolením společnosti Siemens

Pokrok v automatickém zpracování dat a algoritmech strojového učení navyšuje hodnotu modelů a simulací.

Moderní výrobní procesy produkují obrovské množství dat, a jelikož se s rozvojem IIoT v průmyslových dílnách zvyšuje počet rozmanitých senzorů a kamer, je nyní k dispozici stále více dat.

V minulosti se data obvykle používala velmi konzervativně – především proto, aby uživatelé zpětně věděli, co se v dílně stalo. Data pak mohla být použita v kontrolních zprávách a v některých případech k odhalení trendů a identifikaci problémů.

Nicméně s dynamickým nástupem umělé inteligence (AI) a strojového učení (ML) se otevírají nové možnosti a odkrývá se, čeho všeho lze s využitím dat z dílny dosáhnout; především se jedná o identifikaci určitých vzorců či schémat a následné využití těchto informací k urychlenému uvedení nových výrobků na trh a dále jde i o celkovou optimalizaci výroby.

Počítače vybavené intuicí

Kdysi se odborníci domnívali, že počítače mohou počítat pouze algoritmy, kterým rozumějí lidé. Předpokládali také, že neexistuje způsob, jak naučit software používat intuici, například rozpoznat, zda je na obrázku dospělý nebo malé dítě, kočka nebo pes, ale datoví vědci nyní vědí, že to už nějakou dobu přestává platit.

Díky ML se lidem podařilo naučit počítače provádět intuitivní úkoly, aniž by bylo možné tyto úkoly počítači explicitně vysvětlit. Prostě tím, že počítači dodáte dostatek různých příkladů – například obrázky psů a koček, které posléze identifikujete – se může stroj naučit určovat předmět nových obrázků na základě identifikace vzorů v příkladech. Podobně nyní mohou počítače pomocí ML řešit průmyslové problémy, které byly dříve považovány za neřešitelné, aniž by bylo nutné je složitě kódovat.

Ze zařízení a přístrojů v provozních halách může být do počítačového algoritmu ML zadáváno obrovské množství dat o výrobních procesech. Například při zajišťování kvality tiskového procesu může algoritmus ML odhalit použití nesprávné barvy, nepřesnou polohu, chybějící detaily a další vady. Stroj se může naučit testovat tyto a další vlastnosti v průběhu času, aniž by programátor musel předem definovat všechny parametry testů. Analyzované detaily finálního tištěného produktu určují, zda subjekt projde nebo neprojde celkovým testem kvality.

Jakmile se počítač lépe seznámí s výrobními postupy, může přiřadit údaje o výrobním procesu před konečné výsledky testování kvality. Tyto informace lze využít k tomu, aby bylo možné téměř v reálném čase předem určit, zda konkrétní výrobní dávka projde testy kvality. Často lze provést úpravy procesu a zachránit tak šarži, která by jinak při testech kvality selhala. Díky identifikaci hlavních faktorů, jež se podílejí na kvalitě v rámci shromážděného souboru dat, může počítač rychle identifikovat vzorce, podle nichž lidé nemohou automaticky upravit procesy nebo upozornit operátory, aby mohli zjednat nápravu konkrétního problému.

Výzvy spojené se strojovým učením

Implementace ML bohužel není zase až tak úplně jednoduchá. Stejně jako student, tak i stroj potřebuje správné instrukce, aby mohl své úkoly plnit na výbornou.

Největší počáteční výzvou v procesu implementace ML je shromáždění kvalitních dat, přičemž tento krok je zásadní, protože stroj se nemůže učit z poškozených, vyšumělých, zkreslených nebo chybně klasifikovaných dat. Správný sběr zahrnuje záznam dat ve standardizovaném formátu, což někdy vyžaduje převod ze surového formátu.

Po sběru dat potřebuje ML model pro své učení označenou sadu dat. Tato datová sada je kategorizována podle tříd, například OK nebo není OK, vyhovuje nebo nevyhovuje, ale k tomu je zapotřebí dodat, že mnoho organizací bohužel nemá k dispozici odborníky a zdroje pro identifikaci a označování těchto ML vzorců.

Modely založené na ML se při učení často spoléhají na statické historické výpisy obecně dynamických dat. Výrobní data se však mohou po zavedení modelů rychle měnit neznámým a nezjištěným způsobem v důsledku proměnlivých procesních podmínek, dynamických lidských zásahů a dalších příčin. To obvykle vede ke snížení predikční výkonnosti a spolehlivosti modelu v čase (viz obr. 1).

Pokud model špatně klasifikuje vlastnosti nebo předkládá výsledky s nízkou spolehlivostí, je nutné jej přeškolit pomocí nové nebo dodatečně označené sady dat.

Monitorování provozních systémů

Typická ML aplikace přijímá vstupní data ze senzorů, jako jsou kamery, mikrofony, teploměry a další. Po importu a předzpracování ML model analyzuje data a odvozuje z nich výstupní model (viz obr. 2).

Figure2Obrázek 2: ML model přijímá vstupní data, provádí s nimi definovanou sadu výpočtů a činností a vytváří výsledná data, která slouží k vyladění modelu v čase

Například v případě použití pro predikci kvality je výstupem modelu často skóre související s kvalitou výrobku nebo pravděpodobnost výroby přijatelného vs. vadného dílu nebo šarže. Aplikace ML poskytuje tuto předpověď kvality různým spotřebitelům, jako je systém pro realizaci výroby, který je schopen upravit parametry procesu za účelem optimalizace nebo jednoduše pro potřeby vizualizace obsluhy.

Aby se zabránilo skluzu přesnosti modelu v čase, musí aplikace ML porovnávat svůj předpovídaný výstup se skutečnými výsledky a upravovat budoucí modelování v souladu s odchylkou modelu od reality. Tato odchylka poskytuje akční poznatky pro další iteraci modelu pro řešení incidentů a sledování chyb. Díky tomuto aktu zpřesňování se model může naučit rozpoznávat nové vzorce a zákonitosti v datových tocích.

Švýcarský armádní nůž

Když senzory a další provozní přístroje vysílají signály do počítačů a serverů instalovaných přímo na místě a v mnoha případech i do cloudu, pomáhají vytvářet přehled o aktuálním stavu podniku. Díky tomu jsou operátoři lépe informováni a získané poznatky lze využít ke zvýšení produktivity, zajištění bezpečnosti a přizpůsobení se novým požadavkům.

Digitální dvojče usnadňuje proces průběžné optimalizace jako žádný jiný nástroj a data získaná ze senzorů v provozu mohou výrazně přispět ke zvýšení efektivity výroby.

Tento typ nástroje nejen odhalí definovaný výrobek vytvořený z konkrétních materiálů nebo přísad o známé hmotnosti a vyrobený v určitém termínu s konkrétní kvalitou, ale může také odhalit vlhkost, teplotu a mnoho dalších faktorů ovlivňujících finální výrobek a následně tyto faktory prostředí korelovat s výslednou kvalitou výrobku. Tento kompletní soubor dat umožňuje vytvořit digitální dvojče procesu a výrobku, což představuje kompletní virtuální reprezentaci produktu i způsobu jeho výroby.

V případech, kdy je obtížné generovat reálná data pro trénování modelu, může inženýr vytvořit digitální dvojče a spustit simulaci, aby vytvořil soubor dat o produktu potřebný pro trénování modelu ML. Digitální dvojčata umožňují lepší a rychlejší vývoj produktů, protože simulační technologie urychlují návrh a testování, takže vytvoří představu o produktu dlouho předtím, než jsou vyrobeny fyzické prototypy. Digitální dvojčata také zvyšují efektivitu návrhu, jelikož umožňují vývojářům vyzkoušet a porovnat více konfigurací, než je možné s fyzickými modely (viz obr. 3).

Figure3Obrázek 3: Nástroj Siemens Plant Simulation Tool lze použít k vytvoření digitálního dvojčete pro optimalizaci návrhu nového objektu nebo pro experimentování s metodami umožňujícími optimalizaci provozu ve stávajícím podniku

Digitální dvojče lze například použít ke zvýšení energetické účinnosti nové budovy před její výstavbou. Kromě vizualizací geometrických prvků budovy může digitální dvojče zahrnovat harmonogramy a rozpočty projektu a údaje týkající se zásobování budovy energií, osvětlení, požární ochrany a provozu. Díky tomu mohou inženýři optimalizovat budoucí klimatický dopad budovy ještě před zahájením stavby.

Digitální dvojče navíc pokračuje ve sběru dat po celou dobu životnosti budovy. To může zahrnovat informace o fyzickém namáhání, součástech, které selhaly, nebo o tom, jak objekt – například frézka, letadlo nebo budova – funguje. Takové informace podporují proces optimalizace během provozu a zároveň pomáhají konstruktérům, architektům a inženýrům při přípravě příští generace výrobku.

Osvojování metody, kterou používají mravenci

K vytvoření přesných digitálních dvojčat skutečných technických systémů musejí vývojáři porozumět materiálovým hodnotám systému, konstrukčním údajům, funkčním pracovním postupům a okolním přírodním zákonům. Digitální dvojče musí také zaznamenávat nesrovnalosti mezi modelovými a skutečnými hodnotami výkonu systému, aby se zachovala přesnost v čase.

Pomocí ML a rychlého zpracování velkých souborů dat počítačem může model odhalit velmi složité souvislosti, které by člověk nedokázal určit; počítač totiž může uplatnit metodu, kterou využívají mravenci, a efektivně optimalizovat model.

V přírodě používají kolonie mravenců k označení cesty ke zdroji potravy svůj vlastní pach. Protože mravenci, kteří k němu jdou nejkratší cestou, trasu křižují častěji a označují si ji tím pádem častěji než mravenci pohybující se po delších trasách, stává se, že nejkratší stezka je časem cítit silněji než všechny ostatní.

Modelování založené na ML využívá tuto „mravenčí“ metodu k optimalizaci výrobních procesů v čase, protože simulace všech možných postupů a jejich vzájemné porovnávání najednou by vyčerpaly výpočetní zdroje počítače. Místo toho stroj upravuje výrobní postup kousek po kousku tak, jak se vytvářejí korelace mezi provozními postupy a výsledky testů kvality. Tato metodika umožňuje ML modelu určit nejefektivnější způsob provádění operací.

Přední výrobce benzinových, dieselových a elektrických automobilových pohonných jednotek začal využívat software a služby SimCenter Amesim společnosti Siemens k vývoji a propojení virtuálních senzorů s umělou inteligencí. Simulační software umožnil vytvořit virtuální modely (viz obr. 4) hnacího ústrojí pro určení ideálních konstrukčních parametrů před zahájením výroby, což snížilo čas a náklady související s výrobou neúspěšných fyzických prototypů.

Figure4Obrázek 4: Software Siemens SimCenter Amesim se používá k vytváření virtuálních modelů vybavených umělou inteligencí pro simulaci a optimalizaci komponent mechanických systémů, což urychluje jejich fyzickou výrobu a proces testování

Kromě návrhu hardwaru použil výrobce virtuální model k optimalizaci řídicích strategií. Zároveň převedením modelu do formátu pro nasazení do palubních elektronických řídicích jednotek vybavil řídicí jednotky funkcemi ML, jež jsou založeny na principu umělé inteligence. To zajistilo pohonným jednotkám schopnost automaticky přizpůsobovat výkon na základě aktuálního jízdního cyklu a způsobu použití.

Rozpoznávání vzorů rozšiřuje možnosti podniku

Algoritmy ML se postupem času a s řádně označenými soubory dat zdokonalují a digitální dvojčata se stávají standardem při vývoji výrobků, zařízení a dalších automatizovaných systémů. V důsledku toho jsou tyto technologie stále častěji přijímány pro účely certifikace a zajišťování shody s bezpečnostními a environmentálními předpisy.

Digitální dvojčata jsou stále běžnější a brzy budou spojována s dodávkami fyzických systémů a výrobků, což uživatelům umožní vytvářet hypotézy a testovat výsledky úprav jejich návrhů a procesů před samotnou výrobou. Díky důvtipnému ML a rozpoznávání vzorců lze zpracovávat simulovaná data z digitálních dvojčat a reálných dat z provozních senzorů a vytvářet tak přesné a časem prověřené výrobní modely. Pomocí těchto modelů se urychluje optimalizace procesů a strojů, zvyšuje se produktivita a zároveň se snižují náklady na údržbu a prostoje.

Alessandra Da Silva je vedoucí oddělení, které se věnuje problematice umělé inteligence a nasazení edge technologií ve společnosti Siemens Digital Industries, Factory Automation. Má dvacetileté zkušenosti v oblasti průmyslové automatizace a automatizace budov, kde pracovala na vývoji softwaru, návrhu řešení, řízení projektů a řízení portfolia/marketingu. Alessandra je inženýrka elektroniky, vystudovala univerzitu v brazilském São Paulu a specializuje se na IT systémy, umělou inteligenci a edge computing.

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