Čtyři trendy, které mění výrobní prostředí, jak jej známe dosud

Čtyři trendy, které mění výrobní prostředí, jak jej známe dosud

Řešení případů použití ve výrobě, které se zabývají nestrukturovanými vstupy.

Továrny a podniky po celém světě jsou již dlouho neuvěřitelným projevem technických a provozních schopností, často na té nejvyšší úrovni technologie. Přesto současné továrny, jak nové, tak i ty staré, čelí výzvám v rámci přizpůsobování tradičních systémů a procesů moderním technologickým trendům a stále obtížnějším aplikacím.

Díky technologickému pokroku je výrobní průmysl transformován, jak již bylo naznačeno, čtyřmi novými pokrokovými trendy:

  • stroje/zařízení ve formě propojené flotily;
  • stroje a zařízení, které zpracovávají nestrukturované vstupy;
  • začlenění umělé inteligence a strojového učení;
  • společnosti pozývající zákazníka do výrobního procesu. 

Stroje/zařízení ve formě propojené flotily

Stroje ve výrobních podnicích jsou více než kdy dříve propojovány a využívají filozofie i komunikační protokoly Průmyslu 4.0, aby mohly streamovat data pro centrální vizualizaci a analýzu s tím, že umožňují podnikům a dodavatelům zařízení monitorovat a podporovat systémy.

Přesto bývá zařízení v továrnách stále relativně izolováno od širší sítě zařízení po celém světě a často dokonce odděleno od jiných zařízení v rámci téže společnosti. Existuje mnoho platných důvodů, včetně hlediska bezpečnosti a duševního vlastnictví, ale také mnoho škodlivých vlivů, které se staly normou po celá desetiletí v rámci výrobního průmyslu.

Z pohledu dodavatelů strojů nebo součástí existují významné globální instalační základny stejného zařízení. Některé stroje plní přesně stanovený úkol, jako je např. uzavírání lepenkových krabic, zatímco jiné se vzájemně velmi liší, jak je tomu u flexibilnějších systémů, k nimž patří i průmyslové roboty. Avšak tyto systémy bývají z velké části nepřipojeny kvůli izolovanosti zákazníka.

Existují výhody, které postupně mění průmyslové prostředí, pokud je tato globální instalační základna vnímána jako připojená „flotila“ systémů, kterou lze využít k neustálému zlepšování, rozšiřování funkcí atd.

Pro lepší pochopení uveďme jako příklad společnost Tesla, inovativního výrobce elektrických automobilů. Kromě své automobilové a bateriové technologie změnila společnost Tesla hru v automobilovém průmyslu tím, že nasadila propojenou flotilní strategii u svých vozidel, a tím, že prolomila formu rigidních cyklů uvolňování aktualizací softwaru. Ze systémů Tesla se nyní staly systémy, jež se neustále zlepšují, přijímají bezdrátové aktualizace softwaru, což zvyšuje jejich výkon, a pravidelně jsou do nich přidávány nové funkce. Mnoho z těchto nových schopností je možno realizovat pouze díky globální flotile systémů, které neustále shromažďují data, aby společnost Tesla byla schopna určit ty nejvhodnější funkce pro sestavování.

Kultura bezpečnosti a kvality v automobilovém průmyslu odolávala tomuto přístupu po mnoho let, ale výhody a výsledky jsou nepopiratelné, jak je vidět v mnoha jiných průmyslových odvětvích. Ve výrobních prostředích je přítomen podobný status quo, většina podniků se brání jakémukoli riziku a přehnaně se zaměřuje pouze na výnosnost a nákladovost výroby a vězí v tradičním cyklu uvolňování zařízení a softwaru.

Přesvědčivý posun paradigmatu

Potenciální transformace ve výrobě, která vyplývá z paradigmatu propojených flotil, je však v praxi velmi přesvědčivá.

Výrobci zařízení se mohou stát konkurenceschopnějšími a zvýšit zisky tím, že umožní svým zákazníkům přihlašovat se ke své připojené flotile systémů, snižovat bariéru vzdálené podpory, monitorovat veškeré údržbářské činnosti a aktualizovat příslušný software.

Společnosti, které provozují výrobní podniky, získají více ze svých investic do zařízení, jejichž funkce neustrnou na mrtvém bodě, ale ještě více se budou vylepšovat tím, jak se bude zdokonalovat celá flotila a pokud k tomu budou mít k dispozici nové funkce.

Představte si, že výrobce ventilů vyvíjí aktualizaci softwaru, která snižuje spotřebu vzduchu pro konkrétní skupinu ventilů o 3 %, nebo že výrobce robotů urychluje dobu zapnutí o 2 sekundy po stisknutí tlačítka E-Stop nebo že výrobce čidel vylepšuje logiku doby odezvy na zesilovači čidla o několik milisekund.

Představte si, že výrobce detektorů kovů aktualizuje HMI (rozhraní mezi člověkem a strojem), aby tím optimalizoval časy nastavení na základě A&B testování v rámci celé flotily,  nebo že je díky aktualizaci softwaru na stroji na balení krabic navýšen výkon o 10 % na základě učení získaného z podobné instalace ve Španělsku nebo že dodavatel montážních pracovních buněk posílá preventivně nové spotřební komponenty na základě dat získaných z celé flotily propojených strojů.

Jedná se o běžná vylepšení, která výrobci zařízení a součástí neustále vyvíjejí, aby zůstali konkurenceschopní, přesto bývají obvykle uvolňována pouze u nových zařízení. Jenže průmysl se posouvá směrem k propojeným flotilám systémů a tím pádem bude možné tyto různé druhy vylepšení realizovat ve stále větším množství továren, což je trend, který má potenciál zásadně modernizovat prostředí výrobního průmyslu.

Zlepšování v oblasti nestrukturovaných vstupů

Továrny jsou tradičně jedny z nejlépe uspořádaných a strukturovaných prostředí na světě. Strukturované vstupy jsou v době, kdy jsou náklady a výnosy prvořadým měřítkem, klíčem k optimalizaci výkonu automatizovaných strojů.

Ale mnoho případů použití ve výrobě nemá až zase takové štěstí a musí se vypořádat s nestrukturovanými vstupy. Přemýšlejte o čemkoli ze světa přírody – například o ovoci a zelenině – nebo naopak o strojích, které musejí zvládat manipulaci s břemeny různých rozměrů a tvarů, jako např. při recyklaci odpadu nebo při zacházení s měkkým zbožím. Zavádění automatizace procesů v podnicích, které se dokážou vypořádat s nestrukturovanými vstupy při současném zachování úrovně efektivity, je velmi obtížné.

Mnoho z těchto aplikací bylo v minulosti řešeno pouze pomocí lidské síly a umu, ale díky technologickému pokroku v oblasti robotiky a počítačového vidění přibývá případů použití, které jsou nákladově efektivní díky kombinaci lidského faktoru a automatizace i v rámci méně strukturovaných vstupů.

Poloautomatické stanice, které využívají lidi kvůli jejich vlastním silným stránkám a vrstvenou automatizaci a software zase pro jejich silné stránky, je v praxi stále běžnější strategií. Spolupracující roboty a další procesy podporované čidly představují účinné řešení pro mnoho případů použití. Při zvažování, zda bude přidána další úroveň automatizace, jsou tyto stanice také vynikajícím zdrojem dat, která podporují rozhodování na základě dat.

Metody počítačového vidění založené na předem jasně stanovených pravidlech představují normu v oblasti automatizace systémů kontroly nebo výběru a umístění předmětů, přesto jsou tyto systémy křehké, pokud se jedná o vysoce variabilní vstupy. Vizuální systémy založené na strojovém učení představují klíčovou technologii potřebnou pro robustní zpracování variabilních vstupů a průvodní automatizaci.

Podniky, jež se zabývají nestrukturovanými vstupy, musejí navíc udržovat flexibilní výrobní zónu a využívat data, aby bylo možné provádět prediktivní rozhodování a optimalizaci v reálném čase. Jinými slovy, musejí být dostatečně flexibilní, aby bylo jasné, jaký druh obsahu přichází skrz dodavatelský řetězec nebo zařízení, a podle toho naplánovat odpovídající směrování tohoto obsahu a poté jej co nejefektivněji zpracovat.

Umělá inteligence (AI) a strojové učení (ML)

Ve většině průmyslových odvětví se právě začíná lehce škrábat po povrchu, pokud jde o problematiku umělé inteligence a strojového učení, a výrobní odvětví není výjimkou.

Podniky a výrobci zařízení po celém světě mají k dispozici více dat než kdykoli předtím a v souvislosti s tím, jak se stále více strojů připojuje, je pro udržení konkurenceschopnosti nezbytné přeměnit tato data v praktické informace. Ale s tolika dostupnými daty a vzhledem k ohromujícímu vzrušení, které panuje kolem AI, má výběr správných aplikací klíčový význam.

Vizuální kontrola je skvělým příkladem oblasti, v rámci které ML již významně ovlivňuje výrobní podniky. Jak již bylo uvedeno výše, metody kontrol „založené na pravidlech a směrnicích“ jsou časově velmi náročné a křehké na vytvoření, když se v reálu má najít něco nestrukturovaného. Vady na strukturované části nebo vyhledání ideálního místa uchopení ovoce jsou příklady historicky náročných případů použití. Schopnost modelů strojového učení nechat se vyškolit na stovkách nebo i tisících příkladů toho, jak vypadá „dobré“ a „špatné“ nebo kde se nachází střed skvrny, a poté vytvořit robustní model, který analyzuje všechny tyto vlastnosti, u nichž by si žádný člověk nikdy nedokázal nastavit pravidla, má skutečně transformativní význam. Mnoho výrobních podniků již produkuje podobná data v rámci svých stávajících systémů, jež jsou vybaveny kamerami; stačí je jen náležitě ukládat a využívat.

Vzhledem k trendu směřujícímu k flotilám systémů a častějším aktualizacím softwaru, které jsou k dispozici, získají podniky, jež jsou v souladu s poskytovateli technologií, kteří globálně shromažďují data a zlepšují modely vize pro běžné typy součástí a případy použití, strategickou výhodu oproti společnostem spoléhajícím se na izolované vizualizační nástroje. Pro zákaznicky přizpůsobené použití to samozřejmě nemusí platit, ale pro mnoho běžných případů použití, jako je kontrola potravinářských výrobků, není důvod znovu objevovat něco, co je již dávno objevené.

Případy využití velkých dat rostou pod hlavičkou Průmyslu 4.0, což určitě otevírá vzrušující příležitosti pro AI a ML. Zvyšující se dostupnost historických dat o produktech, strojích a dodavatelském řetězci, včetně dat získaných v reálném čase, je klíčem k odhalení budoucích poznatků pomocí ML.

Ať už se jedná o systémy vidění založené na učení, či prediktivní údržbu nebo o automatizovaná rozhodnutí v rámci dodavatelského řetězce, bude umělá inteligence i nadále transformovat výrobu, jak ji známe, a umožní společnostem a výrobcům zesilovat výkony, snižovat náklady a dosahovat stále vyšších zisků.

Pozývání zákazníků do výrobního procesu

V tomto stavu s připojenými flotilami rychle se zlepšujících strojů v distribuovaných výrobních zařízeních po celém světě je otázkou, kam má vlastně přijít konečný zákazník? Jaká míra viditelnosti do procesu je či bude zákazníkovi vlastně umožněna? Dnes už toho moc není. V budoucnu by se však výrobci měli kvůli zvýšené personalizaci produktů a poptávce zákazníků po aktualizacích v reálném čase snažit využít procesy a data k interakci se zákazníky.

Je pochopitelné, že spotřebitelské aplikace již intenzivně spolupracují se zákazníky a v reálném čase jim poskytují aktualizované ovládací panely k vystavování objednávek nebo ke sledování dodávek v reálném čase. Avšak průměrný koncový zákazník nebude mít ani ponětí, kde a jak byl daný produkt vyroben. Kromě strohé informace „Made in…“ na produktu nebo v některých případech ještě kromě stručného popisu, jak byl produkt vyroben, nejsou zákazníci vystavováni neuvěřitelnému dodavatelskému řetězci lidí, strojů a podniků, tj. takovému řetězci, který je zapotřebí k výrobě produktů, jež používáme každý den.

Pozvání zákazníků do tohoto procesu zvýší úroveň angažovanosti a vizualizace veškeré práce, kterou výrobní společnosti potřebují k dodávání požadovaných produktů, což povede k lepší informovanosti a větší loajalitě zákazníků.

Tento článek se zaměřil jen na několik zajímavých trendů, jež si zasluhují naši zvýšenou pozornost, protože výroba se neustále vyvíjí společně s technologií.

Kevin Hall je vedoucí útvaru technologie a spoluzakladatel společnosti Ripcord.

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