Businessman in Warehouse

Gyártás optimalizálás

 

A legmodernebb fröccsöntő gépeken akár 2000 paraméter is állítható. Nincs ember, aki hatékonyan be tudná paraméterezni a feldolgozandó anyagnak, a környezeti hatásoknak, a szerszám kialakításnak és az adott műszakban működtető operátornak megfelelően a gépet. A gépi tanulás azonban segít abban, hogy mindezeket a paramétereket figyelembe véve a rendszer optimális terméket állítson elő – nem csak egyetlen gép teljesítményét tekintve, hanem akár egy egész gyártósorét. A hullámforrasztók, szelektív forrasztók, lemezvágó gépek és CNC marók mind olyan bonyolultságú eszközök, hogy felügyeletüket érdemes okos automatizmusokra bízni.

 

 

 

 

A Fog Computing lehetővé teszi a minimális késleltetés megtartását, mivel az intelligencia a géphez közel van elhelyezve – az azonnali választ igénylő kéréseket pedig a Dell Edge Gateway dolgozza fel és válaszolja meg.

A gépek közötti kommunikáció vagy a szenzoros értékek kinyerése is kihívás lehet. Számos projekttel a hátunk mögött az a tapasztalatunk, hogy a régi gépeket is fel lehet okosítani – ez a Smart Up. A kinyert információból gép-gép vagy gép-ember kommunikációt alakítunk ki, riasztásokat küldünk vagy beavatkozunk.

 

Az igazi érték a gépi tanulás felhasználásával kinyert információ (például mikor jó és mikor/mitől selejtes a termék); az ugyanazon minőség eléréséhez szükséges ráfordítás (cost of quality), a ciklusidő (kihozatal növelés), valamint az energiafelhasználás csökkentése.

 

A megoldás teljes mértékben támogatja a Listen-Learn-Execute ciklust: azaz az összegyűjtött adatokat nem csak feldolgozza, hanem valós időben, a gyártás közben elemzi is. Így olyan akciókat is képes kivitelezni, ami nem csak egyszerű utasításokkal tudja az adott gépet irányítani, hanem akár komplex robotvezérlésre is képes. Az AI segítségével auto-korrelációt alkalmaz a tanulási folyamatban, így olyan összefüggéseket talál meg, amiket egy statikus rendszer nem lenne képes. Ezeket az adatokat felhasználva optimalizálja a termelést. A gyártási folyamatok, a layout- és cellatervezés egyszerűbb és pontosabb lesz, a szerszámok és a munkaállomások beállításai pedig hatékonyabbá válhatnak, az éppen aktuális igényekre szabva.

 

 

A rendszer bemutatója megtekinthető a Budapesti Műszaki és Gazdaságtudományi Egyetem I épületében lévő Ipar 4.0 Technológiai Központban.

CDR referencia architektúra

 

Három technológiai vállalat, a Cloudera, a Dell EMC és a REACH képviselői közösen megalkottak egy olyan Ipar 4.0 megoldást, amely mesterséges intelligenciát (AI-t) használva növeli a termelés hatékonyságát. Segítségével anélkül lehet látványos fejlesztést véghez vinni gyakorlatilag bármely üzemben, hogy a teljes gépparkot le kellene cserélni.

 

Cloudera modern adatplatform megoldása kiváló alapot ad az IoT adatok technológiai és üzleti felhasználására. A Cloudera Enterprise segítségével könnyedén gyűjthetők valós idejű adatok, lehetővé téve ezek automatikus feldolgozását gépi tanulás és mesterséges intelligencia használatával, a hagyományos megoldásokhoz képest jelentősen alacsonyabb költséggel.

Dell EMC ügyfélközpontú hozzáállásának köszönhetően gyorsan telepíthető és magas szinten optimalizált end-to-end Hadoop megoldások építhetők, tetszőlegesen skálázható hardware-en.

REACH küldetése, hogy segítsen a termelőüzemeket valós idejű, okos gyárakká alakítani. Ehhez többszörösen bizonyított Big Data technológiát és Machine Learning algoritmusokat használ, melyek segítségével valós időben dolgozhatók fel komplex események és építhetők valódi üzleti hasznot hozó Ipar 4.0 alkalmazások.

Megoldások a gyakorlatban

 

Valós idejű adatmegjelenítés és riasztáskezelés.

Probléma: Egy gyárban gyakran csak utólag értékelik ki az adatokat és észlelik a kiugró eseményeket (többnyire hiba esetén).

Megoldás: A dolgozók, mérnökök és vezetők valós időben követhetik a gépek állapotát, és a kritikus események megtörténtéről azonnal értesítést is kaphatnak. Így időben beavatkozhatnak a folyamatba.

 

Valós idejű OEE és állásidő management, ciklusidő számítás.

Probléma: A termelés hatékonyságát jellemző mutatószámokat (pl. OEE, ciklusidő) a dolgozók és mérnökök nem látják működés közben.

Megoldás: A valós időben bemutatott mutatószámok már önmagukban 5% termelékenységnövekedést képesek előidézni azáltal, hogy azonnali visszajelzést biztosítanak

 

Megelőző karbantartás, hasznosélettartam-becslés.

Probléma: A karbantartási periódusok a legtöbb gépen időhöz kötöttek. Ezek konzervatív becslésen alapulnak és nem veszik figyelembe a gép vagy szerszám valós állapotát.

Megoldás: Az algoritmusok folyamatosan felügyelik a gépek és termékek állapotát és képesek megjósolni azok tönkremenetelét, illetve minőségét, megfelelő időben riasztva a karbantartó személyzetet. A rendszer képes javaslatot is tenni a megoldásra.

Felhasználási területek és példák

 

Logisztika: Location tracking – szerszámok, gépek nyomon követése a gyáron belül. Jogosultságok kezelése.

 

Anomália detekció: A gyártás során észlelt kiugró értékek kiszűrése és jelentése, a karbantartók, mérnökök valós időben történő értesítése.

 

Minőségbiztosítás: Selejt követés és előrejelzés a gyártási adatok alapján. A selejtes terméknek nem kell eljutnia a hosszadalmas gyártási folyamaton keresztül a végső tesztig, hogy kiderüljön a hiba – már a gyártás közben be lehet avatkozni.

 

Személyre szabható adatelemző eszközök.

Probléma: A gyűjtött adatok elemzésére legtöbbször nem állnak rendelkezésre korszerű elemző és gépi tanulást lehetővé tevő eszközök.

Megoldás: A rendszerbe ágyazott adatelemző és Machine Learning réteggel a modellek és kiértékelések személyre szabhatók, így bármilyen probléma megoldására felhasználhatók

 

Fröccsöntő gép leállás előrejelzése.

Probléma: Az olvadék szerszámra tapadása nem tervezett leállásokat okoz. A leállások összesített ideje eléri a napi 1 órát.

Megoldás: A leállásokat Machine Learning modellel előre jelezzük, így megelőzhető ezeknek 50 százaléka.

 

Elektromotorok minőségellenőrzése.

Probléma: Magas selejtszám (zajos motorok).

Megoldás: A beszállítók, gyártó gépek adatai és a termék minősége közötti összefüggés modellezése. A leendő selejtes termék már gyártás közben észlelhető és javítható.

 

Sósav balansz.

Probléma: Két, távoli sósav tároló között mennyiségi egyensúlyt kell tartani.

Megoldás: A tartályok szintjének előrejelzése és riasztás beállítása.