Dürr-ը ներկայացնում է Advanced Analytics-ը՝ ներկերի խանութների համար շուկայական պատրաստ AI առաջին հավելվածը:DXQanalyze արտադրանքի շարքի վերջին մոդուլի մաս՝ այս լուծումը միավորում է վերջին ՏՏ տեխնոլոգիան և Դյուրի փորձը մեքենաշինության ոլորտում, բացահայտում է թերությունների աղբյուրները, սահմանում է օպտիմալ սպասարկման ծրագրերը, հետևում նախկինում անհայտ հարաբերակցություններին և օգտագործում է այս գիտելիքները՝ հարմարեցնելու համար: ալգորիթմ դեպի համակարգ՝ օգտագործելով ինքնաուսուցման սկզբունքը:
Ինչու են կտորները հաճախ ցույց տալիս նույն թերությունները:Ե՞րբ է ամենաուշը, որ ռոբոտում խառնիչը կարող է փոխարինվել առանց մեքենան կանգնեցնելու:Այս հարցերին ճշգրիտ և ճշգրիտ պատասխաններ ունենալը հիմնարար է կայուն տնտեսական հաջողության համար, քանի որ յուրաքանչյուր թերություն կամ ցանկացած անհարկի սպասարկում, որը հնարավոր է խուսափել, խնայում է գումար կամ բարելավում է արտադրանքի որակը:«Մինչ այժմ շատ քիչ կոնկրետ լուծումներ կային, որոնք թույլ կտար արագ բացահայտել որակի թերությունները կամ խափանումները։Եվ եթե եղել են, դրանք հիմնականում հիմնված են եղել տվյալների մանրակրկիտ ձեռքով գնահատման կամ փորձի ու սխալի փորձերի վրա:Այս գործընթացն այժմ շատ ավելի ճշգրիտ և ավտոմատ է Արհեստական ինտելեկտի շնորհիվ»,- բացատրում է Գերհարդ Ալոնսո Գարսիան՝ Dürr-ի MES & Control Systems-ի փոխնախագահը:
Dürr-ի DXQanalyze թվային արտադրանքի շարքը, որն արդեն ներառում էր Data Acquisition մոդուլներ՝ արտադրության տվյալների ձեռքբերման համար, Visual Analytics՝ դրանք արտացոլելու համար և Streaming Analytics, այժմ կարող է հույս դնել նոր ինքնաուսուցման Advanced Analytics գործարանի և գործընթացի մոնիտորինգի համակարգի վրա:
AI հավելվածն ունի իր հիշողությունը
Advanced Analytics-ի առանձնահատկությունն այն է, որ այս մոդուլը միավորում է մեծ քանակությամբ տվյալներ, ներառյալ պատմական տվյալները մեքենայական ուսուցման հետ:Սա նշանակում է, որ ինքնաուսուցման AI հավելվածն ունի իր հիշողությունը և, հետևաբար, այն կարող է օգտագործել անցյալի տեղեկատվությունը մեծ քանակությամբ տվյալների մեջ բարդ փոխկապակցվածությունները ճանաչելու և ապագայում իրադարձություն կանխատեսելու համար՝ հիմնված ընթացիկի վրա բարձր ճշգրտությամբ: մեքենայի պայմանները.Դրա համար շատ կիրառումներ կան ներկերի խանութներում՝ լինի բաղադրիչի, գործընթացի կամ գործարանի մակարդակով:
Կանխատեսելի սպասարկումը նվազեցնում է գործարանի խափանումների ժամանակը
Երբ խոսքը վերաբերում է բաղադրիչներին, Advanced Analytics-ը նպատակ ունի նվազեցնել խափանումները կանխատեսելի սպասարկման և վերանորոգման տեղեկատվության միջոցով, օրինակ՝ կանխատեսելով խառնիչի մնացած ծառայության ժամկետը:Եթե բաղադրիչը շատ վաղ է փոխարինվում, պահեստամասերի ծախսերն ավելանում են, և հետևաբար անտեղի ավելանում են ընդհանուր վերանորոգման ծախսերը:Մյուս կողմից, եթե այն երկար ժամանակ աշխատի, դա կարող է որակի հետ կապված խնդիրներ առաջացնել ծածկույթի գործընթացի և մեքենաների դադարեցման ժամանակ:Ընդլայնված վերլուծությունը սկսում է սովորելով մաշվածության ցուցիչները և մաշվածության ժամանակավոր օրինաչափությունը՝ օգտագործելով բարձր հաճախականությամբ ռոբոտի տվյալները:Քանի որ տվյալները շարունակաբար գրանցվում և վերահսկվում են, մեքենայական ուսուցման մոդուլը առանձին-առանձին ճանաչում է համապատասխան բաղադրիչի ծերացման միտումները՝ հիմնվելով իրական օգտագործման վրա և այս կերպ հաշվարկում է փոխարինման օպտիմալ ժամանակը:
Շարունակական ջերմաստիճանի կորեր՝ մոդելավորված մեքենայական ուսուցմամբ
Ընդլայնված վերլուծությունը բարելավում է որակը գործընթացի մակարդակում՝ հայտնաբերելով անոմալիաները, օրինակ՝ ջեռոցում տաքացման կորի մոդելավորմամբ:Մինչ այժմ արտադրողները չափումների ընթացքում ունեին միայն սենսորների կողմից որոշված տվյալներ:Այնուամենայնիվ, տաքացման կորերը, որոնք հիմնարար նշանակություն ունեն մեքենայի թափքի մակերևույթի որակի առումով, տարբերվում են վառարանի տարիքից ի վեր՝ չափումների միջև ընկած ընդմիջումներով:Այս մաշվածությունը առաջացնում է շրջակա միջավայրի տատանվող պայմաններ, օրինակ՝ օդի հոսքի ինտենսիվության մեջ:«Մինչ այժմ հազարավոր մարմիններ են ստեղծվում՝ առանց իմանալու, թե կոնկրետ ինչ ջերմաստիճանների են տաքացել առանձին մարմինները:Օգտագործելով մեքենայական ուսուցում՝ մեր Advanced Analytics մոդուլը մոդելավորում է, թե ինչպես է ջերմաստիճանը փոխվում տարբեր պայմաններում:Սա մեր հաճախորդներին առաջարկում է որակի մշտական ապացույց յուրաքանչյուր առանձին մասի համար և թույլ է տալիս նրանց բացահայտել անոմալիաները», - բացատրում է Գերհարդ Ալոնսո Գարսիան:
Առաջին գործարկման ավելի բարձր տոկոսադրույքը մեծացնում է սարքավորումների ընդհանուր արդյունավետությունը
Ինչ վերաբերում է իմպլանտին, ապա DXQplant.analytics ծրագրակազմն օգտագործվում է Advanced Analytics մոդուլի հետ համատեղ՝ սարքավորումների ընդհանուր արդյունավետությունը բարձրացնելու համար:Գերմանական արտադրողի խելացի լուծումը հետևում է որոշակի մոդելների տեսակների, հատուկ գույների կամ մարմնի առանձին մասերի կրկնվող որակի թերություններին:Սա թույլ է տալիս հաճախորդին հասկանալ, թե արտադրության գործընթացի որ փուլն է պատասխանատու շեղումների համար:Նման արատների և պատճառների հարաբերակցությունը ապագայում կբարձրացնի առաջին փուլի ցուցանիշը՝ թույլ տալով միջամտությունը շատ վաղ փուլում:
Գործարանի ճարտարագիտության և թվային փորձաքննության համադրություն
AI-ի հետ համատեղելի տվյալների մոդելների մշակումը շատ բարդ գործընթաց է:Փաստորեն, մեքենայական ուսուցմամբ խելացի արդյունք ստանալու համար բավական չէ չճշտված քանակությամբ տվյալներ տեղադրել «խելացի» ալգորիթմի մեջ:Համապատասխան ազդանշանները պետք է հավաքվեն, խնամքով ընտրվեն և ինտեգրվեն արտադրության կառուցվածքային լրացուցիչ տեղեկատվության հետ:Դյուրը կարողացավ նախագծել ծրագրակազմ, որն աջակցում է օգտագործման տարբեր սցենարներ, ապահովում է գործարկման միջավայր մեքենայական ուսուցման մոդելի համար և սկսում է մոդելների ուսուցում:«Այս լուծումը մշակելն իսկական մարտահրավեր էր, քանի որ չկար մեքենայական ուսուցման վավեր մոդել և համապատասխան գործարկման միջավայր, որը մենք կարող էինք օգտագործել:Որպեսզի կարողանանք AI-ն օգտագործել գործարանի մակարդակում, մենք համատեղել ենք մեխանիկական և գործարանային ճարտարագիտության մեր գիտելիքները Թվային գործարանի մեր փորձագետների հետ:Սա հանգեցրեց առաջին արհեստական ինտելեկտի լուծմանը ներկերի խանութների համար», - ասում է Գերհարդ Ալոնսո Գարսիան:
Հմտություններն ու գիտելիքները համակցված են Ընդլայնված վերլուծություն զարգացնելու համար
Միջդիսցիպլինար թիմը, որը կազմված է տվյալների գիտնականներից, համակարգչային գիտնականներից և գործընթացների փորձագետներից, մշակել է այս խելացի լուծումը:Dürr-ը համագործակցության մեջ է մտել նաև մի քանի խոշոր ավտոարտադրողների հետ:Այս կերպ մշակողները ունեին իրական արտադրության տվյալներ և բետա կայքի միջավայրեր՝ տարբեր կիրառական դեպքերի համար:Նախ, ալգորիթմները վերապատրաստվել են լաբորատորիայում՝ օգտագործելով մեծ թվով թեստային դեպքեր:Հետագայում, ալգորիթմները շարունակեցին տեղում ուսուցումը իրական կյանքի ընթացքում և հարմարվեցին շրջակա միջավայրին և օգտագործման պայմաններին:Բետա փուլը վերջերս հաջողությամբ ավարտվեց և ցույց տվեց, թե որքան մեծ AI ներուժ ունի:Առաջին գործնական կիրառությունները ցույց են տալիս, որ Dürr-ի ծրագրաշարը օպտիմալացնում է բույսերի հասանելիությունը և ներկված մարմինների մակերեսի որակը:
Հրապարակման ժամանակը՝ Մար-16-2022