Hoe machine learning de industriële productie transformeert

Volgens Wikipedia is machine learning "de wetenschappelijke studie van algoritmen en statistische modellen die computersystemen gebruiken om een specifieke taak effectief zonder expliciete instructies te gebruiken, in plaats daarvan te vertrouwen op patronen en gevolgtrekkingen. Het wordt gezien als een subset van kunstmatige intelligentie.”

Machine learning is geen apparaat dat u op een productielijn kunt aansluiten en de lijn beter dan voorheen kunt laten werken. Het is een proces dat input van veel apparaten nodig heeft om er gegevens aan toe te voegen, zodat gegevens kunnen worden verzameld, geëvalueerd en gebruikt om kennis te ontwikkelen over hoe de productielijn werkt.

Deze kennis kan vervolgens worden gebruikt om te bepalen hoe de productielijn een hogere doorvoer kan hebben, tegen lagere kosten kan werken en betrouwbaarder kan werken. Op deze manier transformeert machine learning een industriële operatie in een systeem van systemen waarmee producten sneller op de markt kunnen worden gebracht tegen lagere kosten, zodat het bedrijf concurrerend kan blijven en zijn klanten tevreden kan houden.

Procesgebaseerd machinaal leren

Laten we een modifier toevoegen aan het idee van machine learning en het 'procesgebaseerd' noemen. Dit stelt ons in staat om tot de kern van de zaak te komen bij het identificeren van de industriële technologie die moest worden gemaakt of aangepast vanwege de wens om computeralgoritmen te gebruiken om het tijdperk van slimme productie mogelijk te maken.

Machine learning gebruikt trainingsgegevens om het computeralgoritme te leren wat het kan verwachten van de productiemachines die het bewaakt om die gegevens te verkrijgen.

Het moet vertrouwen op patroonherkenning en gevolgtrekking om het vermogen van het algoritme te ontwikkelen om beslissingen en voorspellingen te doen zonder code te hoeven schrijven die expliciet is geprogrammeerd om die taak uit te voeren. De trainingsgegevens worden verzameld, verwerkt en geëvalueerd in een gestructureerde volgorde van stappen om de gegevens voor te bereiden voor gebruik in het machine learning-algoritme.

Deze gestructureerde opeenvolging van stappen is een proces, en het creëren van dat proces introduceert nieuwe technologieën in de vorm van apparaten om de gegevens te creëren, netwerken om de gegevens op te slaan en te verwerken, en computers om de gegevens te verwerken en op te schonen voor nauwkeurigheid en relevantie.

Dat is een systeem weergegeven door de afbeelding hierboven. Wat nog belangrijker is, dat diagram is een systeem van systemen (SoSe) vanwege de toenemende complexiteit van de werking ervan. We zullen binnenkort zien wat die technologie betekent voor machine learning.

Industriële toepassingen en transformaties toegeschreven aan machine learning

De lijst met nieuwe technologieën die aan machine learning kunnen worden toegeschreven, is uitputtend en kan in dit artikel niet in zijn geheel worden behandeld. Daarom zal ik de problemen op een hoger niveau bespreken die gemakkelijker te identificeren zijn.

Voorspellend onderhoud

De mogelijkheid om verstoringen van een productielijn van tevoren te voorspellen, kan van onschatbare waarde zijn voor fabrikanten. Het stelt de manager in staat om downtime op het meest voordelige moment te plannen en ongeplande downtime te elimineren. Ongeplande downtime raakt de winstmarge hard en kan leiden tot verlies van uw klantenbestand. Het verstoort ook de toeleveringsketen, waardoor overtollige voorraden worden aangevoerd.

De noodzaak om extra mankracht aan te trekken kan ook veel geld kosten. Een recente studie voorspelde dat de acceptatie van machine learning om voorspellend onderhoud mogelijk te maken onder fabrikanten naar verwachting met 38 procent zal toenemen vanwege het vermogen om de winstmarge te verbeteren door ongeplande werkonderbrekingen te elimineren.

IT/OT-convergentie en netwerkbeveiliging

De ontwikkeling van machine learning zal ook leiden tot veel aanpassingen van het bedrijfsmodel in de standaardprocedures van een fabrikant. Dit geldt met name in de organisatorische samenstelling van een bedrijf. Het computernetwerk, het heilige terrein van de afdeling informatietechnologie (IT), moet samen met de operationele sensoren op productiemachines worden geplaatst, zodat gegevens kunnen worden verzameld en naar het datawarehouse kunnen worden verzonden als trainingsgegevens voor machine learning-doeleinden.

Het zal waarschijnlijk nodig zijn om de muur van stilte af te breken die de twee groepen intern scheidt om samenwerking en samenwerking mogelijk te maken. De vloeroperators en technici zullen immers aanzienlijk worden getroffen als het netwerk niet betrouwbaar is of wordt gehackt, waardoor de productie kan worden stopgezet. De operationele technologie (OT) sensoren en apparaten zullen net zo veel worden beïnvloed als het IT-netwerk en computers.

Digital Twin-ontwikkeling

Het uiteindelijke doel van kunstmatige intelligentie en machine learning is om de ontwikkeling van een digitale tweeling van de productievloer mogelijk te maken. De creatie van een digitale tweeling moet plaatsvinden onder een modelgebaseerd systeemontwerpproces met behulp van machine learning-algoritmen en opgedane kennis als basis.

De digitale tweeling kan dienen als een platform voor het uitvoeren van wat-als-scenario's om te leren wat we vandaag niet weten. Het kan ook worden gebruikt als een model voor het ontwerpen van onderdelen met een hogere betrouwbaarheid en het aanpassen van de interacties tussen productielijnmachines om de prestaties te verbeteren. De mogelijkheden zijn eindeloos.

Over de auteur

Joseph Zulick is schrijver en manager bij MRO Electric and Supply .