TIBCO's directeur digitaliseringsstrategie, Alessandro Chimera, bespreekt de manier waarop fabrikanten data, AI en automatisering gebruiken om systemen te monitoren

De manier waarop we gegevens gebruiken om productiesystemen te bewaken en te controleren, is veranderd. TIBCO ’s directeur digitaliseringsstrategie Alessandro Chimera trekt zijn elektronische overall aan en laadt zijn digitale smeerpistool op om de vorm van de anomalie-economie uit te leggen die het operationele prestatiebeheer stuurt en bespreekt alles, van digitale tweelingen tot AI, automatisering tot menselijk toezicht.

Sommige delen van de maakindustrie bestaan ​​nog steeds zoals aan het begin van de 20e eeuw. We hebben nog steeds het vet, de tandwielen en de slijpmachines nodig naast de overalls en theepauzes. Die fundamenten zullen waarschijnlijk tot ver in de geautomatiseerde autonome toekomst doordringen, omdat mensen altijd een rol zullen spelen in het bredere fundamentele verhaal dat elke productiefaciliteit exploiteert.

Maar we weten natuurlijk wel dat de productie is veranderd. Tijdens de eerste, tweede en nu derde industriële revolutie hebben we stoomaangedreven versnelling, mechanisatie en nu IT-gestuurde automatisering toegepast op productieprocessen op manieren die onze voorgangers nooit voor mogelijk hadden gehouden.

Nu we de hypergecontroleerde productiefaciliteit van morgen betreden met digitale tweelingen en gegevens die nu onze fysieke machines en menselijke werknemers vervoegen, moeten we ons afvragen hoe we anomaliedetectie moeten aanpakken. Het is vrij eenvoudig om een ​​dip of piek te zien in een grafiek die een significante meting rapporteert, maar wat doen we als de kwaliteit of prestaties langzaam achteruit gaan gedurende een maand, of misschien langer?

Blind menselijk toezicht

Moderne productiefaciliteiten werken nu op een massaproductieschaal die het vermogen van een enkele persoon (of zelfs een groep) om op elk punt op de fabrieksvloer tegelijk te zijn, overtreft. In deze omgevingen kunnen we niet vertrouwen op menselijke observatie om ons het volledige beeld te geven dat we nodig hebben. In de moderne faciliteiten van vandaag is er zelden slechts één variabele om bij te houden, het is waarschijnlijker dat het honderden of duizenden variabelen zijn.

Als een productieafwijking langzaam in onze operaties 'kruipt', kan het onopgemerkt blijven totdat het te laat is en we er niets aan kunnen doen. We moeten praten over nieuwe manieren van werken.

Een speld in een hooiberg met productiegegevens

We weten dat industriële datasets erg groot en extreem complex zijn. Het detecteren en voorspellen van afwijkingen is daarom moeilijker dan zoeken naar een speld in een hooiberg, omdat we vaak niet weten waar we naar zoeken. Maar het detecteren van een anomalie betekent besparingen, wat zich op zijn beurt vertaalt in hogere productieopbrengsten, zowel direct als later.

Veel fabrikanten weten dat ze enorme datasets hebben, maar maar al te vaak zijn die datastores geïsoleerd en verspreid over meerdere systemen. Deze spreiding en divergentie van gegevens maakt het moeilijk te begrijpen wanneer een anomalie verband houdt met meerdere gegevenssystemen of met verschillende fysieke productiefasen. Soms is het inderdaad nodig om gegevens op te halen van producten die al op de markt zijn en die operationele of functionele problemen hebben vertoond. Hoe dan ook, de eerste stap is om al uw gegevensbronnen te verenigen.

Tegenwoordig werken we in een wereld waar analyse een fundamenteel onderdeel wordt van moderne fabrieken; een trend die wordt onderstreept door de ontwikkeling van digitale tweelingen, waarbij we nauwkeurige, snelle en intelligente analyses moeten toepassen om het voorspellende inzicht te krijgen dat deze virtuele machines kunnen bieden.

Zodra gegevens beschikbaar zijn en toegankelijk zijn, is geavanceerde analyse er om te beginnen met analyseren waarnaar moet worden gezocht. Moderne datawetenschapstechnieken helpen ons verborgen anomalieën te ontdekken die niet onmiddellijk worden begrepen vanwege het enorme aantal parameters dat de productkwaliteit kan beïnvloeden.

Machine learning en AI-verkenningsafwijkingen

Dit brengt ons bij vandaag. We bevinden ons nu op een punt waar machine learning (ML) en kunstmatige intelligentie (AI) ook hun weg vinden naar het productieproces.

Sommige fabrikanten hebben ML in eerste instantie gebruikt om inzicht te krijgen in hun marketinginitiatieven, klanten te segmenteren en specifieke acties te starten. Maar de laatste jaren zijn de meer vooruitstrevende en geavanceerde fabrikanten het voordeel gaan inzien van het gebruik van ML- en AI-technieken om afwijkingen te detecteren.

Een voorbeeld is het gebruik van autoencoders om van gegevens te leren. Een autoencoder is een kunstmatige neurale netwerkintelligentietechniek die wordt gebruikt in ML. Het wordt gebruikt om te coderen en te leren van niet-gelabelde datasets in wat we gewoonlijk niet-gesuperviseerd leren noemen.

Onze toekomst voor efficiënte productie in realtime

Door getrainde statistische modellen toe te passen op realtime gegevens, is het mogelijk te voorspellen wanneer een anomalie zal optreden. Dit drijft ons naar een nieuw punt van efficiënte bedrijfsvoering. Dit alles leidt ons tot het punt waarop we nu kunnen overschakelen van reageren op een anomalie naar het voorspellen van de anomalie met als voordeel dat we substantiële operationele kostenreducties bereiken. We verlagen de kosten als direct gevolg van lagere defecten en uitvalpercentages en het voorkomen van ongeplande uitvaltijd van apparatuur.

Hemlock Semiconductor (HSC) is een toonaangevende fabrikant die oplossingen voor procescontrole, voorspellend onderhoud en anomaliedetectie gebruikt om de productie van halfgeleiders te stroomlijnen en te controleren.

Door de introductie van bijna realtime waarschuwingen voor individuele productieprocessen, kunnen werknemers nu automatisch belangrijke parameters vergelijken met vooraf gedefinieerde drempels, statistische regels en optimale patronen die worden ontdekt door middel van machine learning en AI-methoden. HSC ontvangt automatisch gegenereerde waarschuwingen zodra een proces buiten aanvaardbare parameterbereiken valt, waardoor het productiepersoneel wordt gewaarschuwd dat iets hun aandacht vereist. Personeel kan dan gemakkelijk toegang krijgen tot gegevens om precies te zien welke variabele het probleem mogelijk heeft veroorzaakt. Zodra deze oorzaak-en-gevolgrelaties zijn geïdentificeerd, ondernemen teams actie om te voorkomen dat procesfouten zich opnieuw voordoen.

Al deze vooruitgang leidt ons uiteindelijk naar onze toekomst en de toekomst van onze planeet. Naarmate het gebruik van digitale tweelingen zich uitbreidt in lijn met de toepassing van data-analyse en ML, wordt elke fabrikant een datagestuurde fabriek, gericht op steeds nauwkeurigere anomaliedetectie. Op dit punt kunnen fabrikanten scherper werken met een geoptimaliseerd energieverbruik in het belang van ons allemaal.

Plantproductiviteit zal altijd voorop staan ​​en aangezien de toekomst onmiskenbaar datagedreven is, is dit een pad dat we logisch moeten inslaan. Hierdoor kunnen we producten op de markt brengen die niet alleen betere prestaties leveren, maar ook beter werken en langer meegaan. Welke impact dat heeft op de markt voor goedkope wegwerpartikelen - waar kwaliteit is afgestemd om na een bepaalde periode te 'verouderen' - is een andere vraag voor een andere dag.

De manier waarop we goederen en gerelateerde diensten produceren, kan nu worden verbeterd door middel van anomaliedetectie en het bijbehorende motorvermogen dat het haalt uit data-analyse en intelligentie. Als dat geen excuus is om onze overall uit te trekken en te gaan zitten voor een theepauze, dan is niets dat wel.