Industriële fabricage
Industrieel internet der dingen | Industriële materialen | Onderhoud en reparatie van apparatuur | Industriële programmering |
home  MfgRobots >> Industriële fabricage >  >> Manufacturing Technology >> Industriële technologie

De toeleveringsketen en machine learning

Bij het uitvoeren van de onderdeleninventaris in een MRO-organisatie, is de grootste uitdaging om de juiste reserveonderdelen en materialen in de schappen te houden . Omgekeerd bestaat het risico dat er te veel geld vastzit in langzaam bewegende of niet-bewegende inventaris. Voor dit soort problemen in de supply chain biedt machine learning oplossingen.

Machine learning is een vorm van kunstmatige intelligentie die is gespecialiseerd in het omgaan met grote datasets en het vinden van manieren om complexe problemen op te lossen. In supply chain-toepassingen, zoals het beheren van reserveonderdelen, biedt machine learning een manier om kosten te verlagen en ruimte te besparen, terwijl de beschikbaarheid van onderdelen wordt verbeterd en de gemiddelde reparatietijd wordt verkort.

Basisprincipes van machine learning

Een computer kan gegevens extreem snel verwerken, maar heeft een programma nodig om te vertellen welke bewerkingen moeten worden uitgevoerd. Kunstmatige intelligentie (AI) is een alternatieve benadering van computerprogrammering en vertrouwt meer op patroonherkenning en training. Machine learning is een subset van AI die patronen zoekt in zeer grote datasets.

De meeste machine learning-systemen worden getraind door ze gegevens te geven die al zijn gelabeld. Dit kunnen gegevens zijn over de prestaties van leveranciers of informatie over de levensduur van componenten. Andere soorten systemen worden zonder toezicht gelaten om patronen in grote datasets te vinden. Deze benadering is van minder waarde voor supply chain management.

Een andere manier van trainen is door middel van vallen en opstaan. Dit was effectief om computers te leren hoe ze complexe games zoals Go moeten spelen, maar heeft een beperkte waarde voor het verbeteren van voorraadbeheer, inkoop of logistiek.

Machineleren in de toeleveringsketen

Machine learning in supply chain management hangt sterk samen met het probleem van onvoorspelbare vraag en, in mindere mate, sterk wisselend aanbod of beschikbaarheid. Een van de uitdagingen waarmee MRO-managers worden geconfronteerd, is de mix van veelgebruikte, weinig waardevolle en weinig gebruikte, hoogwaardige items die ze in hun bezit hebben.

Dit kan worden geïllustreerd aan de hand van twee casussen. Bij een typische onderhoudsoperatie is het verbruik van smeermiddelen en filters gedurende een jaar redelijk voorspelbaar en kan dit verband houden met de productievolumes en de productmix. Grote pompen, motoren en tandwielkasten kunnen echter slechts zelden nodig zijn, maar moeten indien nodig onmiddellijk beschikbaar zijn om productieonderbrekingen tot een minimum te beperken.

In beide voorbeelden kan machine learning helpen door patronen te vinden die anders verborgen zouden blijven. In het geval van vraag naar smeermiddelen en filters, is het belangrijk om toekomstige fluctuaties in de planning te begrijpen en erop te anticiperen. Deze kennis kan het voorraadbeleid en de aankoop leiden.

Evenzo kunnen storingen van pompen, motoren of tandwielkasten ook voorspelbaar zijn. Machine learning zou misschien kunnen concluderen dat er een correlatie bestaat tussen uitvalpercentages en een combinatie van productmix, vraag en lokale weersomstandigheden, die de kwaliteit van de elektrische voeding kunnen beïnvloeden.

Wie profiteert van machine learning in supply chain management?

Elke fabrikant met industriële apparatuur en onderhoudsbehoeften die profiteren van voorspellend onderhoud, kan profiteren van machine learning. Deze technologie kan de nauwkeurigheid van voorspellingen exponentieel verbeteren en in de loop van de tijd effectiever worden, wat grote ROI-voordelen oplevert.

Typische industrieën zijn:

  • Lucht- en ruimtevaart
  • Automobiel
  • Bouwproducten
  • Consumentenverpakte goederen
  • Zware apparatuur
  • Papier en pulp
  • Stroomverdeling
  • Band en rubber

Voordelen van de toepassing van machine learning in de toeleveringsketen

Machine learning-toepassingen in de toeleveringsketen zijn onder meer:

  • Voorraadoptimalisatie: Het doel van voorraadoptimalisatie is om het aantal artikelen op voorraad te minimaliseren en tegelijkertijd 100% beschikbaarheid te garanderen wanneer ze nodig zijn. Dit kan ook betrekking hebben op de locatie van de leverancier, het voorraadbeleid en de openingstijden.
    Machine learning draagt ​​hier aan bij door patronen in gebruik en aanbod te vinden. Het kan bijvoorbeeld concluderen dat sommige onderdelen het beste bij de leverancier kunnen blijven, terwijl andere op de locatie moeten worden bewaard. Het kan ook opmerken dat sommige leveranciers betrouwbaarder zijn dan andere en geschikte aanvullingsniveaus en zelfs prijzen voorstellen op basis van analyse van historische gegevens.
  • Inkoopkostenbeheersing: Inkoopkosten omvatten meer dan alleen de prijs die voor een artikel of artikelen is betaald. Machine learning kan helpen bij het identificeren van mogelijkheden om bestellingen te consolideren om kwantumkortingen te verkrijgen. Het kan de voordelen van verschillende betalingsvoorwaarden beoordelen en de vrachtkosten helpen verlagen, bijvoorbeeld door te besparen op prioriteitsverzending.
  • Levensduur van activa: Een veel voorkomend debat onder onderhoudsorganisaties heeft betrekking op de voordelen van duurdere onderdelen die langer meegaan in plaats van goedkopere onderdelen met een korte levensduur. Machine learning kan gegevens uit verschillende bronnen doorzoeken om tot een conclusie te komen en zo de levensduur van waardevolle activa te verlengen.
  • Vervoersbeheer: Machine learning komt ook het transportbeheer ten goede door te helpen bij het identificeren en selecteren van leveranciers en het optimaliseren van leveringsschema's. Hierbij kan zelfs rekening worden gehouden met de leveringslogistiek, waarbij bijvoorbeeld zee- versus luchtvracht wordt vergeleken en de relatieve effecten op beschikbaarheid en kosten.

Klanten helpen de levensduur en prestaties van activa te maximaliseren

Met inzicht in de pijnpunten en voordelen van supply chain management, bent u klaar om de vruchten te plukken van een effectieve strategie. ATS biedt een one-stop-shop voor inkoopondersteuning en andere MRO-activabeheerdiensten. We staan ​​klaar om uw behoeften te begrijpen en een oplossing te bieden. Neem hier contact met ons op voor meer informatie.


Industriële technologie

  1. AI-toepassingen in de wereldwijde toeleveringsketen
  2. 5 drijfveren van de digitale supply chain in de productie
  3. Supply Chain Planning- De handleiding van de fabrikant voor nauwkeurige planning en prognoses
  4. Kunstmatige intelligentie versus machinaal leren versus diep leren | Het verschil
  5. Blockchain en machine learning toepassen op toeleveringsketens voor geneesmiddelen
  6. Digitale transformatie van de supply chain:nu en in de toekomst
  7. Verticale landbouw:een oplossing voor verspilling en inefficiëntie in de voedselvoorzieningsketen?
  8. Inkoop en HR:een cruciaal partnerschap in de toeleveringsketen
  9. Hoe AI verspilling aanpakt in fabrieken en de toeleveringsketen
  10. De sleutels tot supply chain-synergie en wat er in de weg staat
  11. AI gebruiken om wilde dieren en mensenhandel in de toeleveringsketen aan het licht te brengen