人工智能(AI)有利促进制造业优化的5个实例

AI有利促进制造业优化 – 拨开迷雾的5个实例

在会议或是在闲聊时,一些对我们目前在Plataine的工作内容感兴趣的制造业专业人士都会和我交流。毕竟工业物联网(IIoT)不仅仅是一个急速发展的行业,也是一个十分热门的流行语。但当我们讨论到“AI”时,他们的兴趣也变得越来越大。“哦,我们已经在使用AI了,”他们说。

我很愿意讨论AI的使用案例,所以我立即询问他们是否愿意向我详细地介绍一下他们的系统以及这些系统如何使用AI的情况。

随着讨论的深入,他们所说的BI、报告和控制面板,而不是我从深层意义上说的AI。

 

不要混淆采用AI进行的数据分析和采用AI的控制面板:导航软件案例

你之前使用过手机上的WAZE或谷歌地图、GPS导航软件吗?当然,你肯定使用过。 

假设这些软件只能收集、分析数据并创建一个软件主屏上显示数千个警告和标记的适宜控制面板?那么,你将看到一个显示带有汽车、路障、交通拥堵和某种东西小图标的屏幕。

但就是这样一个屏幕。仅此而已: 

上图是一份巴黎地图,现在,如果你需要驾车从埃菲尔铁塔到CDG机场,你能用上图规划出一条最佳路线吗?而且是在你驾车期间?我想你做不到。

这是因为地图上的路线并不完整。 

WAZE和其他软件的价值定位并不以收集道路相关数据为中心(相当于软件的主要使能者)。这些软件主要用于解决问题并为用户提供实时导航。

缺失的内容: 

AI主要用于根据目前和以往数据作出预测并进行即时计算以给出最佳路线。在适宜的报告或控制面板上显示数据并不等于AI。

 

AI连续体

 “AI连续体是智能的,而且确实很智能…”“

换言之,我们所说的AI,它真正的能力不仅仅是显示或智能地组织数据或者是仅仅根据数据提醒用户。 

假设我们将AI看作是构建在基准面顶层的一个连续体。你可以使用AI作出响应(我们将其称之为第1层):例如,在Waze系统知道你正在行驶的路线上有警察巡逻车时,它会立即提醒你。或者你可以使用AI进行智能预测(第5层),以此代替在你能够有所作为之前只能等待,直至发生一些情况。例如,如果该系统知道在你行车期间而且不下雨的时候,这条路上会有警察巡逻车,那么系统会提醒用户这种可能性,不比等到一些客户先在地图上标记,然后做出反应。

我们可以将AI连续体比作一个智力量表,其可以是我们人类从根据数据做出决策阶段转移到优化环境阶段。

 

其关键就是环境。

由于在任何领域中讨论AI时,环境都是一个关键的概念,因此,人们通常会从环境角度分析AI各水平之间的差异。事实上,我们不可能在环境之外讨论智能水平。

甚至,像“我今天应该穿什么?”这种琐碎问题都完全依赖于环境,虽然全球每天有数十亿人都会无意识地回答这些问题,但事实上,回答这些问题时都需要一个结合环境且非常复杂的过程。今天的天气怎么样?我要去哪儿?今天是工作日还是休息日?这里有着装要求吗?我想给别人留下怎样的印象?更重要的是,在这些问题中,需要我优先回答的有哪些? 

纯数据只能让你着眼于当下。在某一时刻,你会需要运用计算能力并增加一系列算法思维,考虑个人的经验(以往数据)和各种参数(环境)。这就是AI。

深入考虑AI时,你会发现,这样一个“简单”问题的答案比我目前列出的所有选项还要多 – 这些选项比控制面板上显示的数据多或少。

在制造业中,我们正在处理的这些问题和决策的性质与我们作为消费者时每天所面对问题和决策的性质明显不同。当然,AI的工作能力仍然通过其在权衡相关环境所有部分时提供优化解决方案的能力来评估。具体地说,就是建造Plataine的IIoT等类似系统所要做的事情。

接下来,我们探究一下五个具体的使用案例。

 

1 – 预测工作指令的延迟

我们假设你有一个必须限期履行的工作指令。你需要系统识别自己是否存在无法按时履行该工作指令的风险。

就AI解决方案的其他众多方面来说,我们通过观察(简单)MES或类似系统能够做什么来设置这一阶段。事实上,这些系统确实拥有评估工作指令延迟的能力,尤其是当环境并不复杂时。而关于多久能够完成一个生产周期的预测基本上只是一个简单的“预测”。在一些非常简单的状况中,你不需要做太多的工作。但问题是,如果这些系统不考虑以往数据等众多重要的信息,那么这些系统的预测精度会非常低或者延迟识别相关风险。

以航空零件制造业为例;在很多制造厂的工作指令中,10%-30%的工作指令都超出了常规时限,各站的瓶颈问题信息、工具的可用性以及材料的保质期都不是计算元素,而且几乎不会确认各站和机器的状况。是的,这一制造环境中存在缺失部分。

在本示例中,如果使用一个常规的MES系统来指示工作指令进程并提醒各项操作是否延迟,那么你会获得及时的预测信息。在使用Plataine系统时,我们了解到,如果我们按计划操作,那么我们将会因为下列问题而遭遇风险: 

1. 参考以往数据,分配给本项目的两个工作站始终会严重延时。

2. 我们需要使用的材料即将过期,事实上,我们首先需要切割这些材料,从而改变工作指令或者我们需要重新生产这一零件。

3. 我们计划采用的工具不能使用或维护。

该系统提醒我们并为我们提供具体的措施以按期执行工作指令。我们需要加强两个工作站并先后切割材料和分配另一适宜的工具(与此同时,最初分配的工具仍在使用中)。 

AI系统能够明显改善工作指令延迟的预测结果并作为一个关键的使能者,使及时交付产品方面达到最佳水平并将不精确预测导致的财务损害降到最低。环境依赖性建议(可执行建议)允许制造商根据精确的预测信息作出最佳的前瞻性决策,在问题出现前做好预防。

 

2 – 零件误放提醒

离散型制造企业(拥有大型生产厂)中最常见的一个问题就是零件和工具误放的问题。

当误放了一个零件或工具时,你可以轻松触发一条旋转反应链,但这一行为会导致延迟损失并且需要返工(你需要重新生产误放零件,当你发现原来的零件之后,时间已经来不及,这时你通常会将这个零件废弃)。而且很多系统都知道如何在需要时跟踪各个零件。你不需要AI…,但你需要AI解决方案,这些解决方案将说明如何识别各个模式才能够识别偏差并在发生误放问题时提醒用户,减少了我们后期查找缺失零件或工具的工作。因此,我应该为系统指导所有零件、部件、工具箱和工具的不同路线吗?当然不需要,对于这一方面,我们有AI,更具体地说,我们有机器学习!利用模式识别和其他算法处理以往数据后,Plataine系统“学习”了每个类型对象的特定路线,每当对象偏离其正常路线时,系统会自动提醒用户。因此,我们再一次强调,环境是关键。活动内容不只是控制面板上显示的数据。它们是一种可以理解、分析、预测和优化的复杂行为语言。

 

3 – 质量决策

你煎了一个鸡蛋。有些时候,平底锅是煎鸡蛋的理想工具。但有时也会毁了一个鸡蛋。不久之后,你会意识到,平底锅是煎鸡蛋的标准工具。你从过去的错误中汲取教训,然后避免使用一些平底锅,防止再次遇到类似的问题。

但制造业中质量问题的根本原因通常很难识别。车间内有很多运行部分,因此,我们无法指示其分离并精确地找到生产更好产品的单一程序、零件或条件。在处理此类复杂问题时,采用AI算法、在生产数据中进行并搜索任何告知模式的密集环境分析方法比任何其他方法都要有效。

从整体角度而言,AI更加擅长发现各种模式之间的差异并且能够对这些模式进行统计学比较。虽然人类一直都在无意识且直观地进行此类测试,但我们始终都有明确的限制。如果数据单位比较多、各个过程均机械化(即与自然环境无关)而且如果决策时间非常少时,那么,人类的知觉将不再有关。

除此之外,我们一般不会谈论解决具体单一问题的一些一次性静态解决方案。我们正在处理一个以多个以往数据为基础的持续质量优化过程。能够在动态条件下实时监测质量决策是工业AI系统的一个很有用的使用案例。

 

4 – 识别、预测并预防未来瓶颈问题

瓶颈问题就像天气一样,马克吐温曾经说过:所有人都在说,但却没有人为此采取行动。

是的,瓶颈问题似乎是一些复杂物理定律(可能还涉及一些量子力学)的最终结果。而且这些都很难预测,时至今日,在某些地方的工作和生活中都有存在。

但在经过以往生产数据的训练后,基于AI的系统可以识别这些瓶颈问题的模式。然后在识别到与瓶颈问题相关的某一模式时,系统可以及时发送一个预计延迟的提醒,方便相关人员采取相应措施,以防发生瓶颈问题或为此做好准备。

在此我们再一次强调,环境是关键:瓶颈问题是整个图片中的一个基础部分。例如,通常的趋势是怎样的?这些工作站是否能够在压力下正常运行?这些工作站有什么能力限制?一般情况下,我们可以切割多少个原材料单元?在有需求时,一年中的这个时段一般会发生什么?在什么条件下工具维护会导致一个瓶颈问题?什么时候能够顺利进行工具维护? 

 

5 – 优化切割计划

最后一个示例涉及切割计划,这可能是一个简单的过程:你选中一块原材料(假设是价格比较高的碳素纤维),然后从其上切割一部分。你需要在生产中使用切割的部分。起初,这似乎是一个简单的几何问题。但在进行优化处理时,这个问题却是最受关注的一个思考问题。

首先,如上所述,我们需要优化各部分的切割方式,最大程度减少材料的损失。但我们必须考虑相关工作指令 – 各部分的需求可能最为迫切而且所有这些部分可能都需要同一片可用的材料。

下列示例显示了将一片特殊材料分割成不同部分的传统方式。每种类型都是单独切割的。

根据上述数据,相同的切割操作都是根据智能计算结果进行的。在同一薄板上混合切割所有部分,最终大约节约20%的材料。 

别急,还有更多!
在这一情况下,环境仍然相关。如果我们只考虑问题的几何方面,那么这个问题就显得十分简单。

 

但车间的各个过程都必须是“完全精准”的。

因此,还需要考虑其他各个参数:材料何时到期(我们应该在Y之前切割X材料)、切割各个部分的最快方式是什么、如何避免冗余机器设置、首先从B组切割各个部分以及指从A组切割各个部分是否是更加有效的切割方式(即使从几何学上而言,从A组开始切割更有效)、只是因为我们有一个可随时生产这些切割部分的工作站?需要优先切割的部分是哪个…我们必须在关联之前切割过多的部分。

诸如此类。虽然环境参数有很多,但公开优化问题也同样有很多,所有这些参数和问题都与看似相对简单的过程有关。

总结

我希望你能够看到有一个包括精致报告和控制面板的数据系统和有一个基于AI的系统之间的差别。在允许实时帮助你导航通过多个复杂工厂车间工程、优化决策、提供建议和可执行建议方面,AI系统应比你更加智慧。

About Plataine

This content is brought to you by Plataine, the leading provider of Industrial IoT and AI-based manufacturing optimization software. Learn more about how Plataine is transforming discrete manufacturing and boosting productivity in factories like yours.

Related Posts