Postępy technologiczne, takie jak kompleksowe systemy robotyczne oraz sztuczna inteligencja (AI), dokonały transformacji przemysłu produkcyjnego w ciągu ostatniego dziesięciolecia i były czynnikiem napędowym tego, co powszechnie nazywamy czwartą rewolucją przemysłową (Przemysł 4.0). Pandemia COVID-19 jeszcze bardziej przyśpieszyła tę transformację w wielu firmach produkcyjnych, ponieważ coraz więcej operacji w fabrykach musi być realizowanych efektywnie i w wielu przypadkach zdalnie monitorowanych oraz zarządzanych. Technologia uczenia maszynowego (machine learning – ML), dziedzina sztucznej inteligencji (artificial intelligence – AI), została skoncentrowana na tworzeniu programów komputerowych, które uczą się na odstawie swoich doświadczeń i w miarę upływu czasu ulepszają swoją zdolność do podejmowania decyzji. Jest to coraz ważniejsze w wielu gałęziach przemysłu i przemysł produkcyjny nie jest tu żadnym wyjątkiem.
Zarówno niższe ceny czujników oraz nośników danych, jak i dojrzałość technologii analizowania wielkich ilości różnorodnych, zmiennych w czasie danych (Big Data) umożliwiły producentom przechwytywanie wielkich ilości danych. Technologia ML pozwala przedsiębiorstwom przemysłowym na uzyskiwanie dających się wykorzystać w praktyce informacji z tych danych, co umożliwia posiadanie bardziej inteligentnego sprzętu w fabrykach oraz uzyskanie lepszej jakości wyrobów i większej wydajności produkcji. Ponieważ przedsiębiorstwa kontynuują wykorzystywanie uczenia maszynowego (ML) jako części swoich wykonywanych codziennie operacji, przedstawiamy poniżej pięć sposobów rozwoju przemysłu produkcyjnego w nadchodzącym roku.
1. Szerokie stosowanie konserwacji prognozowanej w utrzymaniu ruchu
Zwykle do tej pory w fabrykach wykonywano prace konserwacyjne na podstawie harmonogramów ustalanych w oparciu o zużycie sprzętu lub określanie, kiedy dana maszyna będzie wymagała serwisowania. W niektórych zakładach nawet zwlekano tak długo, dopóki sprzęt nie uległ awarii i dopiero wtedy wykonywano jego naprawę. Wdrażając technologię AI, producenci opracowują modele konserwacji prognozowanej, wytrenowane na podstawie danych historycznych dotyczących przyczyn występowania problemów ze sprzętem w przeszłości i potrafiące w oparciu o tę wiedzę przewidywać, kiedy maszyny będą wymagały konserwacji w przyszłości. Modele te mogą w takich sytuacjach generować alarmy dla pracowników serwisu, którzy wtedy dokonają naprawy.
Ponieważ sprzęt jest wyłączany z ruchu tylko na czas rzeczywiście wymaganej naprawy, a nie na podstawie harmonogramu prac serwisowych, wspomniane modele mogą spowodować, że zakład zaoszczędzi czas i pieniądze. Idąc dalej, ponieważ szybkie cykle wprowadzania innowacji skracają cykle życia produktów należących do większości kategorii, zaś drastyczne zmiany oczekiwań klientów skracają czasy realizacji zamówień, producenci muszą działać szybciej i być bardziej elastyczni, jeśli chodzi o naprawy i przezbrajanie maszyn.
Co prawda konserwacja prognozowana nie była niczym nowym tuż przed 2021 r., jednak w tym roku należy oczekiwać drastycznego wzrostu jej szerokiej adaptacji. Przedsiębiorstwa będą wykorzystywać dane z urządzeń podłączonych do sieci, generowane przez czujniki zamontowane na sprzęcie, do eliminacji zgadywania przy podejmowaniu decyzji dotyczących prac konserwacyjnych.
2. Zwiększenie efektywności energetycznej
Dziś większość fabryk pracuje przez 24 godziny na dobę i 7 dni w tygodniu, wymagając wielkich ilości energii do utrzymania w ruchu swoich maszyn i urządzeń. Biorąc pod uwagę ceny energii, konserwacje sprzętu, koszty pracy oraz magazynowania, algorytmy ML mogą wyznaczyć perfekcyjnie termin wykonania działań, które wymagają zużycia dużych ilości energii. W wyniku tego przedsiębiorstwa mogą zmaksymalizować oszczędności kosztów poprzez realizowanie właściwych procesów we właściwym czasie.
Niektóre firmy produkcyjne przekonały się już o tym w praktyce, w tym pewien główny światowy producent z branży petrochemicznej, który poszukując możliwości zmniejszenia swojego zużycia energii, zainstalował platformę oprogramowania RapidMiner. Firma ta płaciła za zużytą energię 20 mln USD rocznie, jednak kierownictwo pragnęło zmniejszyć te koszty i aby firma była bardziej przyjazna dla środowiska naturalnego. Wdrażając modele AI, które były łatwe w dostosowaniu w czasie rzeczywistym oraz wykorzystywały dane z czujników, oprogramowanie RapidMiner potrafiło zmniejszyć zużycie energii przez omawianą firmę petrochemiczną o 5%.
3. Zagwarantowanie jakości produktu
Niezależnie od tego, jak jest zoptymalizowany proces produkcyjny, każda fabryka doświadcza wad swoich produktów. Chociaż istnieją różne opcje korygowania tej sytuacji, braki są nadal powszechne i wliczane do kosztów prowadzenia firm. Dzięki technologii ML producenci mogą znacznie zmniejszyć możliwość wystąpienia błędów, jednocześnie optymalizując działania związane z kontrolą jakości.
Zamiast zatrudniać ludzi do wizualnej kontroli każdego produktu schodzącego z linii montażowej, wykorzystuje się technologie rozpoznawania i analizowania obrazu, które pozwalają na wykrycie anomalii na wczesnym etapie wytwarzania produktu. W wyniku tego fabryki mogą zapewnić, że wytwarzają produkty wysokiej jakości i zmniejszają ilość odpadów.
4. Stworzenie bezpieczniejszych miejsc pracy
Każdy, kto pracował w fabryce, przechodził co roku dokładne szkolenia BHP, tak więc wie, jakie znaczenie jest przywiązywane do prawidłowego użycia urządzeń bezpieczeństwa. Co prawda te narzędzia są kluczowe dla bezpiecznego miejsca pracy, jednak nowe technologie, takie jak AI, mogą jeszcze bardziej ograniczyć ryzyko, ponieważ wypadki przy pracy zdarzają się nawet wtedy, gdy przestrzegane są odpowiednie protokoły bezpieczeństwa.
Analiza danych z ML może rozszerzyć możliwości systemów nadzoru wideo na rozpoznawanie potencjalnie niebezpiecznych praktyk, w tym wykorzystywanie ich do identyfikacji przepracowanych lub zmęczonych pracowników, zanim zaczną oni obsługiwać ciężkie maszyny. Technologia ML może być też wykorzystana wraz z danymi z czujników do odkrywania ważnych informacji praktycznych na temat działania systemu bezpieczeństwa. Wykorzystując technologię AI do filtrowania tysięcy punktów danych generowanych co sekundę, pracownicy mogą otrzymywać automatycznie alarmy dotyczące potencjalnych niebezpieczeństw i w ten sposób tworzy się bezpieczne miejsca pracy.
Jedna z amerykańskich firm z branży górnictwa i chemicznej, notowana w rankingu Fortune 500, potrafiła wykorzystać technologię uczenia maszynowego do identyfikacji nieprzewidzianej zmiennej w swoim procesie produkcyjnym, która zwykle prowadziła do czynników ryzyka EHS (Environmental and Health Safety; działania z zakresu ochrony środowiska naturalnego oraz bezpieczeństwa i higieny pracy, BHP). Wykorzystując model ML, zbudowany przez inżynierów procesu, operatorzy byli w stanie utrzymać ruch w fabryce, unikając tworzenia ton papierowych dokumentów administracyjnych oraz zmniejszyć ogólne ryzyko EHS o około 90%. Firma ta szacuje, że uniknęła ponad sześciu wypadków rocznie dzięki wykorzystaniu ML.
5. Przewidywanie potrzeb klientów i reagowanie na nie w czasie rzeczywistym
Przewidywanie oczekiwań klientów może być zniechęcającym zadaniem, tak więc wykonywanie tego perfekcyjnie jest wyzwaniem. Na szczęście do prognozowania popytu na rynku można wykorzystać programy AI, które zapewniają bezkonkurencyjny poziom zaawansowania i dokładności. Wykorzystując dane nowe oraz historyczne, modele ML mogą też pomóc firmom zrozumieć, które czynniki napędzają popyt oraz jak przedsiębiorstwa mogą bardzo szybko zaadaptować się do zmiennej sytuacji na rynku.
Z drugiej strony wykrywanie popytu (ang. demand sensing; metoda prognozowania popytu za pomocą nowych modeli matematycznych oraz informacji uzyskiwanych w czasie niemal rzeczywistym) pozwala firmom zarówno śledzić wahania popytu, jak i zachowania klientów w czasie rzeczywistym. Poprzez analizowanie danych z magazynów i systemów punktów sprzedaży, technologia ML potrafi identyfikować znaczne zmiany w sprzedaży, aby zapewnić, że popyt nie przewyższa podaży.
Zalety wykorzystywania systemów ML dla tych procesów, zamiast opierać się na ścisłych regułach, zostały bardzo podkreślone przez pandemię COVID-19. Od samego początku tej epidemii, gdy rozpoczął się lockdown w wielu państwach, konsumpcja, a w związku z tym i popyt na różne produkty, zmieniły się radykalnie, prowadząc do takich zjawisk, jak braki w sklepach artykułów spożywczych czy papieru toaletowego. Regularnie planowane dostawy towarów oparte na typowym zapotrzebowaniu nie były w stanie dotrzymać kroku zmieniającym się zachowaniom klientów.
Podsumowanie
Chociaż jesteśmy w środku czwartej rewolucji przemysłowej, sfera produkcyjna dopiero zaczyna w pełni ogarniać transformację cyfrową. Przed rokiem 2020 jakość, optymalizacja procesów oraz redukcja wydatków operacyjnych były kluczowymi biznesowymi czynnikami napędowymi tej transformacji. Ale teraz, podczas światowej pandemii, do tej listy dochodzą: bezpieczeństwo, możliwość pracy zdalnej oraz transparentność informacji. Zaawansowane technologie oparte na AI i ML będą kontynuowały napędzanie innowacji oraz zmieniały sposoby myślenia producentów o problemach i sposobach ich rozwiązywania, torując drogę do bezpieczniejszej, wydajniejszej i bardziej zyskownej przyszłości.
Dr Ingo Mierswa jest założycielem i dyrektorem ds. technicznych w firmie RapidMiner. Jest informatykiem i weteranem przemysłowym od czasu, gdy zaczął tworzyć RapidMiner na Wydziale Sztucznej Inteligencji Uniwersytetu w Dortmundzie (Niemcy). Jest autorem wielu publikacji na temat analizy predykcyjnej oraz Big Data. Jako założyciel i dyrektor RapidMiner jest on odpowiedzialny za strategiczne innowacje oraz technologie. W ciągu ostatnich siedmiu lat firma RapidMiner rozrastała się w tempie około 300% na rok.
