Roadmapy AI prichádzajú skôr, než existuje súbor dát podľa miesta a času
Mnohé roadmapy AI pre inteligentnú továreň financujú modely skôr, než má závod označený, kontextový súbor dát podľa miesta a času, ktorému tieto modely môžu veriť. Identita, synchronizované hodiny, štítky výsledkov a priestorový kontext sú práca na pripravenosti, ktorú roadmapa často vynechá.
Čo znamená pripravenosť dát AI priamo v hale
AI a strojové učenie vo výrobe nezlyhávajú najprv na voľbe algoritmu. Uviaznu, keď závod nedokáže spojiť procesné signály, stav práce a výsledky na jednom spoločnom modeli objektu, výrobku, miesta a času. Príručky pripravenosti výrobných dát sa stále vracajú k tej istej medzere: historiany a výpisy tagov pôsobia ako veľký objem dát, no kryptické názvy, chýbajúce jednotky, nesynchronizované hodiny a neoznačené udalosti nezanechajú súbor dát na učenie s učiteľom.
Na tomto spojení stoja štyri piliere pripravenosti. Spoločná identita znamená, že ten istý stroj, materiálová šarža alebo pracovný príkaz nesie jedno uznané ID naprieč MES, SCADA, systémami kvality, údržby a energie, aj vtedy, keď musia rovnaké ID ostať konzistentné naprieč lokalitami. Synchronizované hodiny znamenajú, že kód defektu, uzavretie poruchy, zmena režimu a špička senzora sa dajú zarovnať bez tipovania, ktorá časová pečiatka systému bola „dosť blízko“. Označené výsledky znamenajú, že defekty, poruchy, prevádzkové režimy a nápravné zásahy sú zaznamenané ako overená skutočnosť, nie len ako voľný text po zmene. Priestorový kontext znamená, že pri každej z týchto udalostí je jasné, kde na hale stála, nielen že sa niekde v závode stala.
Prečo roadmapy aj tak prichádzajú skoro
Modely vyspelosti a pripravenosti Priemyslu 4.0 často prideľujú vysoké body technologickým a IT rozmerom. Závody môžu vyzerať pokročilo na konektivite, príprave v cloude a počte dashboardov, kým vlastníctvo procesu, skutočný stav v hale a označovanie výsledkov ostanú chudobné. Takto dokáže prezentácia programu inteligentnej výroby financovať piloty modelov skôr, než závod dokáže odpovedať, ktorý objekt, ktoré hodiny, ktorý štítok a ktoré miesto opisujú riadky, na ktorých sa model učí.
Usporiadané toky nie sú to isté ako dôveryhodný tréningový súbor. Mnohé lokality už ťahajú históriu MES, SCADA, ERP a senzorov do dátového jazera alebo digitálnej nite. Bez spoločnej identity a miesta sa výsledok kvality stále nedá postaviť vedľa procesných podmienok, ktoré ho spôsobili. Bez štítkov nemá učenie s učiteľom cieľ. Systémy, ktoré už vo väčšine hál bežia, pokrýva článok Systémy, ktoré už bežia vo väčšine hál. Čiastočné digitálne dvojča bez hustého prevádzkového záznamu pokrýva článok Väčšina závodov už má nejakú podobu digitálneho dvojčaťa.
Identita a hodiny skôr než príznaky pre model
Identita objektu a výrobku je práca na kmeňových dátach, nie detail modelovania. Ak sa tagy PLC, genealógia MES, stromy zariadení v CMMS a meracie body nezhodnú na tom, čo je „Linka 3 Pec A“, každé neskôr spojené tréningové pole túto rozpoltenosť zdedí. Závody často zistia rozpoltenosť až vtedy, keď sa pilot pokúsi spojiť vibráciu s pracovným príkazom alebo zmetok so zmenou receptúry a identifikátory sa nezhodnú.
Disciplína hodín je druhá brána. PLC, SCADA, MES, CMMS a energetické systémy často pečiatkujú udalosti z rôznych zdrojov s rôznym driftom. Normalizácia času je samostatná práca: dohodnúť spoločnú časovú základňu, uchovať čas zdroja aj čas načítania, keď to pomáha, a prestať brať každú časovú pečiatku za rovnocennú. Prediktívne spojenie kvality, ktoré sa mýli o minúty, môže trénovať na zlom cykle. Uzavretie údržby pečiatkované hodiny po zastavení môže model naučiť zlý predchádzajúci priebeh. Kvalita dát a riadenie dát tieto pravidlá majú na starosti. Nie sú voliteľným upratovaním po prvom demo modelu.
Označené výsledky naprieč rovnocennými oblasťami
Modely potrebujú označené výsledky. Kvalita potrebuje triedy defektov, dôvody zmetkov a výsledky kontroly viazané na cyklus alebo šaržu, ktorá ich spôsobila, zvyčajne cez QMS alebo rovnocenný záznam kvality. Prediktívna údržba potrebuje režimy porúch, plánované aj neplánované zastavenia, zistenia a výsledky po zásahu v CMMS alebo histórii údržby, nie len surové vibrácie. Energetická práca potrebuje prevádzkové režimy a stavy záťaže, aby sa dali oddeliť nečinné alebo špičkové vzory od výrobného dopytu. Logistické párovania potrebujú výsledky jázd a čakaní v tom istom rámci miesta a času ako výrobná udalosť alebo udalosť kvality, ktorú ovplyvňujú.
Tieto štyri oblasti sú rovnocenné. Roadmapa, ktorá financuje len predikciu logistiky alebo len predikciu jedného stroja, aj tak vynechá ten istý vzorec pripravenosti, ak chýbajú identita, hodiny, štítky a miesto. Prediktívna údržba naprieč celou halou stále čaká na široký priestorový záznam, ako v článku Skutočná prediktívna údržba čaká na súbor dát z celej haly. Otázky naprieč oblasťami sa stanú praktickými až vtedy, keď sa tá istá práca na pripravenosti urobí spoločne pre kvalitu, údržbu, energiu a históriu jázd.
Priestorový kontext mení históriu na súbor dát podľa miesta a času
Označený tok tagov bez miesta je pre AI naprieč celou halou stále neúplný. Závodná podoba tohto spojeného záznamu je priestorovo orientovaný súbor dát: udalosti vedené podľa miesta a času pod aktuálnou mapou haly, teda prevádzková podoba priestorovo-časovej histórie. Lokalizácia so strednou presnosťou okolo 1 až 3 m (3 až 10 ft) zvyčajne stačí na priradenie kontextu uličky, buffera, stanovišťa a bunky. Presnosť polohy v hale pod jeden meter (~3 ft) je iný výdavok a na väčšinu otázok pripravenosti naprieč oblasťami nie je potrebná.
Keď je miesto na tom istom zázname ako identita, hodiny a štítky, práca AI s polohou má na čom trénovať. Predikcia aj tak čaká na túto uloženú históriu: prediktívne digitálne dvojča číta hustý prevádzkový záznam. Nevymyslí si ho. Tieto súvisiace rozhodnutia pokrývajú články Prečo dáta s polohou menia rozhovor o AI, Model je užitočný až vtedy, keď existujú priestorové dáta a Prediktívne digitálne dvojčatá závisia od uloženej histórie.
Ako tímy overujú pripravenosť pred financovaním modelov
1. Pomenujte v každej oblasti jednu otázku pre učenie s učiteľom - Kvalita, údržba, energia a logistika každá potrebujú jednu otázku s označeným výsledkom a spoločným ID objektu alebo výrobku. Ak závod nevie pomenovať zdroj štítku, model nemá cieľ.
2. Dokážte jedno spojenie na spoločných hodinách - Vezmite jeden defekt, jednu poruchu, jednu zmenu režimu a jednu jazdu alebo čakanie. Ukážte, že môžu stáť na tej istej časovej základni vedľa procesných signálov, ktoré im predchádzali.
3. K tomu istému spojeniu pripojte miesto - Ak udalosť nemá stanovište, bunku, koridor ani zónu merača, korelácia naprieč celou halou ostáva tipovaním aj vtedy, keď tabuľky vyzerajú kompletné.
4. Aktuálnu prevádzku, súbor dát a analýzu vzorov nechajte na rovnakej úrovni - Program, ktorý financuje len aktuálne hľadanie na prevádzkovom digitálnom dvojčati, nechá uloženú repliku podľa miesta a času a neskoršiu analýzu korelácií a príčin nedokončené. Aktuálne sledovanie výroby, reakcia logistiky, história kvality a údržby a energetický kontext s týmto záznamom pracujú rovnako.
twinzo dodáva prevádzkovú vrstvu, ktorá dokáže načítať polohu a signály zo závodu do jedného pohľadu na halu, kým sa pod ňou hromadí priestorovo orientovaný súbor dát. Táto vrstva dnes podporuje sledovanie výroby a optimalizáciu internej logistiky a je tým istým základom, ktorý neskôr potrebujú prediktívna AI aj AI založená na polohe. Hĺbku schopností nájdete v prehľade funkcií. Súvislú dátovú cestu Priemyslu 4.0 za touto vrstvou pokrýva článok Dátová cesta, ktorá naozaj určuje Priemysel 4.0.
Ozvite sa nám, ak chcete zmapovať, ktoré medzery v identite, hodinách, štítkoch a mieste ešte blokujú vašu roadmapu AI.