Pohľad za dnešný stav v hale
Prevádzkové digitálne dvojčatá v reálnom čase už manažérom závodu ukazujú, čo sa práve deje s vysokozdvižnými vozíkmi, materiálom, ľuďmi a výrobnými udalosťami. Ďalšou vrstvou, ku ktorej sa odvetvie uberá, sú prediktívne digitálne dvojčatá. Pracujú s priestorovo orientovanými súbormi dát z polôh v reálnom čase, výrobných údajov, hodnôt z IoT a systémových KPI a nad nimi spúšťajú pokročilé modely AI a strojového učenia. Cieľom je odhadnúť, čo sa môže stať ďalej, automaticky nájsť súvislosti a pomôcť zastaviť problémy skôr, než znížia výkon.
Podľa prezentácie týmto smerom krok za krokom ide celý trh aj vývoj AI v samotnom twinzu. Úplné prediktívne riešenie na trhu zatiaľ neexistuje, ale cesta k nemu je jasná.
Automatické zisťovanie korelácií a príčin
Jednou z budúcich schopností bude automatické zisťovanie korelácií a príčinných vzťahov medzi systémami, ktoré dnes pôsobia ako oddelené. Prezentácia dáva praktický príklad: logistika otvára a zatvára brány, tým sa mení teplota a spotreba energie a tieto zmeny môžu ovplyvniť kvalitu alebo objem výroby. Tímy také súvislosti dnes hľadajú ručne. Plán rozvoja počíta s modelmi AI, ktoré prehľadajú priestorovo orientovaný súbor dát a upozornia na významné vzťahy, aj keď nikto nepoložil správnu otázku.
Vďaka automatickému zisťovaniu korelácií a príčin by sa dal závod optimalizovať ako celok, a nie iba po jednotlivých KPI, ktoré sa navzájom brzdia. Rovnaké modely pomôžu aj rýchlejšie nájsť príčinu, keď sa niečo začne vymykať.
Twinzo Mind a denný report zmeny
Prezentácia popisuje aj Twinzo Mind ako najnovší prírastok zameraný na túto prediktívnu vrstvu. Prejde zozbierané prevádzkové dáta a každý deň vypracuje stručný report o tom, ako zmena skutočne prebehla. Inžinieri dostanú tento súhrn, aby mohli výrobu upravovať denne a nemuseli čakať na týždenné vyhodnotenia či čísla na konci mesiaca.
Report bude čerpať z rovnakého priestorovo orientovaného súboru dát, teda z trás vozíkov, pohybov materiálu, časov zotrvania a výrobných udalostí, takže zistenia zostanú naviazané na to, kde a kedy sa čo stalo. Inžinieri tak nebudú hodiny skladať reporty z oddelených systémov, pretože denný súhrn rovno ukáže vzorce, na ktorých záleží pri nasledujúcej zmene.
Príprava prevádzkového základu
Bez solídneho prevádzkového základu nemá zmysel žiadna prediktívna práca. Dvojča v reálnom čase už dnes preberá polohy z RTLS a dáta z MES, ERP, WMS a senzorov a všetko zasadzuje do 3D priestorového kontextu. Tak vzniká súbor dát, ktorý budú budúce modely AI potrebovať. Závody, ktoré prevádzkové dvojča rozbehnú s čistými dátami, budú pripravené, keď prídu nástroje na automatické hľadanie korelácií a denné reporty z AI.
Prakticky treba čisté polohové dáta každých pár sekúnd, jednotné časové značky vo všetkých systémoch a použiteľný 3D model. Bez nich nebude mať prediktívna vrstva s čím spoľahlivo pracovať.
Čo zostáva v pláne rozvoja
Tieto schopnosti sú zatiaľ vecou budúcnosti. Analýza korelácií a príčin, určovanie príčin problémov pomocou AI a denný report zmeny Twinzo Mind patria do plánu rozvoja digitálneho dvojčaťa s uzavretou slučkou a dnes sa ešte nedodávajú. Prezentácia je v tom jasná: žiadne riešenie na trhu zatiaľ neponúka úplný prediktívny obraz, ale práve k nemu sa technológia posúva.
Tímy v závode môžu začať tým, že sa postarajú, aby ich súčasné prevádzkové dvojča zbieralo čisté, správne načasované a priestorovo presné dáta. Takto sa prakticky pripraví pôda pre prediktívnu vrstvu, ktorá ešte len príde. Najlepšie na tom budú závody, ktoré prevádzkové dvojča berú ako dátový základ, keď sa automatické zisťovanie súvislostí a denné reporty stanú dostupnými.