Zastosowanie sztucznej inteligencji w produkcji

Kilka lat temu gdy zapytalibyśmy ludzi o sztuczną inteligencję, tylko jakiś mały procent odpowiedziałoby, że temat kojarzy i zna. Wiele z tych osób za pewne nie było świadom takich rzeczy jak, co to dokładnie jest ani jak wpłynie na ich firmy w przyszłości. Mogli rozumieć tylko, że istnieje ogromny potencjał zmiany procesów biznesowych, natomiast z pewnością nie byli świadomi tego, w jaki sposób sztuczna inteligencja mogłaby zostać wdrożona w ich przedsiębiorstwach.

Obecnie jest to „buzzword” teraźniejszych czasów i narzędzie które wkracza w nasz świat i zmienia praktycznie każdą dziedzinę życia. Na razie bez żadnych regulacji i odpowiedzialności prawnej za decyzje. A co z etyką – ochroną ważnych wartości ludzkich i stronniczością algorytmiczną? Mamy rozwiązanie nieuregulowane prawnie, które działa na wielu płaszczyznach. Czy powinniśmy się już bać przyszłości? Sztuczna inteligencja już zmienia świat i stawia ważne pytania dotyczące społeczeństwa, gospodarki i przemysłu oraz zarządzania.

Tomasz Haiduk, prezes Instytutu Industry 4.0 w jednym ze swoich komentarzy przybliża „Jak sztuczna inteligencja może wesprzeć produkcję i przemysł?”

Maciej Sowa, Director Intelligent Automation Practice, EMEA Delivery Portfolio Lead w Capgemini Polska zwraca uwagę na bezpieczeństwo w artykule „Sztuczna inteligencja a bezpieczeństwo danych”

Shuman Ghosemajumder, Global Head of AI at F5 pokazuje w swoim wywodzie w jaki sposób „Sztuczna Inteligencja wykorzystywana jest w automatyzacji cyberataków i cyberobrony”

Aż 63 proc. respondentów twierdziło, że sztuczna inteligencja pomoże zwalczyć problemy współczesnych społeczeństw – takie dane płynęły z badania PwC „Boot.Me: A revolutionary partnership” z 2017 roku. Z drugiej strony, aż 46 proc. pytanych obawiało się, że algorytmy SI odbiorą ludziom ich posady. Tymczasem, prace nad sztuczną inteligencją dążą do rozszerzenia ludzkich kompetencji i odciążenia człowieka od czasochłonnych, manualnych czynności. A jak jest obecnie?

Temat sztucznej inteligencji to temat rzeka. W naszym artykule postaramy się przybliżyć działanie SI na polu procesów kontroli jakości i utrzymania ruchu oraz przybliżymy kilka przykładów z różnych dziedzin przemysłu.

Czym jest sztuczna inteligencja?

Algorytmy sztucznej inteligencji mają na celu podejmowanie decyzji, często z wykorzystaniem danych w czasie rzeczywistym. W przeciwieństwie do maszyn pasywnych, które są zdolne tylko do mechanicznych lub z góry określonych reakcji. Korzystając z czujników, danych cyfrowych łączą informacje z różnych źródeł, natychmiast analizują materiał i działają na podstawie spostrzeżeń uzyskanych z tych danych.

Jak to działa w praktyce? Zazwyczaj w połączeniu z uczeniem maszynowym i analizą danych. Uczenie maszynowe zbiera dane i szuka leżących u ich podstaw trendów. Jeśli wykryje coś, co jest istotne dla praktycznego problemu, projektanci oprogramowania mogą wykorzystać tę wiedzę i wykorzystać ją do analizy konkretnych problemów. Wszystko, czego potrzeba, to wystarczająco solidne dane, aby algorytmy mogły rozpoznać użyteczne wzorce. Dane mogą mieć postać informacji cyfrowych, zdjęć satelitarnych, informacji wizualnych, tekstu lub danych nieustrukturyzowanych.

Istotną rzeczą jest to, że systemy sztucznej inteligencji mają zdolność uczenia się i dostosowywania podczas momentu podejmowania decyzji. Na przykład w obszarze transportu półautonomiczne pojazdy mają narzędzia, które informują kierowców i pojazdy o zbliżającym się korku, dziurach, budowie autostrady lub innych możliwych utrudnieniach w ruchu. Ich zaawansowane algorytmy, czujniki i kamery wykorzystują doświadczenie w bieżących operacjach i wykorzystują pulpity nawigacyjne i wyświetlacze wizualne do prezentowania informacji w czasie rzeczywistym, dzięki czemu kierowcy są w stanie zrozumieć bieżący ruch uliczny i warunki drogowe. A w przypadku pojazdów w pełni autonomicznych zaawansowane systemy mogą całkowicie kontrolować pojazd i podejmować wszystkie decyzje nawigacyjne.

Sztuczna inteligencja nie jest już futurystyczną wizją, ale raczej czymś, co istnieje dzisiaj i jest integrowane i wdrażane w różnych dziedzinach życia. Istnieje wiele przykładów, w których sztuczna inteligencja już wywiera wpływ na świat i znacząco zwiększa ludzkie możliwości.

Powodem rosnącej roli sztucznej inteligencji są ogromne możliwości rozwoju gospodarczego. PriceWaterhouseCoopers oszacował jakiś czas temu, że „technologie sztucznej inteligencji mogą zwiększyć światowy PKB o 15,7 biliona dolarów do 2030 roku.

Jeśli chodzi o przemysł – ostatnie lata pokazują, że firmy produkcyjne stoją przed wyzwaniem: jak zachować i poprawić jakość swoich towarów przy jednoczesnym zwiększeniu wydajności i obniżeniu kosztów. I tu przywbywa z pomocą sztuczna inteligencja.

Wykorzystanie postępu w robotyce, druku 3D i sztucznej inteligencji ma kluczowe znaczenie dla zwiększenia wydajności, obniżenia kosztów i poprawy bezpieczeństwa w wielu sektorach, a zwłaszcza u dostawców niszowych – powiedział Harald von Heynitz, szef działu produkcji przemysłowej w KPMG

Korzyści płynące z wdrożenia sztucznej inteligencji w produkcji są ogromne. SI może pomóc firmom przekształcić i zoptymalizować procesy wewnętrzne i zewnętrzne poprzez maksymalizację produktywności i rentowności. Zmiany przepływu pracy wpływają następnie na koszty, jakość produkcji, dostawę i każdy inny aspekt procesu produkcyjnego, a także jakość wyprodukowanych wyrobów.

Kontrola jakości i predykcyjna analiza jakości

Producenci zwykle polegają na procedurach kontroli jakości, aby zagwarantować, że ich towary spełniają niezbędne wymagania. Na zakończenie procesu produkcyjnego zwykle wiąże się to ze sprawdzeniem próbki produktów w celu wykrycia ewentualnych wad lub niezgodności. Strategia ta ma jednak kilka wad. Na początek jest to przydatne tylko do identyfikowania problemów po ich wystąpieniu, a nie w celu ich zapobiegania. Indywidualna kontrola każdego produktu może być również czasochłonna, podatna na błędy ręczne/ludzkie i kosztowna, zwłaszcza w przypadku dużych przedsiębiorstw.

Predykcyjna analiza jakości wykorzystuje dane i analizy do znajdowania wzorców i trendów w procesach produkcyjnych, umożliwiając producentom przewidywanie i zatrzymywanie problemów z jakością, zanim się pojawią. W tym celu można wykorzystać analizę danych z wielu źródeł, w tym odczytów czujników, zapisów maszyn i inspekcji kontroli jakości.

Producenci mogą wykrywać wzorce i nieprawidłowości w danych, które wskazują na przyszłe problemy z jakością i podejmować działania zapobiegawcze, wykorzystując algorytmy sztucznej inteligencji i uczenia maszynowego do ich identyfikacji.

Korzystanie z narzędzi analizy predykcyjnej w produkcji ma kilka ważnych zalet, z których podstawową jest zdolność rozpoznawania i zatrzymywania problemów z jakością, zanim one się wydarzą. Może to znacznie zmniejszyć ilość produkowanych wadliwych towarów i podnieść standard całej linii produktów, zwiększając zadowolenie konsumentów, a co za tym idzie ich lojalność do produktu. Ponadto producenci mogą uniknąć marnowania czasu i pieniędzy na przeróbki i odpady, wykrywając i naprawiając problemy z jakością na wczesnym etapie procesu produkcyjnego.

Zdolność do zwiększania wydajności produkcji to kolejna ważna zaleta predykcyjnej jakości w produkcji. Producenci mogą wprowadzać zmiany i ulepszenia w celu zwiększenia wydajności i obniżenia kosztów poprzez lokalizowanie wąskich gardeł i nieefektywności w procesie produkcyjnym. Ponadto firmy mogą skrócić przestoje i zwiększyć ogólną wydajność sprzętu, wykorzystując dane i analizy w celu usprawnienia operacji produkcyjnych poprzez śledzenie wskaźników KPI, takich jak ogólna efektywność sprzętu (OEE).

Czym jest OEE opisuje artykuł: „Jak dostępność maszyn wpływa na OEE i w jaki sposób można ją zwiększyć?”

Zastosowanie technik sztucznej inteligencji (SI) i uczenia maszynowego (UM) jest jednym z głównych czynników ułatwiających zarządzanie jakością analiz predykcyjnych. Dzięki zastosowaniu tych technologii algorytmy predykcyjne mogą z czasem stać się bardziej precyzyjne i wydajne, ponieważ przetwarzają więcej danych.

Aby jeszcze bardziej zwiększyć swoje możliwości, predykcyjną produkcję wysokiej jakości można również łączyć z innymi technologiami, takimi jak internet rzeczy i analiza dużych zbiorów danych. Należy jednak pamiętać, że zarządzanie danymi (gromadzenie danych, przygotowywanie danych itp.) jest kluczowym czynnikiem ogólnej skuteczności i dokładności analiz predykcyjnych.

Nowoczesne rozwiązania SI/UM w chmurze mogą przeobrazić profesjonalistów OT bądź pracowników produkcyjnych w osoby z wiedzą analityków zajmujących się danymi. Tym samym osoby te zostaną uzbrojone w głęboką wiedzę dziedzinową, która będzie wykorzystywana do przewidywania i poprawy jakości.

Korzystanie wyłącznie z własnych rozwiązań i utrzymywanie wewnętrznego systemu zarządzania jakością analiz predykcyjnych będzie na pewno generować co raz większe koszty. Organizacje muszą być przygotowane do zarządzania dużymi ilościami danych generowanych przez narzędzia do analizy predykcyjnej dla produkcji, co może być złożonym i czasochłonnym zadaniem

Nowoczesne rozwiązania do zarządzania jakością w zakresie analizy predykcyjnej opartej na sztucznej inteligencji może wkrótce stać się dość opłacalną opcją dla wielu producentów, eliminując przez to potrzebę dużych początkowych inwestycji i specjalistycznej wiedzy. Rozwiązania prognostyczne oparte na SI mogą oferować takie cechy jak skalowalność, elastyczność i łatwą integrację z innymi technologiami, takimi jak Internet rzeczy i analiza dużych zbiorów danych, ułatwiając firmom dostosowanie się do zmieniających się potrzeb biznesowych.

Jak sztuczna inteligencja usprawnia konserwację silnika w branży lotniczej

Przykładem może być gigant z branży – Pratt & Whitney Canada, który wykorzystuje uczenie maszynowe, aby zwiększyć możliwości swojej technologii analizy oleju. Wcześniej dane zebrane z próbek oleju były dokładnie analizowane przez ekspertów P&W Canada, którzy szukali trendów i wartości odstających wskazujących na możliwe przyszłe problemy i zalecali działania konserwacyjne w celu ich złagodzenia. Teraz, gdy rozmiar i złożoność zbiorów danych stale się powiększają, a rozwiązanie wciąż ewoluuje, stosowane są dodatkowe narzędzia i technologie – opisują eksperci z kanadyjskiego oddziału firmy.

Jak wyjaśnia Julien de la Bruère-Terreault, inżynier danych stosowanych w Pratt & Whitney Canada: „Zdolność sztucznej inteligencji do znajdowania wzorców w ogromnych tablicach danych jest wykładniczo większa niż w przypadku ludzi i innych narzędzi analitycznych. Technologia analizy oleju pozwala nam sklasyfikować każdą cząsteczkę metalu w oleju silnikowym jako określony materiał z określonego elementu silnika i śledzić jej poziomy. Dzięki sztucznej inteligencji możemy identyfikować i kwantyfikować bardziej abstrakcyjne wzorce w danych, które są trudne do wyodrębnienia i przeanalizowania przy użyciu prostych wartości liczbowych na wykresie lub diagramie.

Zanim wprowadziliśmy sztuczną inteligencję, wyglądało to tak, jakbyśmy patrzyli na dane analizy oleju w silniku w trzech wymiarach. Teraz możemy spojrzeć na to w stu wymiarach lub więcej. Pomaga nam to lepiej interpretować dane i dostarczać klientom bardziej precyzyjne i dokładne zalecenia dotyczące konserwacji”

W Pratt&Whitney sztuczna inteligencja i uczenie maszynowe sprawiają, że zadanie porównywania próbek oleju z istniejącymi danymi jest prostsze, wydajniejsze i łatwo skalowalne. Komputer może na przykład bardzo szybko porównać nową próbkę z 500 innymi – jest to praca, która jest znacznie bardziej pracochłonna, gdy jest wykonywana przez ludzi. Automatyzacja procesu pozwala personelowi skupić się na działaniach o większej wartości dodanej, takich jak znajdowanie nowych spostrzeżeń z danych i opracowywanie nowych modeli uczenia maszynowego, aby pomóc klientom obniżyć koszty konserwacji i uniknąć nieplanowanych zdarzeń.

Większa precyzja prowadzi również do wcześniejszego wykrywania wzorców zużycia silnika, które mogą wymagać proaktywnej interwencji.

„Dzięki naszej technologii analizy oleju najważniejszą rzeczą, jaką staramy się zaoferować klientom, jest proaktywne planowanie konserwacji i oszczędność kosztów” — powiedział Andy Kim, specjalista techniczny Oil AT w Pratt & Whitney Canada. „Celem jest poinformowanie ich o możliwych problemach, zanim zdadzą sobie sprawę, że coś dzieje się z silnikiem, aby można było zminimalizować problemy lub całkowicie ich uniknąć”.

Szacuje się, że dzięki technologii analizy oleju wspomaganej sztuczną inteligencją klienci będą informowani o potencjalnych problemach nawet z 1000-godzinnym wyprzedzeniem, w porównaniu do kilkuset godzin w starszej wersji. Wyniki udoskonalonego rozwiązania już teraz mają znaczący wpływ.

„Zdolność sztucznej inteligencji do wyjścia poza ograniczenia ludzkiej analizy prowadzi do lepszych i bardziej spójnych wyników oraz eliminuje element subiektywności. Dzięki sztucznej inteligencji możemy też dokładniej określić, kiedy potrzebujemy próbek oleju i zmniejszyć liczbę interwencji wymaganych od klientów” — opowiada Andy Kim, specjalista techniczny OilAT, Pratt & Whitney Kanada.

Cary Forgeron, wiceprezes i COO Bureau Veritas w swoim artykule opisuje „Dlaczego uczenie maszynowe i sztuczna inteligencja są przyszłością analizy oleju?”

Sztuczna inteligencja w automatyzacji procesów malowania i natryskiwania proszkowego

W ten sam sposób, w jaki ludzie używają oczu, roboty wykorzystują system wizyjny 3D do postrzegania każdego aspektu przedmiotu przed nim, takiego jak jego kształt, rozmiar i położenie względne. Robot odsyła wszystkie te informacje z powrotem do przypisanego zadania, a następnie, korzystając z algorytmów opartych na sztucznej inteligencji, interpretuje informacje i określa najskuteczniejszą ścieżkę do osiągnięcia wyznaczonego celu. Może to obejmować sytuacje, w których obiekt jest w ruchu np: blaszane części zawieszone na ciągle poruszającej się linii przenośnika.

Kiedy robot generuje własny program do zadania, wykorzystuje informacje z wizji 3D – „cyfrowego bliźniaka” środowiska. Ten rodzaj sztucznej inteligencji działa podobnie, jak wykwalifikowani operatorzy używają oczu i mózgu. Dostosowuje się do zmian położenia, orientacji i kształtu przedmiotu przed nim.

Producenci o dużej różnorodności produktów mogą wdrażać tego typu systemy w różnych operacjach. Na przykład takie roboty mogą być używane do malowania części.

Ogólnie rzecz biorąc, procesy natryskiwania są najszybszą dostępną na rynku ścieżką do samoprogramowania. Powłoka proszkowa, malowanie płynne, śrutowanie, piaskowanie, natryskiwanie termiczne czy dozowanie kleju mają zastosowanie, przede wszystkim dlatego, że można polegać na czujnikach wizyjnych i dokładności robota.

Przykład jak wygląda proces takiego malowania z wykorzystaniem robota i sztucznej inteligencji: https://polskiprzemysl.com.pl/obrobka-metali/automatyzacja-procesow-natryskiwania/

Jak sztuczna inteligencja pomaga w branży motoryzacyjnej?

Wielu producentów samochodów integruje dane z czujników i algorytmy uczenia maszynowego, aby śledzić i prognozować wydajność maszyn na swoich liniach montażowych. Producenci mogą wykryć wzorce i nieprawidłowości wskazujące na możliwe problemy, badając dane z czujników maszyn, takie jak temperatura, wibracje i poziom hałasu.

Na przykład maszyna z dziwnym wzorcem drgań może mieć problemy z łożyskami, które można naprawić, zanim wystąpi awaria. Producenci mogą zwiększyć niezawodność i wydajność swoich urządzeń na linii montażowej, co skutkuje większą wydajnością i niższymi kosztami, poprzez przyjęcie jakości predykcyjnej w celu wczesnego wykrywania i rozwiązywania potencjalnych problemów.

Sztuczna inteligencja w przemyśle energetycznym

Już prawie 6 lat temu polska spółka Transition Technologies wdrożyła rozwiązanie SILO – oparte na algorytmie na SI w Elektrowni Rybnik dla młyna węglowego – jednego z najbardziej awaryjnych elementów systemu energetycznego. Operator pracujący w elektrowni nie ma możliwości wnikliwej obserwacji pracy wszystkich urządzeń (młyny, palniki, klapy, wtryski itp.) ze względu na ich liczebność. Technologia mocno pomaga. W momencie wykrycia przez system prowadzącego do awarii stanu pracy urządzenia, operator jest o tym informowany i może podjąć działania zaradcze. Ogranicza to niepotrzebne przestoje.

Zastosowanie algorytmów SI pozwala na ograniczenie kosztów pracy elektrowni dzięki optymalizacji procesów zachodzących w kotle energetycznym, takich jak: utrzymywanie temperatury pary na określonym poziomie, utrzymanie emisji tlenku azotu (NOX) na zadanym poziomie, czy minimalizacja emisji CO. Rozwiązanie pozwoliło na redukcję emisji CO2 o 4380 ton rocznie oraz na ograniczenie wydzielania szkodliwego amoniaku – o 665 ton w skali roku. Poprawiła się także sprawność kotła energetycznego, a zużycie węgla spadło o 1565 ton rocznie. W rezultacie, w skali roku elektrownia zaoszczędziła 1 120 000 złotych, a to zaledwie namiastka możliwości, jakie daje wykorzystanie sztucznej inteligencji w energetyce – opowiadał Konrad Wojdan, dyrektor działu R&D z firmy Transition Technologies.

Sztuczna inteligencja w hutnictwie

Pod koniec grudnia zeszłego roku zakończył się projekt wdrożenia algorytmów wspierających pracę sterników Pieca Zawiesinowego w oddziale KGHM, Huta Miedzi „Głogów”. Algorytmy, na podstawie danych historycznych, przewidują z prawie 100 proc. skutecznością, jakie będą tzw. straty ciepła w szybie reakcyjnym pieca w najbliższym czasie. Co więcej są w stanie automatycznie zmienić parametry, by je stabilizować. Wszystko po to, by zwiększyć efektywność wytopu miedzi.

Piec zawiesinowy jest sercem Huty Miedzi „Głogów”, które odgrywa kluczową rolę w prawidłowym funkcjonowaniu całego oddziału. Jest stale monitorowany, a jego temperatura sięga aż 1 300 stopni Celsjusza. Dlatego wyzwaniem jest stabilizacja odbioru ciepła w szybie reakcyjnym. Po raz pierwszy w technologii Pieca Zawiesinowego Huty Miedzi „Głogów” wykorzystano sztuczną inteligencję w postaci algorytmów służących do predykcji i regulacji parametrów technologicznych pieca. Wypracowane rozwiązania, są w stanie przewidzieć jakie będą straty ciepła w szybie reakcyjnym w najbliższym czasie i automatycznie go wyregulować.