Tämä tarkoittaa, että AI-aallon alla valmistusteollisuus kohtaa syvälle kiinnitettyjä rakenteellisia haasteita ja muutospainetta, joka seisoo "uudelleenmäärittely" . kynnyksellä
Toisaalta maailmanlaajuinen teollisuusketju kiihdyttää sen jälleenrakennusta, työvoiman rakennepulaa on rakenteellinen, ja toisaalta laadun ja tehokkuuden kaksoispaineet ., keinotekoinen älykkyys tunkeutuu jokaiseen linkkiin tutkimuksesta ja kehityksestä, tuotanto toimitusketjussa ennennäkemättömällä nopeudella, 2}}
Tätä taustaa vasten valmistus ei ole enää AI -sovellusten seuraaja, vaan päätaistelukenttä ja moottori niiden toteuttamiselle .
Keinotekoisen älykkyyden valmistuksen valtuuttamisen voimaannuttaminen ei kuitenkaan ole pelkästään tehokkuuden parantamista ja kustannusten vähentämistä {., sillä on perusteellisempi vaikutus loogiseen rakenteeseen, organisatorisiin menetelmiin ja valmistusjärjestelmien hallintokykyyn, mikä edistää valmistusteollisuuden kehitystä prosessitoiminnasta inhimillisestä järjestelmästä ja ihmisen ja ihmisen ja ihmisen virkaan Yhteistyö .
Siksi AI -tekniikan upottaminen on valmistusteollisuuden "uudelleenmäärittely" .
Tässä artikkelissa keskitytään "tekoälyn + valmistuksen" integraatiotrendiin ja hajottaa se useista ulottuvuuksista, kuten toteutuspolkuista, tyypillisistä sovelluksista, keskeisistä haasteista ja organisaatioominaisuuksista ., se tutkii, kuinka AI voidaan upottaa valmistusjärjestelmäkerrokseen kerrosten avulla, kun valvonta, suoritettaessa, toimenpide, toimenpide, joka on joustavassa. Laadukas ja kestävämpi tulevaisuus .
"Keinotekoisen älykkyyden + valmistuksen" toteutuspolku: viisi iteraatiota havainnosta päätöksentekoon
"Keinotekoisen älykkyyden + valmistuksen" syvän integraation myötä valmistusjärjestelmien taustalla oleva arkkitehtuuri on tekemisissä hiljaisessa mutta syvällisessä rekonstruoinnissa .
Perinteinen valmistusjärjestelmä on jo pitkään omaksunut selkeän hierarkkisen arkkitehtuurin "havainto - ohjaus - suoritus - toiminta - päätöksenteko": Anturit keräävät tietoja ja lähettävät ne ohjausjärjestelmään, ohjeet ohjaavat suoritusyksikköä, automaatiojärjestelmä suorittaa prosessinhallinnan ja päätöksentekopassuunnitelmat ja mukauttaa säännöllisen data -analyysin .
Tämä ylhäältä alas suuntautunut, keskitetysti hallittu lineaarinen arkkitehtuuri on kerran tuettu laajamittainen ja standardisoitu teollisuustuotanto ., mutta nykyään yhä monimutkaisemmassa, dynaamisessa ja vaihdettavassa valmistusympäristössä sen rajoituksista on tullut yhä näkyvämpiä .}}}}}}}}}}}}}}}}}}}}
Nykyään valmistusteollisuus etenee hierarkkisesta arkkitehtuurista järjestelmän rekonstruointiin, joka on alustapohjainen, integroitu ja hajautettu . havainto, hallinta, suoritus, toiminta ja päätöksenteko eivät ole enää erillisiä järjestelmiä, vaan toimivat yhteistyössä, vuorovaikutuksessa reaaliajassa ja muodostavat älykkään suljetun silmukan yhtenäisessä teknisessä alustalla .}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}
Tässä arkkitehtuurissa keinotekoisen älykkyyden ominaisuuksia ei enää aseteta vain tiettyyn linkkiin, vaan se on syvästi upotettu koko valmistusverkon hermokeskukseen, joka toimii järjestelmän älykkyyden tukena .
Tämä paradigmamuutos luonnostelee myös viisi iteratiivista polkua AI: n levittämiseen valmistuksessa:
Havainto -iteraatio: "Kyky nähdä" "kyky ymmärtää"
Valmistuksen ensimmäinen askel alkaa havainnolla . kehittämällä AI -videoanalyysiä, älykkäitä antureita ja teollisuus -esineiden Internetiä, valmistuspaikkojen "silmistä" on tullut akuuttia ja oivaltavaa .
AI-yhteensopiva videoanalyysijärjestelmä tunnistaa automaattisesti tuotannon poikkeavuudet, antaa vikavaroitukset ja muuttaa kohteiden tilaa, korvaamalla perinteisten sääntöpohjaisten algoritmien rajoitukset . tiedonkeruun lopussa, anturit keräävät myös tietoja myös alustavaa analyysiä ja tapahtumia, jotka laukaisevat Edge AI: n kautta, mikä tarjoaa reaaliaikaisen perusteen suorille kontrolleille ja suoriteille.} -tapahtuman parannuskerrokselle. Merkitsee AI: n kattavan integroinnin lähtökohdan valmistusjärjestelmiin .
2. Ohjaus iteraatio: "sääntöjen hallinta" - "älykäs sukupolvi"
Ohjausjärjestelmien älykkyys kirjoittaa teollisen ohjauksen . logiikkaa, joka on ohjelmiston määritellyn automaation (SDA) edustamien teollisuusohjausjärjestelmien uuden sukupolven, joka on rikkoutunut suljetun rakenteen, jossa laitteistot ja ohjelmointi ovat sidoksissa perinteisiin ohjausjärjestelmiin, ja rakentanut avoimen, modulaarisen ja uudelleenkokoisen ohjausalustan .}}}}}}}}}
Tämän perusteella AI-avustajatyökalujen käyttöönotto on tehnyt PLC-ohjelmoinnista enää tehtävän, jonka insinöörit voivat suorittaa yksin {. kuvaamalla valvontatavoitteita luonnollisen kielen kautta, AI voi tuottaa automaattisesti ohjauslogiikan, vuokaavioita, semanttisia merkintöjä ja jopa suorittaa virheenkorjauksen ja todentamisen, saavuttaen harppauksen ja inhimillisen koodin koodin kanssa. järjestelmät .
3. Suoritustoimitus: "Automaatiosta" "älykkääseen synergiaan"
Muutokset tapahtuvat myös valmistuksen suoritustasolla . AI: n ja teollisuusrobotien syvä integrointi edistää "teollisuuden älykkäiden kokonaisuuksien" muodostumista havainto-, harkinta- ja toteutuksen ominaisuuksilla .}}
AI: n ohjaamat robotit eivät voi vain suorittaa toistuvia operaatioita, vaan myös saavuttaa adaptiivisen polun suunnittelun, reaaliaikaisen visuaalisen tunnistuksen ja monikiekkeisen yhteistyöhön liittyvän ajoittamisen . digitaalisen kaksos- ja simulaatioalustan kautta robotit voivat suorittaa koulutuksen ja todentamisen virtuaalisessa ympäristössä ennen kuin "Käsit ja jalat" luodaan. Ohjeet, mutta älykkäät toimeenpanijat, joilla on tuomioominaisuudet .
4. Operatiivinen iteraatio: "Tietueenhallinta" "Ennustavaan optimointiin"
Valmistusprosessin hallintajärjestelmä on myös kattavasti uudelleenjärjestelmä, koska AI . tekoäly on kiihdyttänyt sen integrointia ydintuotantoprosessialustoihin, kuten MES: n ja laitteiden hallintajärjestelmiin, ja siitä tulee älykäs moottori optimoinnin valmistukseen .}}}}}}}}
AI voi mallintaa laitteiden toimintatiedot, tunnistaa mahdolliset viat etukäteen ja saavuttaa ennustavan ylläpidon . OEE-suorituskyvyn optimoida reaaliaikaisen tietovirtaanalyysin avulla; Laadunhallinnassa AI: tä käytetään vikakuvioiden ja perimmäisten syiden tunnistamiseen, mikä parantaa tuotteiden johdonmukaisuutta ja noudattamista . Valmistusprosessin hallinta on siirtymässä reaktiivisesta hallinnasta ennustavaan toimintaan, saavuttaen prosessitason, tietolähtöisen älykkään optimoinnin .}}}}}}
5. Päätöksen iteraatio: "Määräaikaisen viivianalyysistä" "reaaliaikaiseen älykkään päätöksentekoon"
Valmistusyritysten päätöksenteko on myös tekemässä älykästä muutosta . AI saa vähitellen kyvyn auttaa korkean monimutkaisen päätöksentekomenttien, kuten tuotannon aikataulun, varasto-simulaation ja laadun ennustamisessa, . .
AI-mallien avulla yritykset voivat suorittaa skenaarioiden simulaatioita arvioidakseen nopeasti erilaisten tuotannon aikataulustrategioiden resurssien ammatti- ja toimitusmahdollisuuksia . yhdistämällä historialliset ja reaaliaikaiset tiedot, AI voi ennustaa laadunvaihteluiden suuntauksen ja säätää prosessiparametreja etukäteen . keksintöjen hallinnassa, AI Can Can Dynagic -strategioissa. Tehokkuus . Valmistuspäätökset ovat siirtyneet jäljellä olevista vastauksista tulevaisuudennäkymiin, ja siitä on tullut avaintuki yrityksen ketteryydelle ja kestävyydelle .
Näiden viiden harppauksen aikana olemme todistaneet, että tekoäly ei ole enää ulkoinen työkalu, vaan älykäs tekijä valmistusjärjestelmässä . se ylittää perinteiset rajat, integroituu jokaiseen tasoon ja jokaiseen solmuun ja edistää valmistusjärjestelmää hierarkkisesta ohjauksesta älykkäisiin yhteistyöhön ja paikallisesta optimoinnista järjestelmän älykkyyteen .}}}}}}}}}}
Tämä systemaattinen rekonstruointi on juuri "tekoäly + valmistus" . ydin on ydin
Mitä järjestelmäominaisuuksia tarvitaan "tekoälyn +" -kauden valmistusorganisaatioille?
Keinotekoisen älykkyyden nopean kehityksen nykyisellä aikakaudella kysymys on toistuvasti keskusteltu: korvaako AI ihmiset? Valmistusteollisuudessa tämä kysymys on erityisen herkkä .
Aikaisemmin jokainen automatisoinnin hyppy näytti liittyvän "ihmisten korvaavien koneiden korvaavien" . suuntauksen mukaan nykypäivän keinotekoinen älykkyys, etenkin sen soveltamispolku valmistusskenaarioissa, antaa meille tietyn vastauksen: AI: n määrää ei ole suunniteltu vähentämään ihmisiä, vaan parantamaan niitä .}}}}}}}}}}}}}}}}}}}}}}}}}}}}}}
Älykäs valmistus vaatii enemmän ihmisiä, ei vähemmän .
Tämä tarkoittaa, että AI: n laaja levitys ei ole johtanut lomautusaaltoon; Sen sijaan se on aiheuttanut vahvan kysynnän uusille taitoille ja monipuolisille kykyille .
Aikaisemmin AI: tä pidettiin enemmän työkaluna: käytettiin auttamaan havaitsemisessa, tietoanalyysissä ja raporttien luomisessa {.} .}, kun AI-malleja tunkeutuu ennustavaan ylläpitoon, laadunvalvontaan, tuotannon aikatauluihin ja muihin linkkeihin, ne kehittyvät vähitellen apulaistuomarista osallistuviin päätöksentekijöihin .}}}}}}}}}}}}}}}}}}}}}}}}}}
Tämä kehitys ei ole muuttanut tekniikan roolia, vaan myös muuttanut organisaation rakennetta . valmistusyritykset siirtyvät yksisuuntaisesta suhteesta "ihmisen päätöksenteon ja AI-avun" kaksisuuntaiseen yhteistyömalliin "Human-koneen yhteispäätös-työkalu" . AI: n ei enää ole tietotyökalua. evoluutio ja käynnistäminen prosessin uudelleensuunnittelu .
Tämä tarkoittaa myös sitä, että kykyjen yritysten vaatimukset ovat laadullisia muutoksia: he eivät tarvitse vain insinöörejä, jotka ymmärtävät AI: n, vaan myös AI-kyvyt, jotka ymmärtävät valmistuksen . AI: n yleisiä edustajia, joilla on rajat ylittävä kyky, järjestelmien ajattelu ja liiketoiminnan ymmärtäminen, tulee avaintuki organisaation älykkäälle muutokselle .}}}}}}}
Jos AI on älykkään valmistuksen "aivot", niin organisaation kyky on ratkaiseva tekijä sille, onko tämä "elin" joustava, vahva ja kestävä . AI -aikakauteen, valmistusyritysten ei tarvitse vain ottaa käyttöön algoritmeja ja työkaluja, vaan myös rakennettava systemaattinen kykykehys, joka tukee toteutusta, ja kasvua ja AI: n}}}}}}}}}}}}} -avainta.
Strateginen kyky: AI ei ole pelkästään "IT -projekti", vaan "normaali operaatio" .
Kun monet yritykset edistävät "tekoälyn + valmistusta", he pitävät sitä kertaluonteisena tietopäivityksenä ja jättävät sen IT-osastolle johtavan ., tämä lähestymistapa johtaa usein AI-hankkeisiin, jotka alkavat korkealle, mutta päättyen matalalla, onnistuneilla pilottihankkeilla ja epäonnistui replikointi .}}}}}}}}}}}}}
Todellinen muutos älykkäästi valmistukseen vaatii AI: n suhteen strategisena resurssina, joka johtaa yritystoimintamallien muutosta {. AI: n muutosta {. AI: n ei pitäisi olla olemassa riippumattomasti liiketoiminnasta, vaan sen tulisi integroida syvästi ydinprosesseihin, kuten tuotantoon, laadunvalvonnan, toimitusketjun hallintaan ja energianhallintaan . AI ajaa ".
2. lahjakkuusominaisuudet: Rakenna "AI Engineers + Business Asiantuntijat" komposiittikeskus.
Lahastorakenteen optimointi on edellytys AI: n . toteuttamiselle, yritykset tarvitsevat insinöörejä, joilla on AI -algoritmikyky ja tietojen mallintamisominaisuudet, jotka ymmärtävät toisaalta valmistetun datan rakenteita, ominaisuuksia ja melua, joka on entistä välttämätöntä, jotka ovat entistä välttämättömiä valmistautumisyrityksiä ja toimintoja. Heidän kokemuksensa selkeä ja tiedon jäsennelty siten, että AI-mallit ovat lähempänä reaalimaailman ongelmia .
Kaksikieliset kyvyt sekä tekniikan kielellä että yrityskielellä ovat välttämätöntä selkärankavoima valmistusyrityksille tulevaisuudessa .
3. Organisaatiorakenne: Edistä AI: n keskimmäisen alustan ja liiketoiminnan yhteisrakentamista
AI-projekteja on usein pirstoutuneita ja vaikeasti toistaa laajamittaisessa . Perussyistä on tähän loppuun liittyvän tietojen ja mallien säätiön . puuttuminen, yritysten on rakennettava AI- ja data-keskiteollisuus, jolla on uudelleenkäytettävyys ja integroitava ala-tason arkkitehtien tason arkkitehti. Skenaario ".
Organisaatioisesti on myös tarpeen perustaa osastojen välinen AI-sovelluskomiteat tai digitaaliset operaatioryhmät hajottaakseen IT: n ja OT: n, T & K: n ja valmistuksen, pääkonttorin ja sivuston väliset esteet ja saavuttaa yhteistoimintamalli, jossa etulinjasta aiheutuvat ongelmat ja ratkaisut tarjotaan alusta .
4. toteutuspolku: pilottihankkeista täysketjuun käyttöönottoon
Tutkimusraportissa ehdotetun älykkään valmistusmuutospolun mukaan yritysten tulisi noudattaa Ketterin käynnistyksen, nopean iteraation ja jatkuvan laajennuksen kahdeksanvaiheista menetelmää AI-projektien käyttöönottaessa, kuten yllä olevassa kuvassa . esitetään,.
Tämä polku korostaa, että AI: n soveltamisen ei pitäisi olla liian kunnianhimoinen ja kattava . sen sijaan, sen tulisi ottaa pieniä, mutta nopeita vaiheita, oppia tekemällä ja kehittyä vähitellen saavuttaakseen spiraalihaapa "paikallisesta älykkyydestä" "järjestelmätiedusteluun" .
AI: n todellinen arvo ei ole ihmisten korvaamisessa, vaan fiksumman, ketterämmän ja kehittyneemmän valmistusorganisaation . muotoilussa . antaa organisaatioille mahdollisuuden siirtyä kokemuspohjaisesta datavetoiseen ja prosessin jäykkyydestä älykkääseen joustavuuteen, lopulta älykästä yhteistyöjärjestelmää, joka keskittyy älykkään yhteistyöhön.
Kilpailu tulevaisuuden valmistusteollisuudessa ei enää ole laite- ja tuotantokapasiteetin kilpailu, vaan pikemminkin kognitiivisen kyvyn, organisaation kyvyn ja älykkäiden ominaisuuksien kilpailu . AI ei ole loppu, vaan uuden teollisen sivilisaation lähtökohta .}}}}}}}
Tiedot ja mallit: Erittäin vaikea "tekoäly + valmistus" -moottori hallita
AI -moottori voi todella ajaa vain älykkään valmistusjärjestelmän jatkuvaa kehitystä, kun sekä "data" että "mallit" toimivat tehokkaasti samanaikaisesti .
"Keinotekoisen älykkyyden + valmistuksen" käytännöllisessä toteutuksessa yritykset joutuvat usein kognitiiviseen väärinkäsitykseen: uskotaan, että niin kauan kuin AI-algoritmeja käytetään ja teollisuustiedot on kytketty, älykkäitä päätöksenteko- ja optimointituloksia voidaan saada automaattisesti ., mutta todellisuus on, että monet valmistusprosessit ovat "onnistuneita panoksia, jotka eivät ole otettuja" -suunnitteluun ", joka on" onnistuneesti ", mutta ei-juuret ja Tarkalleen siinä, että datan ja mallien kaksi ydinmoottoria eivät ole todella käynnistäneet .
Tietohaaste: Valmistusyrityksillä on "eniten tietoa", mutta myös "vaikeimmat tiedot käytettäväksi" .
Miksi tietoja on vaikea hyödyntää? Pääasiassa on kolme suurta syytä:
Tiedot ovat luonnostaan riittämättömiä ja epätasaisia: suurella määrällä teollisuustietoa on ongelmia, kuten melu, puuttuva tieto ja heterogeenisyys . Hallintomekanismeja puuttuu, ja suoraan "IT: n syöttäminen malliin on haitallista .}}}}}}}}}}}}}}}}}
Tietoja ei käsitellä myöhemmin elämässä, ja niistä puuttuu kontekstirakenne: monet yritykset keräävät "yksittäisiä datapisteitä", joilla ei ole kontekstitietoja, kuten tapahtumia, prosesseja ja erää, mikä johtaa mallin kyvyttömyyteen ymmärtää sen liiketoiminnan semantiikkaa ja syylogiikkaa .}}}}}}}}}}}}}}
Syvempi ongelma on siinä, että vaikka valmistusyrityksillä on tietoja, heillä ei ole kykyjärjestelmää muuttaa tiedot käyttökelpoiseksi tietoksi . Tämä ei ole ongelma ohjelmiston toiminnallisuudessa, vaan pikemminkin systemaattinen puute organisaation mekanismissa, tietojen ajattelu- ja hallintojärjestelmässä .}}}}}}}}}
Siksi valmistusteollisuuden tiedot eivät ole liian vähän, mutta liian hajallaan . ei ole, että sillä ei ole arvoa, vaan että asiayhteystiedot eivät ole riittämättömiä .
2. Mallihaaste: Teollisuustietoa ei voida saavuttaa yön yli luottamalla "yleisiin suuriin malleihin"
Teollisissa AI -malleissa on kolme suurta haastetta:
Prosessin ymmärtämisen puute: Valmistusprosessi sisältää suuren määrän hiljaista tietoa, kuten empiirisiä sääntöjä, fyysisiä mekanismeja ja monimuutoksen kytkemistä . Jos malli ei ymmärrä prosessia, se voi tehdä vain merkityksellisiä ennusteita eikä voi suorittaa juuren syyn analysointia tai prosessin optimointia .
Tietojen niukkuus ja merkitsemisvaikeudet: Verrattuna Internet-kenttiin, kuten verkkokauppaan ja sosiaaliseen verkostoitumiseen, teollisuusskenaarioista puuttuu laaja-alaisia avoimen lähdekoodin tietojoukkoja, ja monia epänormaaleja tietoja on vaikea merkitä, mikä tekee valvotuista oppimisesta kestämättömäksi .}}}}}}}
Riittämätön yleistämiskyky ja vaikea kohtauksen siirto: Saman mallin suorituskyky vaihtelee suuresti erilaisissa tuotantolinjoissa ja laitteissa ., puuttuu taustalla olevista ominaisuuksista, jotka voidaan siirtää ja hienosäätää, mikä johtaa korkeisiin AI
Siksi valmistusteollisuus todella tarvitsee skenaario-perusteelliset AI-mallit: ne, jotka eivät vain ymmärrä fyysisiä käyttäytymisiä ja prosessimekanismeja, mutta myös sopeutuvat dynaamisiin olosuhteisiin ja laiteeroja, joilla on teollisuustiedustelu pienellä otoskokolla ja vahvalla yleistämisellä .}}}}}}}}}}}}}}}}}}}}}
On selvää, että valmistuksen AI -mallit eivät ole "puhuvia malleja", vaan "malleja, jotka ymmärtävät fysiikkaa" ., se ei ole "malli sisällön luomiseksi", vaan "malli prosessin rekonstruoimiseksi" .
3. hallintahaasteet: AI ei ole lainanotto; Kykyjärjestelmän rakentaminen on todellinen lähtökohta AI: n valmistukselle
Tietojen ja mallien kaksoishaasteiden edessä yritykset eivät voi enää pysyä työkalujen käyttöönottovaiheessa, vaan niiden tulisi siirtyä täydellisen ja kestävän AI -kykyjärjestelmän . rakentamiseen. Ydin on menestyvän hyvin kolmessa asiassa: ensin tiedonhallinta: "Tietojen keräämisestä" "; II . Kohtausmallinnus: Express -ongelmia yrityskielellä ja ratkaista ne algoritmisella kielellä; III . mallin hienosäätömekanismi: Varmista, että jokainen agentti sopii omaan kohtaukseensa .
AI ei ole jotain hyväksyttävää . "tekoälyä + valmistusta" tulisi pitää systemaattisena projektina . tekoälyn syöttämistä valmistukseen ei tarkoita, että siitä tulee hyödyllistä vain siksi, että se on asennettu, eikä se tarkoita, että se tulee älykkäästi vain siksi, että se on ostettu .} se on systemaattinen projekti malleista. Organisaatiot .
Jos yritykset toivovat saavuttavansa todella AI-yhteensopivan valmistuksen, heidän on irrotettava "työkalukeskeisestä" ajattelutavasta ja rakennettava kaksimoottorinen "dataominaisuuksien + malliominaisuudet" tulevaisuudelle . vain tällä tavalla keinotekoinen älykkyys ei vain ole katsoja valmistuksessa {5