Vaihtelevat markkinaolosuhteet, toimitusketjurajoitukset, työvoimapulat ja nopeatempoinen globaali teollisuus pakottavat kaiken kokoisia valmistajia arvioimaan uudelleenkäyttötavan. Monet valmistajat ovat alkaneet ottaa käyttöön tekniikkaa ylläpitämään kilpailuetua ja vastaamaan pitkäaikaisia liiketoiminnan haasteita. Automaatiosta digitaalitekniikkaan, teollisuuden IoT: iin ja muihin yritykset voivat hyödyntää näitä innovaatioita viime kädessä erilaisten järjestelmien, prosessien ja ihmisten tiedon sieppaamiseksi strategisten näkemysten tarjoamiseksi parempien päätösten tekemiseen.
Ei ole epäilystäkään siitä, että näillä yrityksillä on paljon tietoa työskennellä. McKinsey -tutkimuksen mukaan valmistus tuottaa 1,9 petabyyttiä tai 1 900, 000 teratavua datan vuodessa. Ongelmana oli, että he tarvitsivat paremman tavan kaapata ja analysoida tietoja ja muuttaa niistä käyttökelpoiseksi tiedeksi, ja heidän piti tehdä se nopeasti. Seurauksena on, että monet yritykset ovat kääntymässä tekoälyn (AI) kanssa löytääkseen tiedonsa mahdollisuuksia parantaa toimintaansa.
Miksi AI on täydellinen tietoanalyysiin?
Valmistustuottojen ja käyttöajan parantamisesta, kysynnän tarkkaan ennustamisesta ja etävalvontakoneiden seurannasta sekä varojen hallitsemisesta ja tuotteen laadun parantamisesta AI: ta voidaan hyödyntää yleisen tehokkuuden ja tuottavuuden mittausten paranemiseksi merkittävästi.
Se ei ole taikuutta, vaan monimutkainen algoritmaryhmä, joka analysoi suuria määriä tietoja, korreloi tai oppii malleja eri muuttujissa ja soveltaa tätä tietoa nykyisiin olosuhteisiin tulevien valtioiden ennustamiseksi. Tämä ei tarkoita, että ihmiset eivät pysty suorittamaan näitä tehtäviä, vaan että Al voi tehdä ne nopeammin ja käsitellä enemmän tietoja tarkemmin, parantaen liiketoiminnan tuloksia.
Esimerkiksi missä tahansa valmistusympäristössä on perinteisesti useita erilaisia työryhmiä ja koneita, jotka kaikki keräävät omaa tietoa. Kunkin laitteen tiedot voivat vaihdella laadun, muodon ja ajoituksen suhteen, mikä voi luoda esteitä ja vaikeuttaa tietojen merkityksellisten näkemysten analysointia ja keräämistä.
AI -tekniikan avulla voidaan käsitellä nopeasti suuria määriä tietoja, jolloin yritykset voivat nopeasti ja tarkasti yhdistää operatiiviset tiedot, ennustaa vaihtoehtoihin perustuvia tuloksia ja antaa valmistajille mahdollisuuden tehdä ketteriä, tietoisia päätöksiä. Tämä ennaltaehkäisevä ennustava kyky on AI: n vahvuus, ja se voi lisätä huomattavasti tuotesatoja.
Tunnistamalla tuotteiden laatuongelmien perimmäinen syy, AI voi auttaa vähentämään tuotevikoja ja romahintoja ja lisäämään valmistustuottoja. Yksityiskohtaisilla tiedoilla ja -analyysillä valmistajat voivat käsitellä laadunvalvontakysymyksiä ennen kuin ne vaikuttavat suoraan yrityksen lopputulokseen. Katsotaanpa yhtä sellaista esimerkkiä.
Käytä AI: tä moottorin laadun parantamiseen
Maailmanlaajuinen moottorin valmistaja tuottaa suuria dieselmoottoreita generaattorisarjoihin, merivoimien ja meren sovelluksiin sekä sotilasajoneuvoihin. Kokoonpanon jälkeen jokaiselle moottorille tehdään tiukka testaus. Testauksen aikana jopa kokeneimmat operaattorit eivät usein tunnista ongelman hienoisia merkkejä, mikä johtaa katastrofaalisiin vikoihin testauksen aikana tai moottorin käytön jälkeen. Nämä viat ovat aiheuttaneet merkittäviä tappioita, viivästyneitä lähetyksiä, luoneet jälkikäteen testialueita ja tuotantoketjun tuotantoa, maksaneet yritykselle miljoonia dollareita vuodessa ja vaikuttaneet negatiivisesti aikatoimituksiin.
Ongelma ei ole tietojen puute, vaan miten sitä käytetään. Itse asiassa kasvi oli kerännyt prosessitietoja jo vuosia, mutta käytti sitä vain seurantatyöhön epäonnistumisen jälkeen. Tarkastelemalla tietoja tällä reaktiivisella tavalla, tiimi ei pysty ymmärtämään, miksi nämä epäonnistumiset tapahtuvat tai ennakoivasti puuttua niihin. Viime kädessä näitä kysymyksiä pidetään liiketoiminnan kustannuksina, kunnes yritys harkitsee AI: n käyttöä olemassa oleviin tietoihin kriittisten omaisuuden vikojen ennustamiseksi ennen niiden esiintymistä.
Valmistaja aloitti pilottiohjelmalla AI: n tarvittavan tietosäätiön laatimiseksi vaikutuksen aikaansaamiseksi. Kun otetaan huomioon, että historiallisia tietoja on käytettävä, yritys suoritti ensin tiedonpuhdistuksen ja analyysin AI: n avulla vähentäen 20 miljardia datapistettä 100 moottorista 6 miljardiin vaikutusvaltaisimmista datapisteistä 48 tunnissa.
Yhdistä seuraavaksi useita mallisarjoja ajan ja mallin mukaan visualisoidaksesi tiedot ja tunnista kaikki data -aukot. Aukkoanalyysin perusteella tehtiin säätöjä tiettyjen tietojen purkamiseksi useammin, mikä paransi mallintamista. Käyttämällä AI-alusta, koko analyysi tehdään matalan riskin ympäristössä ilman vaikutusta nykyiseen tuotantoon.
Näiden tietojen perusteella valmistajat pystyvät luomaan perusviivoja, tunnistamaan suuntaukset ja poikkeavuudet ja kehittämään suunnitelmia tietojen toteuttamiseksi. Vain muutamassa viikossa he laativat raportin, jossa tunnistettiin ryhmän riskimoottoreita sarjanumerolla. Näiden tietojen perusteella valmistajat epäilevät, että näillä moottoreilla on suurempi todennäköisyys ongelmista laadunvalvontakokeissa tai kentällä. Yhdistämällä testitiedot todellisiin tuotevirheisiin, raportti tunnisti tarkasti yli 80 prosenttia moottori -ongelmista useiden vuosien ajan.
On tärkeää huomata, että tämä projekti on iteratiivinen prosessi, koska AI -malli oppii jatkuvasti. Noin 45 päivässä malli pystyi ennustamaan epäonnistumisia 30 minuuttia etukäteen ilman vääriä positiivisia osia.
Minimoi toimintahäiriöt
Virallisen käynnistyksen aikana AL-ratkaisu on kytketty reaaliaikaiseen tietoon, jonka on tuottanut testinhallintajärjestelmä ja ihmisen konekajapinta (HMI). Tällä ei ole vaikutusta normaaliin toimintaan. Itse asiassa malli oli integroitu yrityksen standarditestiohjelmistoon, ja operaattori ei edes tiennyt, että se oli toteutettu. Heidän on vain tiedettävä, että nyt heidän HMI -käyttöliittymänsä ilmoittavat heille mahdollisista uhkaavista kysymyksistä ja siitä, kuinka käsitellä niitä.
Ensimmäisen 90 päivän aikana AI-sovellus havaitsi 20 reaaliaikaista tapahtumaa, vältti yli 4,5 miljoonaa dollaria moottorivaurioita ja saavutti projektille 10x sijoitetun pääoman tuoton (ROI).
Kuten tämä tapaus osoittaa, AI: n hyödyntäminen voi tarjota valmistajille tavan vähentää proaktiivisesti laatuvaurioita, säästää rahaa ja parantaa toimitusasteita minimoimaan samalla toiminnan häiriöt. Alkaen vankalla tietopohjalla ja työskentelemällä kokeneiden kumppaneiden kanssa, AI voi tarjota näkemyksiä, joita tarvitaan liiketoiminnan tulosten lisäämiseen ja valmistajien auttamiseen kilpailemaan nykypäivän nopeasti kehittyvässä liiketoimintaympäristössä.
Mutta AI: n ei tarvitse olla yksi kokoinen ratkaisu. Tarpeitasi, sovellusta ja erityistä tilannetta riippuen on räätälöitävä ratkaisu. Siksi on tärkeää, että luotettava kumppani on puolellasi. AI: n suhteen he voivat arvioida missä olet digitaalisen muutoksen matkallasi, ymmärtää tavoitteesi tai haasteitasi ja tunnistaa ratkaisun ylimmistä toimittajista, jotka parhaiten sopivat todellisiin tarpeisiisi.