Dürr Advanced Analytics را ارائه می کند، اولین برنامه کاربردی هوش مصنوعی آماده بازار برای مغازه های رنگ.بخشی از آخرین ماژول در سری محصولات DXQanalyze، این راه حل آخرین فناوری IT و تجربه دور در بخش مهندسی مکانیک را ادغام می کند، منابع نقص را شناسایی می کند، برنامه های تعمیر و نگهداری بهینه را تعریف می کند، همبستگی های قبلا ناشناخته را دنبال می کند و از این دانش برای انطباق با الگوریتم به سیستم با استفاده از اصل خودآموزی.
چرا قطعات اغلب عیوب یکسانی را نشان می دهند؟آخرین موردی که میکسر در ربات را می توان بدون توقف دستگاه تعویض کرد چه زمانی است؟داشتن پاسخ‌های دقیق و دقیق برای این پرسش‌ها برای موفقیت اقتصادی پایدار ضروری است، زیرا هر نقص یا هر تعمیر و نگهداری غیرضروری که می‌توان از آن اجتناب کرد باعث صرفه‌جویی در هزینه یا بهبود کیفیت محصول می‌شود.«پیش از این، راه‌حل‌های ملموس بسیار کمی وجود داشت که به ما امکان می‌داد به سرعت نقص یا نقص کیفیت را شناسایی کنیم.و اگر هم وجود داشت، عموماً بر اساس ارزیابی دستی دقیق داده‌ها یا تلاش‌های آزمون و خطا بود.گرهارد آلونسو گارسیا، معاون MES و سیستم های کنترل در Dürr توضیح می دهد که این فرآیند اکنون به لطف هوش مصنوعی بسیار دقیق و خودکار است.
سری محصولات دیجیتال DXQanalyze Dürr که قبلاً شامل ماژول‌های Data Acquisition برای به دست آوردن داده‌های تولید، Visual Analytics برای تجسم آن، و Streaming Analytics بود، اکنون می‌تواند روی کارخانه جدید تجزیه و تحلیل پیشرفته خودآموز و سیستم نظارت بر فرآیند حساب کند.
برنامه هوش مصنوعی حافظه خود را دارد
ویژگی Advanced Analytics این است که این ماژول مقادیر زیادی داده از جمله داده های تاریخی را با یادگیری ماشین ترکیب می کند.این بدان معنی است که برنامه هوش مصنوعی خودآموز حافظه خاص خود را دارد و بنابراین می تواند از اطلاعات گذشته برای تشخیص همبستگی های پیچیده در مقادیر زیاد داده و پیش بینی یک رویداد در آینده با درجه دقت بالایی بر اساس جریان استفاده کند. شرایط یک ماشینکاربردهای زیادی برای این در کارگاه های رنگ وجود دارد، چه در سطح جزء، فرآیند یا کارخانه.
تعمیر و نگهداری پیش بینی شده زمان توقف کارخانه را کاهش می دهد
هنگامی که نوبت به کامپوننت ها می رسد، Advanced Analytics قصد دارد تا از طریق اطلاعات پیش بینی نگهداری و تعمیرات، برای مثال با پیش بینی طول عمر باقیمانده یک میکسر، خرابی ها را کاهش دهد.اگر قطعه خیلی زود تعویض شود، هزینه های قطعات یدکی افزایش می یابد و در نتیجه هزینه های کلی تعمیر بی جهت افزایش می یابد.از طرف دیگر، اگر برای مدت طولانی کار کند، می تواند باعث ایجاد مشکلات کیفی در طول فرآیند پوشش و توقف ماشین شود.تجزیه و تحلیل پیشرفته با یادگیری شاخص های سایش و الگوی زمانی سایش با استفاده از داده های ربات با فرکانس بالا شروع می شود.از آنجایی که داده ها به طور مداوم ضبط و نظارت می شوند، ماژول یادگیری ماشین به طور جداگانه روندهای قدیمی را برای جزء مربوطه بر اساس استفاده واقعی تشخیص می دهد و از این طریق زمان جایگزینی بهینه را محاسبه می کند.
منحنی های دمایی مداوم شبیه سازی شده توسط یادگیری ماشین
تجزیه و تحلیل پیشرفته با شناسایی ناهنجاری ها، به عنوان مثال با شبیه سازی منحنی گرمایش در اجاق، کیفیت را در سطح فرآیند بهبود می بخشد.تا پیش از این، سازندگان تنها داده‌هایی را داشتند که توسط حسگرها در طول اجرای اندازه‌گیری تعیین می‌شد.با این حال، منحنی‌های گرمایش که از نظر کیفیت سطح بدنه خودرو از اهمیت اساسی برخوردار هستند، از زمان فرسودگی، در فواصل بین دو اندازه‌گیری، متفاوت است.این سایش باعث نوسان شرایط محیطی می شود، به عنوان مثال در شدت جریان هوا."تا به حال، هزاران تن بدون دانستن دمای دقیقی که هر بدن در آن گرم شده است، تولید شده است.ماژول Advanced Analytics ما با استفاده از یادگیری ماشینی نحوه تغییر دما را در شرایط مختلف شبیه‌سازی می‌کند.گرهارد آلونسو گارسیا می گوید: این به مشتریان ما اثبات دائمی کیفیت برای هر قطعه جداگانه ارائه می دهد و به آنها امکان می دهد ناهنجاری ها را شناسایی کنند.
نرخ اول اجرا بالاتر، اثربخشی کلی تجهیزات را افزایش می دهد
در مورد ایمپلنت، نرم افزار DXQplant.analytics در ترکیب با ماژول Advanced Analytics به منظور افزایش اثربخشی کلی تجهیزات استفاده می شود.راه حل هوشمند سازنده آلمانی نقص های کیفی تکرار شونده را در انواع مدل های خاص، رنگ های خاص یا در قسمت های جداگانه بدن ردیابی می کند.این به مشتری این امکان را می دهد که بفهمد کدام مرحله از فرآیند تولید مسئول انحرافات است.چنین همبستگی‌هایی با نقص و علت، با اجازه دادن به مداخله در مراحل اولیه، نرخ اجرای اول را در آینده افزایش می‌دهد.
ترکیبی بین مهندسی کارخانه و تخصص دیجیتال
توسعه مدل‌های داده سازگار با هوش مصنوعی فرآیند بسیار پیچیده‌ای است.در واقع، برای ایجاد یک نتیجه هوشمند با یادگیری ماشینی، وارد کردن مقادیر نامشخص داده در یک الگوریتم «هوشمند» کافی نیست.سیگنال‌های مربوطه باید جمع‌آوری شوند، با دقت انتخاب شوند و با اطلاعات ساختاری اضافی از تولید یکپارچه شوند.Dürr توانست نرم افزاری طراحی کند که از سناریوهای مختلف استفاده پشتیبانی می کند، یک محیط زمان اجرا برای مدل یادگیری ماشین فراهم می کند و آموزش مدل را آغاز می کند.«توسعه این راه حل یک چالش واقعی بود زیرا هیچ مدل یادگیری ماشین معتبر و محیط زمان اجرا مناسبی وجود نداشت که بتوانیم از آن استفاده کنیم.برای اینکه بتوانیم از هوش مصنوعی در سطح کارخانه استفاده کنیم، دانش خود را در زمینه مهندسی مکانیک و کارخانه با متخصصان کارخانه دیجیتال خود ترکیب کرده ایم.گرهارد آلونسو گارسیا می گوید که این منجر به اولین راه حل هوش مصنوعی برای رنگ فروشی ها شد.
مهارت ها و دانش برای توسعه تجزیه و تحلیل پیشرفته ترکیب شده است
یک تیم بین رشته ای متشکل از دانشمندان داده، دانشمندان کامپیوتر و کارشناسان فرآیند این راه حل هوشمند را توسعه دادند.دور همچنین با چندین خودروساز بزرگ وارد همکاری شده است.به این ترتیب، توسعه‌دهندگان داده‌های واقعی تولید و محیط‌های سایت بتا را در حال تولید برای موارد کاربردی مختلف داشتند.ابتدا الگوریتم ها در آزمایشگاه با استفاده از تعداد زیادی از موارد آزمایش آموزش داده شدند.متعاقباً، الگوریتم‌ها به یادگیری در محل در طول عملیات واقعی ادامه دادند و خود را با محیط و شرایط استفاده وفق دادند.مرحله بتا اخیرا با موفقیت به پایان رسید و نشان داد که چقدر پتانسیل هوش مصنوعی دارد.اولین کاربردهای عملی نشان می دهد که نرم افزار Dürr در دسترس بودن گیاه و کیفیت سطح بدنه های رنگ شده را بهینه می کند.
زمان ارسال: مارس-16-2022