Превращение фабрик в умных производителей с помощью ИИ

Искусственный интеллект (ИИ) был у всех на слуху с момента запуска чат-бота ChatGPT. ИИ также добился больших успехов в технологиях промышленного производства. Машинное обучение может повысить эффективность производства. Но как это работает? Узнайте, как это сделать, на выставке EMO Hannover 2023, которая пройдет с 18 по 23 сентября. Ведущая мировая выставка производственных технологий под лозунгом «Инновационное производство» будет вдохновлять свою торговую аудиторию, представляя множество свежих идей, в которых особое место будет уделяться искусственному интеллекту.

Могут ли производственные машины действительно самооптимизироваться? Могут ли они учиться на своих ошибках? И могут ли они перенять ноу-хау других машин? Искусственный интеллект (ИИ) делает все это возможным. Когда самообучающиеся производственные машины работают разумно, это приводит к повышению производительности, снижению затрат, повышению качества и сокращению времени простоев.

«Мы потратили много времени на оптимизацию технологических процессов производства и создали здесь конкурентное преимущество. Теперь мы хотим сделать то же самое в цифровой трансформации промышленного производства», — объясняет Маркус Шпикерманн, руководитель отдела экономики данных Института программного обеспечения и системной инженерии Фраунгофера ISST. «Искусственный интеллект играет решающую роль в удовлетворении новых требований», — говорит Шпикерманн. «Потому что только благодаря использованию методов искусственного интеллекта можно достичь высокого уровня автоматизации».

Прогнозное обслуживание токарных станков

Тенденция искусственного интеллекта закрепляется в промышленности. Например, производитель станков Weisser Söhne GmbH & Co. KG полагается на модели искусственного интеллекта, которые позволяют прогнозировать техническое обслуживание его токарных станков.

«Профилактическое обслуживание использует искусственный интеллект для прогнозирования, когда машине потребуется обслуживание, чтобы предотвратить ее поломку», — объясняет доктор технических наук. Робин Хирт, генеральный директор и основатель стартапа Prenode GmbH из Карлсруэ. Компания-разработчик программного обеспечения помогает машиностроителям оснастить свои заводы индивидуальными функциями на основе искусственного интеллекта.

Современные производственные машины могут самооптимизироваться с помощью искусственного интеллекта, говорит Хирт. «Они обычно используют для этого так называемые методы машинного обучения. Это позволяет машинам распознавать закономерности и корреляции в производственных данных и автоматически извлекать из них улучшения». Во многих случаях они также могут учиться на своих ошибках и перенимать ноу-хау других машин.

Децентрализованные данные, используемые для создания общей модели искусственного интеллекта

Часто используется метод федеративного обучения, поскольку данных, полученных на одном токарном станке, часто недостаточно в качестве основы для точной модели ИИ. Федеративное обучение облегчает «обучение» общей модели ИИ, при этом данные хранятся в децентрализованной форме, но без прямого обмена данными. Таким образом, отдельные данные остаются на соответствующих машинах, и их не нужно хранить централизованно в одном месте (например, в облаке производителя машины).

Модели искусственного интеллекта используют текущие данные станка для оценки текущего состояния завода, а затем передают их эксплуатационному персоналу. Для этого используются нейронные сети глубокого обучения.

Умный помощник по сортировке от Trumpf

Искусственный интеллект также используется для управления Sorting Guide — системой, созданной специалистом по лазерам Trumpf в Дитцингене, Баден-Вюртемберг, Германия, которая помогает сортировать производимые детали и тем самым повышать уровень использования оборудования. Руководство по сортировке — это вспомогательная система на основе камеры, основанная на децентрализованном машинном обучении. Основными компонентами системы искусственного интеллекта являются камера высокого разрешения, большой экран, промышленный ПК и интеллектуальное программное обеспечение для обработки изображений.

«Децентрализованное машинное обучение предполагает объединение нескольких машин в систему искусственного интеллекта», — говорит генеральный директор Prenode Хирт, объясняя принцип. Эти машины постоянно собирают локальные данные о своих рабочих процессах. Для каждой машины разрабатывается модель искусственного интеллекта, которая затем централизуется. «Затем эти модели объединяются в центральном облаке и передаются обратно в отдельные системы», — продолжает Хирт. Затем система искусственного интеллекта может локально использовать опыт всех других машин без необходимости делиться конфиденциальными необработанными данными. «Это позволяет машинам более эффективно выполнять свои процессы и достигать большей производительности», — обещает Хирт.