Altın parmak izini kullanmak için nasıl kullanılır?

Bir üretim süreci üzerinde olumlu bir etki yapmak için Nesnelerin İnterneti (IoT) teknolojisinden aktif olarak yararlanmak isteyen BT departmanları için, bilmeleri gereken önemli bir terim var, sadece Indiana Jones'un bir zamanlar kovaladığı gibi göründüğü için değil: Altın Parmak izi. Software AG'de Teknoloji ve Dijital İttifaklar Başkan Yardımcısı Bart Schouw ile, bu hafta Almanya'nın Hannover kentinde gerçekleşen CEBIT fuarında, bu parmak izinin neden bu kadar altın olduğunu ve bunun BT için ne anlama geldiğini konuştum.

"Altın parmak izi bir metafordur" diye açıkladı Schouw ve dedektif bir romanda önemli bir delil parçası olduğunu söylemeye devam etti. Ancak kuruluşta, Schouw'un mükemmel bir ürün dediği şeyi üretmek için koşulların ne zaman karşılandığını belirlemek için bir üretim sürecine uygulanabilir.

Altın parmak izini bulmak yinelemeli bir süreçtir, üretim sırasında veri kaydedildiğinde gerçekleşen ve bir dizi üretim çalışmasının zaman içinde karşılaştırılabilmesi için kaydedilen bir görev planıdır. Eşzamanlı olarak, fabrikanın çıktısı, üretim yapılırken kaydedilen verilerle birlikte her üretim çalışmasının başarısı kaydedilecek şekilde değerlendirilir. Doğru şekilde yapıldığında, sonuç, imalat ekipmanından gelen girdilerin toplamından (üretim sırasında ürünün durumunu kaydeden sensörler) ve proses sonucu için genel bir başarı ölçüsünden oluşan bir tür parmak izidir.

Parmak izi süreci aslen kimya endüstrisi için geliştirildi, ancak Schouw genel olarak çoğu imalat tipine uygulanabilir olduğunu söyledi. Örneğin, bir otomobil üreticisi, her bir bileşenin nereden geldiğine, boyama sırasındaki sıcaklıklara, her bir vida veya cıvata için tork okumalarına ve şasiyi oluştururken robot kaynakçılarından gelen okumalara sahip olacaktır. Ardından, otomobil üretildiğinde, otomobilin bakımını yaparken veya arızalar tamir edildiğinde üretim kalitesi izlenir.

Otomatik İmalatta Makine Öğrenmesi

Senaryoyu varsayımsal bir otomobil fabrikasına uygulayalım. Her otomobil yapıldıkça, uçtan uca üretim sürecinde okumalar izlenir ve önceki üretim işlemleriyle karşılaştırılır. Örneğin, cıvataların yanlış tork ayarlarına sıkılması gibi bir sorun yaşandığını varsayalım. Bu sorun kaydedilir ve şimdi araç satılmadan önce düzeltilebilir. Sonunda, üretim makineleri kalibre edilebilir, böylece bu hatalar olmaz ve araçlar önemli hatalar olmadan gönderilir.

Schouw, "Bazen, özellikle proses endüstrisinde, hangi koşulların gerçekten mükemmel ürüne yol açtığı açık değildir" dedi. “Böylece makine öğrenmesi ve yeni veri görselleştirme araçlarıyla, gerçekten mükemmel bir ürün grubuna yol açan bir üretim çalışmasının verilerini alabilirsiniz. Ardından, makine öğrenme araçlarından geriye dönüp verilerde benzer kalıpları bulmasını isteyebilirsiniz.”

Tahmin edebileceğiniz gibi, her türlü karmaşık üretim, her üretim çalışması için anlamlı bir parmak izi için yeterli veriye sahip olmak için binlerce bireysel veri noktası gerektirir. Bu da, herhangi bir zamanda ürünün durumunu ve ayrıca kullanılan üretim araçlarının ve makinelerin durumunu ölçen sensörleri gerektirir. IoT teknolojisinin ve IT departmanının parladığı nokta.

Her üretim işlemi tamamlandığında, bu işlemden elde edilen veriler, ürüne yol açan olayların bir deseni olarak görselleştirilebilir. Bu ağa bağlı sensörler ve araçlar ile bu olayları kaydetmenin bir yolunu gerektirir. Ayrıca değerlendirmeleri yapmak için özel bir yazılım gerektirir. Schouw, bu bölümün yapay zeka (AI) ve makine öğrenmesi için önemli bir kullanım alanı olduğunu söyledi.

Gerçek Zamanlı Üretim Verilerini İzleme

Bu, IT ile imalat sektörünün bir araya geldiği nokta. BT departmanının her üretim çalışmasından elde edilen büyük miktarda veriyi birleştirmesi ve ardından her çalışmayı mükemmel çalışmanın altın parmak izi ile karşılaştırması için kullanması gerekir. Koşunun gerçek zamanlı olarak analiz edilmesi nedeniyle, bir koşunun başarılı olma ihtimalinin düşük olduğu durumlarda önceden iyi bir şekilde karar verebilmek için önceki koşularla karşılaştırılmıştır.

Proses üretiminde, koşuyu altın parmak izine yaklaştırmak için olduğu gibi üretim parametrelerinde ayarlamalar yapmak mümkün olabilir. Bir koşuyu üretim sırasında görselleştirme ve bir koşunun ne zaman başarılı olamayacağını önceden belirleme yeteneği, başarılı olamayacak bir koşuda daha fazla malzeme harcayarak ve daha fazla zaman kaybetmeyerek önemli tasarruflar sağlayabilir.

Schouw, Trendminer'a altın parmak izini bulabilen ve aynı zamanda üretim sürecini gerçek zamanlı olarak takip edebilen AI destekli yazılımı üreten bir şirket örneği olarak işaret etti. Ayrıca Software AG'nin Trendminer'i satın alma planları yaptığını da paylaştı.

Üretimi Daha Verimli Hale Getirmek

Bununla birlikte, maliyet tasarrufu ve daha yüksek kalite yönleri, IoT ve üretime ait değildir. Schouw, makine öğrenimini üretimde kullanmanın başka bir yönünün F eğrisinin izlenmesiyle ilgili olduğunu açıkladı ("F", zaman içinde bir fabrika için izlenen başarısızlıkları ifade eder). F eğrisini takip ettiğinizde, fabrika ilk inşa edildikten sonra ve daha sonra işletmeye alındığında ve daha sonra kapandığı zaman, arızaların yüzdesi kabul edilemez seviyelere ulaştığından, ürünün yerine fabrikaya etkili bir şekilde parmak izi veriyorsunuz. üretim tesisleri yaşı.

Zaman içinde üretim hatalarına katkıda bulunan koşulları izleyerek, azalan geri dönüş noktasına ulaşana kadar onları kabul edilebilir seviyelere indirmek mümkündür: Bir şeyleri tamir etmeye devam etmek çok pahalı olduğunda ve bunun yerine fabrikayı yeniden inşa etmek daha mantıklı olur.

Önemli olan, IT'yi üretim sürecine doğrudan dahil ederek, üretimin daha verimli hale gelmesi ve daha az atık ve daha az kusur olması. Ve şirket para tasarrufu sağlar. Doğru yapıldığında, sonuçlar hemen hemen ortaya çıkıyor. Üretim işletmelerindeki BT departmanları için, altın parmak izi IoT'yi işin kalbine entegre etmek için bir başlangıç ​​noktası olarak mükemmel bir anlam ifade ediyor.