Ứng dụng của Machine Learning trong sản xuất

Machine learning đang cách mạng hóa ngành sản xuất. Trong bài viết này chúng ta hãy cùng Smart Factory VN tìm hiểu những ứng dụng của Machine Learning trong sản xuất nhé.

Xem thêm : Phân biệt AI, Machine Learning và Deep Learning.

Vì sao Machine learning quan trọng đối với sản xuất ?

Sản xuất sản phẩm có thể rất tốn kém khi sản xuất lỗi và không phù hợp hay dừng máy, và sản xuất là một quá trình phức tạp cho những doanh nghiệp không có công cụ và nguồn lực phù hợp để phát triển sản phẩm chất lượng.

Trong thời đại thịnh hành, trí tuệ nhân tạo và máy học đã trở nên phổ biến hơn trong việc sản xuất và lắp ráp các mặt hàng, giúp giảm chi phí và thời gian sản xuất. Trên thực tế, 40% của tất cả các giá trị tiềm năng có thể được tạo ra bởi các phân tích ngày nay đều đến từ các kỹ thuật AI và ML. Trong đó Machine Learning có thể chiếm từ 3,5 nghìn tỷ đến 5,8 nghìn tỷ đồng giá trị hàng năm – theo dự báo của Mckinsey .

Mấu chốt là, các chiến lược tăng trưởng hàng đầu liên quan đến việc tích hợp các nền tảng machine leaning tạo ra những hiểu biết để cải thiện chất lượng sản phẩm và năng suất sản xuất. Machine Learning giúp tạo ra sản xuất thông minh hơn, nơi robot có thể đặt các vật phẩm của chúng cùng với độ chính xác chi tiết, các phân tích có thể xác định các tình huống sắp tới và các quy trình tự động có thể phát triển các đầu ra không có lỗi.

Lượng dữ liệu đang tăng lên từng ngày, do đó, các doanh nghiệp sản xuất cần tận dụng các giải pháp thông minh hơn để làm cho toàn bộ quy trình của họ hiệu quả và có thể mở rộng. Dữ liệu giúp rất nhiều về mặt tự động hóa quá trình và thậm chí dự đoán và giám sát performance của máy móc.

Thuật toán cốt lõi được phát triển thông qua học máy và các sản phẩm hỗ trợ AI sẽ là một giai đoạn chuyển đổi số lớn cho các nhà sản xuất. Nhìn chung, ngành sản xuất công nghiệp sẽ sẵn sàng phát triển các quy trình thiết kế phức tạp với các prototype phức tạp hơn.

Dữ liệu được thu thập từ các sản phẩm và quy trình sẽ được đưa vào mô hình ML để cải thiện hơn nữa quy trình sản xuất thông qua một vòng phản hồi liên tục Digital Twin. Tương lai sẽ có một loạt robot và học máy sẽ biến đổi các hoạt động công nghiệp, lực lượng sản xuất sẽ cần được bổ sung để làm việc cùng với các thiết bị mới được phát triển, trong khi các máy móc truyền thống sẽ yêu cầu trang điểm để phù hợp với ngành. Để có được những hiểu biết có thể hành động chính xác đòi hỏi một lượng dữ liệu đáng kể trong thời gian thực để hiểu được sự bất thường trước khi hệ thống bị lỗi.

Machine Learning là một yếu tố chính của Bảo trì Dự đoán tiên tiến bằng cách xác định, theo dõi và phân tích các biến hệ thống quan trọng trong quá trình sản xuất. Thông qua ML, các nhà khai thác có thể được cảnh báo trước khi hệ thống bị lỗi và trong một số trường hợp không có sự tương tác của nhà quản lý và tránh thời gian ngừng hoạt động không có kế hoạch tốn kém.

Cải tiến quy trình sản xuất chung

Một trong những điều đầu tiên xuất hiện khi nghĩ về các giải pháp dựa trên ML là cách chúng có thể phục vụ các quy trình hàng ngày trong toàn bộ chu trình sản xuất. Bằng cách sử dụng công nghệ này, các nhà sản xuất có thể phát hiện tất cả các loại vấn đề trên các phương pháp sản xuất thông thường của họ, từ các nút thắt cổ chai đến các dây chuyền sản xuất không có lợi.

Bằng cách kết hợp các công cụ machine learning với Internet vạn vật công nghiệp, các công ty đang xem xét sâu hơn về hậu cần, hàng tồn kho, tài sản và quản lý chuỗi cung ứng của họ. Điều này mang lại những hiểu biết có giá trị cao, phát hiện ra những cơ hội tiềm năng không chỉ trong quá trình sản xuất mà cả trong việc đóng gói và phân phối.

Một ví dụ tuyệt vời về điều này có thể được tìm thấy ở tập đoàn Siemens của Đức, nơi đã sử dụng mạng lưới thần kinh để giám sát các nhà máy thép của mình nhằm tìm kiếm các vấn đề tiềm ẩn có thể ảnh hưởng đến hiệu quả của nó. Thông qua sự kết hợp các cảm biến được cài đặt trong thiết bị của mình và với sự trợ giúp của đám mây thông minh của riêng mình (được gọi là  Mindsphere ), Siemens có khả năng giám sát, ghi lại và phân tích từng bước liên quan đến quy trình sản xuất.  Động lực này là cái mà một số người gọi là Công nghiệp 4.0, một thương hiệu của thời đại sản xuất thông minh hơn.

Phát triển sản phẩm mới

Một trong những ứng dụng được áp dụng rộng rãi nhất của machine learning liên quan đến giai đoạn phát triển sản phẩm. Đó là bởi vì giai đoạn thiết kế và lập kế hoạch cho các sản phẩm mới, và cải tiến những sản phẩm hiện có, gắn liền với vô số thông tin phải được xem xét để mang lại kết quả tốt nhất.

Do đó, các giải pháp ML có thể giúp thu thập dữ liệu của người tiêu dùng và phân tích nó để hiểu nhu cầu, khám phá các nhu cầu tiềm ẩn và phát hiện các cơ hội kinh doanh mới. Tất cả điều này kết thúc trong các sản phẩm tốt hơn từ danh mục hiện có cũng như những sản phẩm mới có thể mở ra nguồn doanh thu mới cho công ty. machine learning đặc biệt tốt trong việc giảm thiểu rủi ro liên quan đến việc phát triển các sản phẩm mới, vì những hiểu biết mà nó cung cấp cho giai đoạn lập kế hoạch cho các quyết định sáng suốt hơn.

Coca Cola, một trong những thương hiệu lớn nhất thế giới, đang sử dụng Machine Learning để phát triển sản phẩm. Trên thực tế,  sự ra mắt của Cherry Sprite  là kết quả của việc sử dụng ML của công ty. Công ty đã sử dụng các quầy pha chế soda tương tác nơi khách hàng có thể thêm các hương vị khác nhau vào đồ uống cơ bản của danh mục. Coca Cola đã thu thập dữ liệu kết quả và sử dụng Machine Learning để xác định các kết hợp thường xuyên nhất. Kết quả là Việc phát hiện ra một thị trường đủ lớn để giới thiệu một loại đồ uống mới trên toàn quốc.

Kiểm soát chất lượng sản xuất

Khi được sử dụng tốt, Machine Learning có thể cải thiện chất lượng sản phẩm cuối cùng  lên tới 35% , đặc biệt là trong các ngành sản xuất riêng biệt. Có hai cách để ML có thể làm điều này. Đầu tiên và quan trọng nhất, tìm thấy sự bất thường trong các sản phẩm và bao bì của chúng. Thông qua kiểm tra sâu sắc các sản phẩm được sản xuất, các công ty có thể ngăn chặn các sản phẩm bị lỗi tiếp cận thị trường. Trên thực tế, có những nghiên cứu nói về sự  cải thiện tới 90% trong việc phát hiện khuyết tật khi so sánh với kiểm tra của con người.

Và sau đó là sự nâng cao có thể về chất lượng của quá trình sản xuất. Thông qua các thiết bị IoT và ứng dụng ML, doanh nghiệp có thể phân tích tính khả dụng và hiệu suất của tất cả các thiết bị được sử dụng trong quy trình sản xuất. Điều này cho phép bảo trì dự đoán, ước tính thời gian tốt nhất để tham gia vào các thiết bị cụ thể để kéo dài tuổi thọ của nó và tránh thời gian ngừng hoạt động tốn kém.

General Electric  là một trong những nhà đầu tư lớn nhất trong bộ phận kiểm soát chất lượng, đặc biệt là mọi thứ liên quan đến bảo trì dự đoán. Nó đã tạo ra và triển khai các công cụ dựa trên ML của mình trong hơn 100,000 tài sản trên khắp các đơn vị kinh doanh và khách hàng của mình, bao gồm cả ngành hàng không vũ trụ, sản xuất điện và vận tải. Các hệ thống của nó hoạt động để phát hiện các dấu hiệu cảnh báo sớm về sự bất thường trong dây chuyền sản xuất của nó và cung cấp tiên lượng cho các ước tính dài hạn về hành vi và cuộc sống.

Giảm thiểu lỗi thiết bị

Xác định thời điểm tiến hành bảo trì thiết bị là một nhiệm vụ đặc biệt khó khăn với số tiền đặt cược rất lớn. Mỗi lần máy được đưa ra để bảo trì, nó không hoạt động và thậm chí có thể yêu cầu thời gian ngừng hoạt động của nhà máy cho đến khi được sửa chữa.

Sửa chữa thường xuyên có nghĩa là tổn thất, và bảo trì không thường xuyên có thể dẫn đến sự cố thậm chí tốn kém hơn. Chi phí toàn cầu cho thời gian ngừng hoạt động của thiết bị tăng thêm tới  647 tỷ đô la hàng năm . Nhìn theo một cách khác: Chi phí quốc tế trung bình của downtime nói là  5.600 đô la mỗi phút .

Với những chi phí đó, không có gì ngạc nhiên khi ngăn chặn ngay cả một lần mất điện ngoài dự kiến ​​có thể trả cho chi phí thực hiện machine learning . Làm thế nào để machine learning giảm thiểu những vấn đề này, chính xác?

Các thuật toán machine learning rất tuyệt vời trong việc cân bằng nhiều nguồn dữ liệu để dự đoán và xác định thời gian sửa chữa tối ưu. Điều này có thể được thực hiện đơn giản bằng cách xác định lỗi và lỗi khi chúng xảy ra để chúng được xử lý ngay lập tức – không chỉ một lần con người phát hiện ra chúng sau đó.

Ngoài ra, các thuật toán machine learning sử dụng dữ liệu lịch sử để xác định các kiểu hỏng hóc thiết bị, giúp chúng xác định khi nào nên bảo trì thường xuyên.

Dữ liệu cũng có thể được lấy tự động từ bên trong thiết bị, loại bỏ sự cần thiết phải kiểm tra thủ công. Tăng tốc độ và hiệu quả – cộng với giảm chi phí nhân lực – chuyển thành ROI đáng kể cho hầu hết các công ty, nhưng lợi nhuận lớn nhất đến từ sự thay đổi trong cách bảo trì được tiến hành.

Bảo trì dự đoán với Machine Learning

Bảo trì chiếm một phần đáng kể trong mọi chi phí của hoạt động sản xuất. Vì lý do này, Bảo trì Dự đoán đã trở thành mục tiêu chung của các nhà sản xuất, được rút ra bởi nhiều lợi ích của nó bao gồm giảm đáng kể tác động của Sáu tổn thất lớn.

Mặc dù các nhà sản xuất nhất định thực hiện Bảo trì Dự đoán, nhưng điều này thường được thực hiện bằng cách sử dụng các hệ thống SCADA được thiết lập với ngưỡng, quy tắc cảnh báo và cấu hình được mã hóa của con người.

Cách tiếp cận bán thủ công này không tính đến các kiểu hành vi động phức tạp hơn của máy móc, hoặc dữ liệu theo ngữ cảnh liên quan đến quy trình sản xuất nói chung. Ví dụ, một cảm biến trên máy sản xuất có thể tăng nhiệt độ đột ngột. Một hệ thống dựa trên quy tắc tĩnh sẽ không tính đến thực tế là máy đang được khử trùng và sẽ tiến hành kích hoạt cảnh báo dương tính giả.

Ngược lại, thuật toán Machine Learning được cung cấp dữ liệu OT (từ tầng sản xuất: cảm biến, PLC, nhà sử học, SCADA), dữ liệu CNTT (dữ liệu theo ngữ cảnh: ERP, chất lượng, MES, v.v.) và thông tin quy trình sản xuất mô tả tính đồng bộ giữa máy móc và tốc độ dòng sản xuất.

Trong AI công nghiệp , quy trình được gọi là đào tạo trực tuyến, cho phép các thuật toán ML phát hiện sự bất thường và kiểm tra mối tương quan trong khi tìm kiếm các mẫu trên các nguồn cấp dữ liệu khác nhau. Sức mạnh của Machine Learning nằm ở khả năng phân tích lượng dữ liệu rất lớn trong thời gian thực và đề xuất các phản hồi có thể hành động đối với các vấn đề có thể phát sinh. Sức khỏe và hành vi của mọi tài sản và hệ thống được đánh giá liên tục, sự suy giảm thành phần được xác định trước khi gặp trục trặc và những hiểu biết được hình dung trên một cặp song sinh kỹ thuật số .

Robot

Một số cộng tác viên nổi tiếng nhất cho các nhà sản xuất ngày càng thông minh hơn với machine learning : robot. Việc sử dụng trí thông minh nhân tạo trong robot cho phép chúng đảm nhận các công việc thường ngày phức tạp hoặc nguy hiểm cho con người. Những robot mới này vượt qua các dây chuyền lắp ráp mà trước đây chúng đã bị xuống hạng, vì khả năng ML của chúng cho phép chúng giải quyết các quy trình phức tạp hơn trước.

Đó chính xác là những gì KUKA, một công ty sản xuất của Đức, Trung Quốc, đang nhắm đến với các robot công nghiệp của mình. Mục tiêu của nó là tạo ra những robot có thể hoạt động cùng với con người và đóng vai trò là cộng tác viên (cobot) của họ. Và theo nghĩa đó, công ty đang đưa robot của mình – LBR iiwa – vào cuộc. Robot thông minh này được trang bị các cảm biến hiệu suất cao cho phép nó thực hiện các nhiệm vụ phức tạp trong khi làm việc bên cạnh con người và học cách cải thiện năng suất của chúng.

Bản thân KUKA sử dụng robot của mình trong các nhà máy của mình, nhưng cũng có những nhà sản xuất lớn khác cũng làm như vậy. BMW, thương hiệu ô tô nổi tiếng, là  một trong những khách hàng lớn nhất của nó và là một trong những doanh nghiệp đã phát hiện ra rằng robot có thể giảm các lỗi liên quan đến con người, tăng năng suất và tăng giá trị trong toàn bộ chuỗi sản xuất.