前沿的人工智能提高了制造业的生产率
工厂边缘的人工智能使机器制造商能够提高生产质量和效率
自从IBM在20世纪50年代推出世界上第一台大型计算机以来,信息技术(IT)领域的工程师和制造商一直在通过微电子学和软件不断突破可能性的界限。然而,现代计算机功能直到最近才出现在工业操作技术(OT)领域,因为机器制造商开始意识到IT可以提供效率和生产力的好处。
十年前,OT环境中的数字化和高级分析让采用者在竞争对手面前占据了优势。但今天,制造商们只能依靠IT技术的进步才能跟上时代的步伐。这些进步解决了工厂面临的挑战,例如难以雇用知识渊博的人员、意外设备故障以及缺乏提高效率的运营见解。
尽管IT的许多进步已经进入了OT部署,但人工智能(AI)具有尚未实现的潜力,可以帮助机器制造商实现盈利、保持效率和最小化停机时间。尽管许多人都知道人工智能可以在生产生命周期中提供帮助,但很难确定从哪里开始。本文介绍了支持人工智能的边缘设备的好处,涵盖了许多机器制造商可以使用它们来改进流程的三个领域——预测性维护、质量保证和机器人技术。
数据处理问题
在制造业中,人工智能算法检查流程的多次迭代,捕捉其定量属性。匹配通过和失败的示例结果,算法开始将属性与其各自的结果关联起来。随着时间的推移,AI可以根据生产过程中捕获的定量属性更准确地定义和预测结果(见图1)。
一些工业AI解决方案在云托管服务器中提供数据处理功能,要求工厂传感器将数据传输到云端进行分析。在分析之后,云服务器可以将分析结果发送回工厂车间的工作站,以便工厂人员采取适当的行动。
虽然物联网(IoT)的发展使传感器和云之间的直接通信成为可能,但由于带宽限制和安全问题,直接连接通常是不可取的。工厂地板上的数百个传感器同时广播它们的数据供外部消费可能会阻塞网络,造成带宽和延迟问题。即使数据在工厂和云端之间顺畅地双向流动,通信也必须加密,以确保安全运行和保护敏感信息。
大多数现代工厂都需要基于pc的解决方案来收集、存储和解释历史性能数据,以优化生产。如果所有传感器数据都直接移动到云端,数据聚合就会发生在那里,这比在靠近原始数据源的地方完成这项任务带来更多的数据完整性风险。在分析之前将数据传递到云端会增加数据收集和运营决策之间所需的时间。
支持人工智能的边缘设备增强了操作
为了解决这些问题和其他问题,机器制造商正在工厂车间实施支持人工智能的边缘设备,以提供数据收集、洞察生成和运营决策。它们还充当工厂传感器和云端之间数据传输的主要动脉,在云端可以进行进一步的数据处理和更深入的分析,例如比较全球安装的机器的性能。通过边缘设备的数据传输增强了安全性,因为流量是加密的,只有必要的数据才会离开工厂。
与基于云的AI系统相比,这些类型的边缘设备还可以加快生产线生产速度,因为它们在工厂本身执行运营决策(见图2)。通过AI预测分析,这些边缘设备可以学习评估数据,从而在没有特定任务编程规则的情况下做出决策。这种学习可以应用于视觉质量保证,或状态监测和设备预测维护警报。
工艺和离散制造都严重依赖于检查来暴露制造缺陷,但人工检查成本高,而且容易出错,因为它需要训练有素的人员。AI在引入到生产环境时,可以实现视觉质量保证的机器学习,如下面的示例所示。
汽车焊接视觉质量保证
AI软件需要有限的初始配置,可以经历一个学习期,以确定构成可接受产品与缺陷产品的条件,减少对专家人力资源的需求。通过将摄像头和传感器连接到支持人工智能的边缘设备,汽车制造商能够在不需要人工检查的情况下检测车身上有缺陷的焊缝。
焊接不当会导致车身出现斑点或飞溅,人工智能图像分析软件学会了识别不良焊接的这些特征。当检测到不良焊缝时,边缘设备向生产线可编程逻辑控制器(PLC)发送信号,拒绝车身,将其从装配线转移到工人那里进行补救。
除了汽车制造,人工智能视觉质量验证也有可能用于包装、码垛、材料处理和材料分类应用,以减少错误。通过使用支持人工智能的边缘设备来识别有缺陷的组件,机器制造商可以减少耗时且容易出错的人工检查,同时减少了检测错误的复杂编程例程的需求。
通过支持人工智能的边缘设备,制造商创建了一个神经网络,在整个制造过程中收集数据,与人工检查相比,可以更早、更准确地识别质量缺陷。
PCB制造的预测性维护和质量保证
机器学习也可以应用于状态监测和预测性维护。为了密切关注设备的健康状况,边缘设备可以收集和分析机器数据,通过检测异常来生成设备故障前的警告。
通过实施人工智能和边缘分析,印刷电路板(pcb)制造商最近能够优化其生产流程。在实施AI之前,为了保证每块电路板的质量,需要对其进行线尾x射线测试,这是一个耗时且昂贵的过程。通过实现一个预测模型来计算制造缺陷的可能性,工厂能够改善交货时间并减少缺陷的补救成本。
为了实现这一目标,工厂配置了传感器来检查电路板,并监控制造电机的速度、驱动电流和主轴速度,并沿着生产线为每个PCB创建数千个可量化的数据点。接下来,他们部署了人工智能分析软件来识别特定属性和产品缺陷之间的相关性。
该软件在安装在装配线附近的边缘设备上运行,减少了数据收集、分析和运营决策的时间。通过实施实时分析,工厂能够将生产线末端测试减少30%,同时在故障发生前识别关键设备的维护,从而提高了质量。
在工厂之外,支持人工智能的边缘设备将设备数据传输到云端进行进一步分析。通过云应用程序,运营商能够查看设备健康报告并接收故障预测警报,提供计划纠正停机时间的能力,并降低总维护成本(见图3)。这种AI预测维护实现极大地减少了意外设备故障和相应的停机时间。
机器人
除了预测性维护和质量保证外,人工智能还在提高机器人在工厂车间的效率。智能空间评估和智能物体识别使机器人能够处理大多数物体,而不需要复杂的定制算法或单独的物体编程。这使得生产线能够在不引入新的编程程序的情况下扩大规模,并使制造商能够在不影响质量的情况下减少交货时间,同时增加产量。
机器人可以与视觉分析人工智能一起工作,以验证质量标准是否达到,并随着时间的推移提高自身的运动智能。机器人AI应用实例包括:
- 装有摄像头的机械臂确保产品没有缺陷
- 仓库中的自动引导车辆计算和学习最有效的物料搬运路线
- 自动驾驶汽车识别和避免道路危险和障碍
- 挑选和包装机器人优化产品植入定位(见图4)。
虽然许多机器人仍然需要操作员或程序员提供明确的指令,但正如前面提到的例子所示,人工智能正变得越来越普遍。随着这一趋势的持续,机器人将继续执行由人类执行的困难、危险或高要求的任务,从而将技术人员解放出来,专注于创新流程改进。
未来运营改进的人工智能
随着OT设备越来越多地提供IT功能,机器变得越来越智能,机器制造商的潜在优势是显著的。工厂环境中的人工智能可以简化配置和编程,为设备维护提供提前通知,并减少所需的人工操作干预。
通过在工厂车间实施支持人工智能的边缘设备,机器制造商可以获得:
- 集中获取数据和见解
- 提高自主操作决策能力
- 集成的操作和业务流程工作流
- 生产吞吐量增加。
在过去的十年中,制造商和机器制造商从机器可视化和自动化的进步中受益。但随着IT/OT融合的继续,人工智能将成为推动运营效率进一步提高的主导因素。
原始内容可以在设备工程.
您是否具有本内容中提到的主题的经验和专业知识?你应该考虑为我们的CFE媒体编辑团队做出贡献,并获得你和你的公司应得的认可。点击在这里开始这个过程。