Изкуствен интелект в производството – подобряване на долната линия



Изкуственият интелект и неговото практическо приложение в производствената среда

Тъй като производствената индустрия става все по-конкурентна, производителите трябва да внедрят сложни технологии, за да подобрят производителността. Изкуственият интелект или AI може да се приложи към различни системи в производството. Той може да разпознава модели, както и да изпълнява времеемки и умствено предизвикателни или невъзможни за човека задачи. В производството често се прилага в областта на базираното на ограничения производствено планиране и обработката в затворен цикъл.

AI софтуерът използва генетични алгоритми за програмно организиране на производствени графици за възможно най-добър резултат въз основа на редица ограничения, които са предварително дефинирани от потребителя. Тези базирани на правила програми преминават през хиляди възможности, докато се стигне до най-оптималния график, който най-добре отговаря на всички критерии.

Друго появяващо се приложение за AI в производствена среда е контролът на процеси или обработката в затворен цикъл. При тази настройка софтуерът използва алгоритми, които анализират кои минали производствени серии са се доближили най-много до постигане на целите на производителя за текущата предстояща производствена серия. След това софтуерът изчислява най-добрите настройки на процеса за текущата работа и или автоматично коригира производствените настройки, или представя рецепта за настройка на машината на персонала, която те могат да използват, за да създадат възможно най-добрия цикъл.

Това позволява изпълнението на прогресивно по-ефективни серии чрез използване на информация, събрана от минали производствени серии. Тези скорошни постижения в моделирането на ограниченията, логиката на планиране и използваемостта позволиха на производителите да спестят разходи, да намалят инвентара и да увеличат крайните печалби.



AI – Кратка история



Концепцията за изкуствен интелект съществува от 70-те години на миналия век. Първоначално основната цел беше компютрите да вземат решения без участието на хората. Но така и не се разбра, отчасти защото системните администратори не можаха да разберат как да използват всички данни. Дори ако някои можеха да разберат стойността на данните, те бяха много трудни за използване, дори за инженерите.

На всичкото отгоре предизвикателството да се извлекат данни от елементарните бази данни от преди три десетилетия беше значително. Ранните внедрявания на AI щяха да изхвърлят купища данни, повечето от които не можеха да се споделят или адаптивни към различни бизнес нужди.



Възраждането



ИИ се възражда, благодарение на десетгодишен подход, наречен невронни мрежи. Невронните мрежи са моделирани въз основа на логическите асоциации, направени от човешкия мозък. На компютърен език те се основават на математически модели, които натрупват данни въз основа на параметри, зададени от администраторите.

След като мрежата е обучена да разпознава тези параметри, тя може да направи оценка, да стигне до заключение и да предприеме действия. Невронната мрежа може да разпознае връзки и да забележи тенденции в огромни количества данни, които не биха били очевидни за хората. Тази технология сега се използва в експертни системи за производствена технология.



Практическо приложение в реалния свят



Някои автомобилни компании използват тези експертни системи за управление на работните процеси, като маршрутизиране на работните поръчки и производствена последователност. Nissan и Toyota, например, моделират материалния поток в целия производствен етаж, към който системата за изпълнение на производството прилага правила в последователността и координирането на производствените операции. Много автомобилни заводи използват базирани на правила технологии за оптимизиране на потока от части през клетка за боядисване въз основа на цветове и последователност, като по този начин минимизират смяната на спрей боя. Тези базирани на правила системи са в състояние да генерират реалистични производствени графици, които отчитат капризите в производството, клиентските поръчки, суровините, логистиката и бизнес стратегиите.

Доставчиците обикновено не обичат да наричат ​​своите базирани на AI приложения за планиране като AI поради факта, че фразата има известна стигма, свързана с нея. Купувачите може би не са склонни да харчат пари за нещо толкова ефирно звучащо като AI, но се чувстват по-удобно с термина „планиране, базирано на ограничения“.



Графикът, базиран на ограничения, се нуждае от точни данни



Една добра система за планиране, базирана на ограничения, изисква правилни маршрути, които отразяват стъпките в правилния ред, и добри данни за това дали стъпките могат да бъдат паралелни или дали трябва да са последователни. Обемът на задълбочено планиране, което е необходимо, за да бъде стартирана успешна система, е един от най-големите недостатъци.

Ако мениджърският екип не е дефинирал и заключил точни маршрути по отношение на последователността на операциите и припокриването на операциите и ако не е идентифицирал правилно ограниченията на ресурсите с точни времена за изпълнение и настройка с правилна матрица за настройка, какво ще доведе с е просто много лош краен график, който магазинът не може да произведе. Инструменти като AI не трябва да се разглеждат като решение за черна кутия, а по-скоро като инструмент, който се нуждае от точни данни, за да създаде осъществим график, който може да бъде разбран от потребителите.



График, базиран на ограничения, в рамките на ERP (корпоративно планиране на ресурсите) система



При избора на решение има редица предпоставки за системата, които трябва да търсите. Колкото по-добре едно корпоративно приложение интегрира различни бизнес дисциплини, толкова по-мощно ще бъде то по отношение на предоставянето на базирано на ограничения планиране. Това означава, че ако даден пакет от приложения предлага функционалност, събрана от различни продукти, закупени от производителя, може да е по-трудно да се използва този пакет, за да се осигури добра функционалност за планиране. Това е така, защото редица бизнес променливи, които се намират в непроизводствената функционалност, могат да повлияят на капацитета.

Когато ERP пакет е конфигуриран за базирано на ограничения или ограничено планиране, той обикновено се насочва към сървър за планиране, който изчислява началните и крайните времена за операциите, като се вземат предвид съществуващите поръчки и капацитет. Когато поръчката от магазина се изпълни, системата за планиране актуализира информацията относно операциите и изпраща резултатите обратно на корпоративния сървър.

Функционалността за планиране в рамките на ERP решение трябва да работи в среда с множество сайтове. Да приемем, че трябва да изчислите дата на доставка въз основа на анализ на много нива на материала, както и на капацитета в цялата ви верига на доставки. Системата трябва да ви позволява да планирате предвид всички обекти във вашата верига за доставки и действителната работа, планирана за всеки от тези работни центрове. Ръчно или автоматично трябва да можете да планирате работа и незабавно да дадете на клиента реалистична представа кога поръчката ще бъде завършена.



Повече предимства на AI, базирани на ограничения приложения



Освен незабавно очевидните ползи от управлението на капацитета на базираното на ограничения планиране, има редица по-малко очевидни аналитични възможности. Функционалността за планиране обикновено ви позволява да провеждате предсказуеми анализи на това какво ще се случи, ако бъдат направени определени промени в оптимизиран график. Така че, ако мениджърът на предприятието е притиснат от конкретен ръководител на акаунта да приоритизира поръчка от името на клиент, този мениджър на предприятието може да създаде отлични данни за това колко други поръчки биха закъснели в резултат на това. Освен това тази функционалност може да предостави прогнозни анализи за ефекта от добавения капацитет в завода. Това позволява на производителите да видят дали покупките на оборудване наистина ще осигурят увеличение на капацитета или просто ще доведат до пречка по-надолу в производствения процес.

Empfohlene Artikel

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert