Urz\u0105dzenia pracuj\u0105ce w hali fabrycznej mog\u0105 teraz wysy\u0142a\u0107 ogromne ilo\u015bci danych o procesach produkcyjnych, kt\u00f3re s\u0105 nast\u0119pnie przetwarzanie przez algorytmy ML komputer\u00f3w. Na przyk\u0142ad w kontroli jako\u015bci procesu druku algorytm ML potrafi wykry\u0107 u\u017cycie nieprawid\u0142owego koloru, niedok\u0142adne po\u0142o\u017cenie, brakuj\u0105ce detale lub inne defekty. Komputer potrafi w miar\u0119 up\u0142ywu czasu nauczy\u0107 si\u0119 wykonywania test\u00f3w pod k\u0105tem wspomnianych wad lub jeszcze innych i nie ma potrzeby, aby programista wst\u0119pnie zdefiniowa\u0142 wszystkie parametry test\u00f3w kontroli jako\u015bci. Te analizowane szczeg\u00f3\u0142y ko\u0144cowego produktu drukowanego decyduj\u0105, czy produkt ten przejdzie ca\u0142y test kontroli jako\u015bci, czy te\u017c nie.<\/p>\n
W miar\u0119 jak komputer staje si\u0119 coraz bardziej zaznajomiony z procedurami produkcji, potrafi przetworzy\u0107 dane pochodz\u0105ce z procesu produkcji na informacje, kt\u00f3re mog\u0105 by\u0107 wykorzystane w czasie niemal rzeczywistym do okre\u015blenia, czy konkretna partia produkcyjna przejdzie testy kontroli jako\u015bci. Niejednokrotnie mo\u017cna dokona\u0107 poprawek parametr\u00f3w procesu produkcji, aby ocali\u0107 parti\u0119 wyrob\u00f3w, kt\u00f3ra nie przejdzie test\u00f3w. Poprzez identyfikacj\u0119 w zebranym zbiorze danych g\u0142\u00f3wnych czynnik\u00f3w maj\u0105cych wp\u0142yw na jako\u015b\u0107 komputer potrafi, w odr\u00f3\u017cnieniu od cz\u0142owieka, szybko zidentyfikowa\u0107 wzorce. Dzi\u0119ki temu mo\u017cna automatycznie dokona\u0107 poprawek parametr\u00f3w produkcji lub zaalarmowa\u0107 operator\u00f3w, kt\u00f3rzy zrobi\u0105 to r\u0119cznie.<\/p>\n
Wyzwania zwi\u0105zane z uczeniem maszynowym<\/h3>\n
Niestety, wdro\u017cenie technologii uczenia maszynowego nie jest prostym rozwi\u0105zaniem typu plug-and-play<\/i>. Podobnie jak ucze\u0144 w szkole, maszyna wymaga prawid\u0142owego poinstruowania, aby mog\u0142a perfekcyjnie wykonywa\u0107 swoje zadania.<\/p>\n
Zbieranie danych wysokiej jako\u015bci jest wielkim pocz\u0105tkowym wyzwaniem w procesie wdro\u017cenia ML. Etap ten jest kluczowy dla uzyskania sukcesu, poniewa\u017c maszyna nie potrafi uczy\u0107 si\u0119 na podstawie uszkodzonych, zak\u0142\u00f3conych, zniekszta\u0142conych lub niezakwalifikowanych danych. Prawid\u0142owe zbieranie danych obejmuje ich zapis w standaryzowanym formacie, co czasami wymaga ich przetworzenia z oryginalnego ?surowego? (ang. raw<\/i>) formatu.<\/p>\n
Po zako\u0144czeniu zbierania danych model sztucznej inteligencji wymaga dostarczenia zbioru danych oznaczonych (labeled data<\/i>) do nauki. Ten zbi\u00f3r danych jest dzielony na kategorie wed\u0142ug klasy, takie jak OK lub nie OK, zakwalifikowane lub niezakwalifikowane, jednak wiele organizacji nie posiada specjalist\u00f3w ani zasob\u00f3w, dzi\u0119ki kt\u00f3rym mog\u0142yby identyfikowa\u0107 i oznacza\u0107 te wzorce ML.<\/p>\n
Modele sztucznej inteligencji cz\u0119sto wykorzystuj\u0105 do treningu statyczne, historyczne ekstrakty z dynamicznych zazwyczaj danych. Jednak dane dotycz\u0105ce produkcji przemys\u0142owej mog\u0105 si\u0119 gwa\u0142townie zmienia\u0107 w nieznany i niewykryty spos\u00f3b ju\u017c po wdro\u017ceniu modeli ML, a to z powodu zmiennych warunk\u00f3w proces\u00f3w technologicznych, dynamicznych interwencji cz\u0142owieka oraz innych przyczyn. To zwykle prowadzi do pogorszenia zdolno\u015bci predykcyjnych oraz niezawodno\u015bci modelu w miar\u0119 up\u0142ywu czasu (patrz Rys. 1).<\/p>\n
Gdy model \u017ale klasyfikuje w\u0142a\u015bciwo\u015bci lub prezentuje wyniki o niskim poziomie wiarygodno\u015bci, to konieczne jest ponowne wytrenowanie go za pomoc\u0105 nowego lub dodatkowego zbioru danych oznaczonych.<\/p>\n Typowa aplikacja ML odbiera dane z takich urz\u0105dze\u0144 jak kamery, mikrofony, czujniki temperatury oraz inne. Po imporcie i wst\u0119pnej obr\u00f3bce danych model ML analizuje te dane i tworzy wyj\u015bcie modelowe (patrz Rys. 2).<\/p>\n Przyk\u0142ad praktyczny ? przewidywanie jako\u015bci produktu. Dane wyj\u015bciowe z modelu s\u0105 cz\u0119sto wynikiem odnosz\u0105cym si\u0119 do jako\u015bci produktu albo prawdopodobie\u0144stwa wyprodukowania akceptowalnej lub wadliwej cz\u0119\u015bci czy partii. Aplikacja ML przesy\u0142a te prognozy jako\u015bci do r\u00f3\u017cnych system\u00f3w w firmie, takich jak MES (system realizacji produkcji), kt\u00f3ry potrafi wtedy dostroi\u0107 parametry technologiczne w celu optymalizacji jako\u015bci wyrob\u00f3w lub po prostu wy\u015bwietli\u0107 odpowiednie informacje operatorowi.<\/p>\n Aby zapobiec pogarszaniu si\u0119 dok\u0142adno\u015bci modelu wraz z up\u0142ywem czasu, aplikacja ML musi por\u00f3wnywa\u0107 przewidywane dane wyj\u015bciowe z wynikami rzeczywistymi, dokonuj\u0105c w przysz\u0142o\u015bci dostrajania modelowania na podstawie odchyle\u0144 warto\u015bci prognozowanych od rzeczywistych.<\/p>\n Gdy czujniki i inne urz\u0105dzenia obiektowe wysy\u0142aj\u0105 sygna\u0142y do komputer\u00f3w i serwer\u00f3w w zak\u0142adzie oraz w wielu przypadkach do chmury obliczeniowej, to pomagaj\u0105 w ten spos\u00f3b w stworzeniu obrazu bie\u017c\u0105cego stanu funkcjonowania fabryki. Informacje uzyskane na podstawie danych s\u0105 wykorzystywane przez operator\u00f3w maszyn i urz\u0105dze\u0144 oraz kierownictwo do zwi\u0119kszania wydajno\u015bci produkcji, zapewniania bezpiecze\u0144stwa i dostosowywania si\u0119 do nowych wymaga\u0144 okre\u015blonych przepisami czy standardami.<\/p>\n Technologia cyfrowych bli\u017aniak\u00f3w jak \u017cadne inne narz\u0119dzie u\u0142atwia proces sta\u0142ej optymalizacji. Dane zebrane z czujnik\u00f3w w hali fabrycznej potrafi\u0105 znacznie zwi\u0119kszy\u0107 efektywno\u015b\u0107 operacji realizowanych w zak\u0142adzie.<\/p>\n Ten typ narz\u0119dzia nie tylko ujawnia zdefiniowany produkt wytworzony z konkretnych materia\u0142\u00f3w czy sk\u0142adnik\u00f3w, posiadaj\u0105cy znan\u0105 mas\u0119, wyprodukowany okre\u015blonego dnia i maj\u0105cy konkretn\u0105 jako\u015b\u0107. Mo\u017ce te\u017c jednak ujawni\u0107 takie dane, jak temperatura, wilgotno\u015b\u0107 i wiele innych, kt\u00f3re maj\u0105 wp\u0142yw na produkt ko\u0144cowy, a nast\u0119pnie skorelowa\u0107 te czynniki \u015brodowiskowe z jako\u015bci\u0105 produktu ko\u0144cowego. Ten kompletny zbi\u00f3r danych umo\u017cliwia stworzenie cyfrowego bli\u017aniaka procesu produkcji i samego produktu, co jest kompletn\u0105 wirtualn\u0105 prezentacj\u0105 produktu i sposobu jego wytworzenia.<\/p>\n W przypadkach, w kt\u00f3rych trudno jest wygenerowa\u0107 dane rzeczywiste do wytrenowania modelu, specjalista mo\u017ce stworzy\u0107 cyfrowego bli\u017aniaka, uruchamiaj\u0105c symulacje w celu stworzenia zbioru niezb\u0119dnych danych o produkcie, aby wytrenowa\u0107 model ML. Cyfrowe bli\u017aniaki umo\u017cliwiaj\u0105 lepsze i szybsze opracowanie produktu, poniewa\u017c technologia symulacji przy\u015bpiesza projektowanie i testowanie na d\u0142ugo zanim zostan\u0105 wytworzone prototypy fizyczne. Cyfrowe bli\u017aniaki zwi\u0119kszaj\u0105 te\u017c efektywno\u015b\u0107 projektowania, poniewa\u017c umo\u017cliwiaj\u0105 deweloperom wypr\u00f3bowanie i por\u00f3wnanie wi\u0119kszej liczby konfiguracji, ni\u017c jest to mo\u017cliwe w przypadku modeli fizycznych (patrz Rys. 3).<\/p>\n Na przyk\u0142ad cyfrowy bli\u017aniak mo\u017ce by\u0107 wykorzystany do zwi\u0119kszenia efektywno\u015bci energetycznej nowego budynku jeszcze przed rozpocz\u0119ciem prac budowlanych. Poza w\u0142\u0105czeniem wizualizacji element\u00f3w geometrycznych tego budynku cyfrowy bli\u017aniak mo\u017ce zawiera\u0107 harmonogram i bud\u017cet realizacji projektu oraz dane dotycz\u0105ce dostaw energii do budynku, o\u015bwietlenia, instalacji przeciwpo\u017carowej, a tak\u017ce dane operacyjne. W wyniki tego in\u017cynierowie mog\u0105 zoptymalizowa\u0107 wp\u0142yw klimatyczny przysz\u0142ego budynku jeszcze przed rozpocz\u0119ciem wykop\u00f3w pod fundamenty.<\/p>\n Ponadto cyfrowy bli\u017aniak zbiera dane w ci\u0105gu ca\u0142ego swojego cyklu \u017cycia. Dane te mog\u0105 obejmowa\u0107 obci\u0105\u017cenia fizyczne, komponenty, kt\u00f3re uleg\u0142y awarii lub funkcjonowanie obiekt\u00f3w, takie jak np. frezarka, samolot czy budynek. Takie informacje wspieraj\u0105 optymalizacj\u0119 podczas operacji oraz pomagaj\u0105 projektantom, architektom oraz in\u017cynierom w przygotowaniu nowych generacji produkt\u00f3w.<\/p>\n Aby tworzy\u0107 dok\u0142adne cyfrowe bli\u017aniaki rzeczywistych system\u00f3w technicznych, deweloperzy musz\u0105 rozumie\u0107 warto\u015bci materialne systemu, dane projektowe, funkcjonalne przep\u0142ywy robocze oraz otaczaj\u0105ce prawa natury. Cyfrowy bli\u017aniak musi tak\u017ce rejestrowa\u0107 rozbie\u017cno\u015bci pomi\u0119dzy systemowymi warto\u015bciami modelowanymi a rzeczywistymi, aby utrzymywa\u0107 dok\u0142adno\u015b\u0107 w czasie.<\/p>\n Wykorzystuj\u0105c technologi\u0119 uczenia maszynowego oraz w\u0142a\u015bciwe komputerom szybkie przetwarzanie du\u017cych zbior\u00f3w danych, model mo\u017ce ujawnia\u0107 bardzo z\u0142o\u017cone powi\u0105zania, kt\u00f3rych cz\u0142owiek nie m\u00f3g\u0142by wyznaczy\u0107. Komputer mo\u017ce wykorzysta\u0107 ?metod\u0119 mr\u00f3wek? do efektywnej optymalizacji modelu.<\/p>\n W przyrodzie kolonie mr\u00f3wek wykorzystuj\u0105 substancje zapachowe do znaczenia swoich \u015bcie\u017cek podczas poszukiwania pokarmu. Poniewa\u017c mr\u00f3wki cz\u0119\u015bciej wykorzystuj\u0105 najkr\u00f3tsz\u0105 \u015bcie\u017ck\u0119, cz\u0119stsze znakowanie jej zamiast \u015bcie\u017cek d\u0142u\u017cszych powoduje, \u017ce w miar\u0119 up\u0142ywu czasu wydziela ona coraz silniejszy zapach.<\/p>\n Podobnie jak mr\u00f3wki do znaczenia swoich \u015bcie\u017cek, modelowanie oparte na ML wykorzystuje t\u0119 metod\u0119 do optymalizacji proces\u00f3w produkcyjnych w miar\u0119 up\u0142ywu czasu, poniewa\u017c symulowanie wszystkich mo\u017cliwych do opracowania procedur i por\u00f3wnywanie ich ze sob\u0105 nawzajem jednocze\u015bnie wyczerpa\u0142oby zasoby obliczeniowe komputera. Zamiast tego komputer zmienia procedur\u0119 produkcji kawa\u0142ek po kawa\u0142ku w miar\u0119 jak tworzy korelacje pomi\u0119dzy metodami operacyjnymi a wynikami test\u00f3w kontroli jako\u015bci. Ta metodologia umo\u017cliwia modelowi ML wyznaczenie najbardziej efektywnej drogi realizowania operacji.<\/p>\n Pewien czo\u0142owy producent uk\u0142ad\u00f3w przeniesienia nap\u0119du do pojazd\u00f3w z silnikami benzynowymi, Diesla oraz elektrycznymi zacz\u0105\u0142 wykorzystywa\u0107 oprogramowanie SimCenter Amesim firmy Siemens do opracowania i sprz\u0119\u017cenia wirtualnych czujnik\u00f3w ze sztuczn\u0105 inteligencj\u0105. To oprogramowanie do symulacji uk\u0142ad\u00f3w mechatronicznych umo\u017cliwi\u0142o firmie przemys\u0142owej stworzenie wirtualnych modeli (patrz Rys. 4) swoich uk\u0142ad\u00f3w przeniesienia nap\u0119du w celu okre\u015blenia idealnych parametr\u00f3w konstrukcyjnych przed wyprodukowaniem fizycznych prototyp\u00f3w, co pozwoli\u0142o firmie na unikni\u0119cie zmarnowania czasu i \u015brodk\u00f3w na ewentualne wadliwe prototypy.<\/p>\n Poza projektowaniem sprz\u0119tu producent wykorzysta\u0142 model wirtualny do optymalizacji strategii sterowania dzia\u0142aniem swoich wyrob\u00f3w. Przek\u0142adaj\u0105c ten model na format nadaj\u0105cy si\u0119 do wdro\u017cenia we wbudowanych w nap\u0119dy elektronicznych uk\u0142adach sterowania, specjali\u015bci z firmy wyposa\u017cyli te sterowniki w mo\u017cliwo\u015bci uczenia maszynowego, oparte na technologii sztucznej inteligencji. To da\u0142o uk\u0142adom przeniesienia nap\u0119du mo\u017cliwo\u015b\u0107 automatycznej adaptacji wyj\u015bciowej pr\u0119dko\u015bci i momentu obrotowego do bie\u017c\u0105cego cyklu jazdy oraz aplikacji pojazdu.<\/p>\n W miar\u0119 up\u0142ywu czasu, wykorzystuj\u0105c zbiory prawid\u0142owo oznaczonych danych, algorytmy ML dzia\u0142aj\u0105 coraz lepiej, a cyfrowe bli\u017aniaki staj\u0105 si\u0119 standardem w projektowaniu produkt\u00f3w, fabryk oraz system\u00f3w automatyki. W rezultacie te technologie s\u0105 coraz cz\u0119\u015bciej akceptowane przy certyfikacjach, takich jak zgodno\u015b\u0107 z przepisami bezpiecze\u0144stwa oraz ochrony \u015brodowiska.<\/p>\n Poniewa\u017c cyfrowe bli\u017aniaki staj\u0105 si\u0119 coraz popularniejsze, b\u0119d\u0105 one \u0142\u0105czone z dostarczaniem na rynek system\u00f3w i produkt\u00f3w fizycznych, umo\u017cliwiaj\u0105c u\u017cytkownikom tej technologii stawianie hipotez oraz testowanie wynik\u00f3w modyfikacji swoich projekt\u00f3w i proces\u00f3w przed uruchomieniem produkcji.<\/p>\n Dzi\u0119ki wnikliwej technologii uczenia maszynowego i rozpoznawaniu wzorc\u00f3w dane z symulacji wykonywanych przez cyfrowe bli\u017aniaki oraz dane rzeczywiste z czujnik\u00f3w obiektowych mog\u0105 by\u0107 przetwarzane w celu tworzenia dok\u0142adnych i sprawdzonych w czasie modeli produkcyjnych. Modele te przy\u015bpieszaj\u0105 optymalizacj\u0119 proces\u00f3w i maszyn przemys\u0142owych, zwi\u0119kszaj\u0105c wydajno\u015b\u0107 produkcji oraz skracaj\u0105c czas wprowadzania produkt\u00f3w na rynek, jednocze\u015bnie redukuj\u0105c koszty utrzymania ruchu oraz przestoje.<\/p>\n Alessandra Da Silva,<\/i><\/b> mened\u017cer ds. marketingu produktu w firmie Siemens Industry Inc.<\/i><\/p>\n","protected":false},"excerpt":{"rendered":" Post\u0119py w zautomatyzowanym przetwarzaniu danych i algorytmach uczenia maszynowego zwi\u0119kszaj\u0105 warto\u015b\u0107 modeli i symulacji produkt\u00f3w oraz proces\u00f3w przemys\u0142owych. Nowoczesne procesy produkcyjne generuj\u0105 wielkie ilo\u015bci danych. W czasach, gdy liczba czujnik\u00f3w […]<\/p>\n","protected":false},"author":3,"featured_media":5385,"comment_status":"closed","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_mi_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[45,54],"tags":[77,96,115,184,126,75,118],"class_list":["post-5382","post","type-post","status-publish","format-standard","has-post-thumbnail","category-big-data","category-oprogramowanie-do-projektowania","tag-digital-twin","tag-iot","tag-machine-learning","tag-oprogramowanie-do-projektowania","tag-przemysl-4-0","tag-siemens-digital-industries-software","tag-sztuczna-inteligencja-ai"],"_links":{"self":[{"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/posts\/5382","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/users\/3"}],"replies":[{"embeddable":true,"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/comments?post=5382"}],"version-history":[{"count":1,"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/posts\/5382\/revisions"}],"predecessor-version":[{"id":5387,"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/posts\/5382\/revisions\/5387"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/media\/5385"}],"wp:attachment":[{"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/media?parent=5382"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/categories?post=5382"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.designnews.pl\/wp-json\/wp\/v2\/tags?post=5382"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}![\"\"](\"https:\/\/www.designnews.pl\/wp-content\/uploads\/2022\/11\/modelujace01.png\")
Monitorowanie system\u00f3w produkcyjnych<\/h3>\n
![\"\"](\"https:\/\/www.designnews.pl\/wp-content\/uploads\/2022\/11\/modelujace02.png\")
Rozwi\u0105zanie uniwersalne<\/h3>\n
Nauczenie si\u0119 ?metody mr\u00f3wek?<\/h3>\n
![\"\"](\"https:\/\/www.designnews.pl\/wp-content\/uploads\/2022\/11\/modelujace04.png\")
Wykorzystanie rozpoznawania wzorc\u00f3w przez komputery<\/h3>\n
\n