Откриване на аномалии с изкуствен интелект в производството: засичане на производствени загуби в реално време

Ключови изводи

• Откриване на аномалии с ИИ научава как изглежда нормалното на вашата линия и след това маркира отклонения в престои, ритъм на цикъла, качество и показания от сензори в реално време.
• То заменя ръчно настроените прагови аларми, които или са твърде строги (умора от аларми), или твърде разхлабени (безшумни загуби).
• Бъдете прецизни относно обхвата: откриването на аномалии ви казва нещо се е променило сега. Това не е прогнозиране на повреди и доставчиците не бива да размиват двете.
• Започнете с една линия, оставете системата да научи базова стойност от представителни пуски и преглеждайте маркираните аномалии на дневната среща.

Какво е откриване на аномалии с ИИ в производството?

Откриване на аномалии с ИИ е използване на машинно обучение за откриване на аномално поведение в производствените данни. Моделът научава нормалния модел на една линия: колко често спира, ритъма на цикъла за всеки продукт, типичния процент отпадъци, обичайните вибрационни и температурни характеристики на машините. Когато данните в реално време се отклонят от тази база, системата поставя сигнал с прикачен контекст.

Контрастът е с фиксираните аларми. Праговият сигнал казва "уведомете ме, ако температурата надвиши 80 градуса". Откриването на аномалии казва "тази машина се държи по различен начин от нормалното за този продукт при тази скорост", което улавя проблеми, за които никой не се е сетил да напише правило.

Откриване на аномалии срещу фиксирани прагови аларми

Какво се брои за аномалия на производствена линия

Промени в модела на спиранията. Линия, която обикновено има три кратки спирания на час, внезапно има дванадесет. Всяко спиране е малко, така че няма прагова аларма, но моделът е силен сигнал. Нашето ръководство за микроспирания обяснява защо тези изблици са класическата скрита загуба.

Дрейф на времето за цикъл. Циклите тихо нарастват от 2.0 до 2.2 секунди след смяна на продукта. Няма спиране, няма аларма, няколко процента от производството са загубени. Откриването на дрейф улавя момента, в който ритъмът се е променил.

Дрейф в качеството. Видимият процент брак се повишава плавно при един формат с часове преди отчетът в края на пуска да го покаже.

Промени в сигнатурата на сензорите. Вибрацията или температурата се отклоняват от наученото нормално поведение на машината за този продукт и скорост, дори докато остават в абсолютните граници.

Откриването на аномалии не е прогнозиране на повреди

Това разграничение предпазва купувачите от неприятности. Откриването на аномалии отговаря на въпроса "дали линията се държи аномално в момента". Прогнозна поддръжка се опитва да отговори на "кога ще се повреди този компонент", което изисква различни данни, по-дълга история и собствена дисциплина за валидация.

Аномалните сигнали все пак са ценни за поддръжката: повтарящ се аномален модел на една станция е силна причина да се насрочи инспекция. Но подхождайте със скептицизъм към всяко представяне, което тихо надгражда откриването на аномалии до прогнозиране на повреди, и попитайте точно върху какво е бил валидиран моделът.

Откъде идват данните

Качеството на откриването следва качеството на данните. Камерите с ИИ улавят поведението, което машината не може да отчете: реални спирания, реални брояния, реален ритъм на цикъла, дори на линии без достъп до PLC. IoT сензорите добавят вибрация, температура и енергия. PLC връзките предоставят състояния на машината, където съществуват.

Всичките три захранват един и същ слой за мониторинг на производството с ИИ. В Fabrico ИИ-зумирането после показва къде се струпват маркираните неефективности, а ИИ асистентът ви позволява да попитате какво се е променило на ясен език, като част от един общ изглед в ИИ OEE софтуера.

Получаване на стойност през първия месец

• Изберете една линия с упорит разрив в производството и оставете системата да научи от представителни пуски на основните ви продукти.
• Преглеждайте аномалиите всеки ден, подредени по въздействие върху производството, на настоящата производствена среща.
• Затворете цикъла: повтарящите се аномалии на една и съща станция трябва да се превръщат в поръчки за поддръжка, а не в повтарящи се разговори.
• Проследявайте една цифра: колко от маркираните загуби са възстановени. Това е бизнес аргументът, в собствените данни на линията.

Искате ли да видите откриването на аномалии работещо върху линия като вашата? Запазете демонстрация на Fabrico.

Често задавани въпроси

Какво е откриване на аномалии с ИИ в производството?

Това е машинно обучение, което научава нормалното поведение на производствена линия и после маркира отклонения в спиранията, времето за цикъл, качеството и показанията на сензорите в момента, с прикачен контекст.

Как се различава от SPC?

Статистическият контрол на процеса (SPC) наблюдава конкретни характеристики на качеството спрямо контролни граници. Откриването на аномалии прилага същия подход към целия набор от производствени сигнали, като научава базови стойности вместо да разчита на ръчно зададени лимити. Те се допълват взаимно, а не си съперничат.

Предсказва ли повреди?

Не. То открива аномално поведение когато възникне. Прогнозирането на повреди е отделна дисциплина; аномалните сигнали могат да оправдаят инспекция, което е полезно, но това е откриване, което подпомага поддръжката, а не прогнозиране.

Колко исторически данни са нужни на модела?

Достатъчно представителни пуски, за да се научи как изглежда нормалното за всеки продукт и скорост. Ограничен пилот на една линия дава конкретен отговор за вашия завод, което е по-добро от всяко общо число.

Как да избегнем умората от аларми?

Класирайте аномалиите по оценено въздействие върху производство, преглеждайте ги веднъж на ден, а не като изскачащи прозорци, и премахвайте сигналите, по които никой не предприема действие. Целта е кратък списък, на който екипът да има доверие, а не поток от сигнали.