Helpex - Trao đổi & giúp đỡ Đăng nhập

Máy học như thế nào?

Lý Trang Linh
· 02:00 27/08/2018
16:54:30 12/06/2021

Các nhà máy đã chứng kiến ​​một sự thay đổi trên biển trong ba thập kỷ qua. Thập niên 80 và 90 chứng kiến ​​Tự động hóa công nghiệp và robot đứng đầu. Trong thập kỷ qua, nhiều công nghệ thay đổi trò chơi đang định hình lại các nhà máy. Học máy, Internet vạn vật (IoT), Dữ liệu lớn, Thực tế ảo (VR) và Trí tuệ nhân tạo (AI) đang cảnh báo cơ bản về cách thức hoạt động của các nhà máy. Tác động của họ không giới hạn trong sản xuất, họ đang ảnh hưởng đến hầu hết mọi ngành công nghiệp. Bài viết này cố gắng giải thích Machine Learning và tầm quan trọng của nó trong thế giới sản xuất.

Trước tiên, hãy thử và giải thích Machine Learning. Nói một cách đơn giản, nó đề cập đến các thuật toán tự cải thiện. Thông thường, khi một chương trình được viết, dự kiến ​​sẽ cung cấp một đầu ra được chỉ định trước cho một bộ đầu vào nhất định. Theo thời gian, họ xác định các mẫu và học tìm hiểu để tạo ra một đầu ra tương ứng với một bộ đầu vào khác. Trong các trường hợp, các thuật toán học cách ứng phó với các tình huống mới, ví dụ như các thuật toán trên sàn giao dịch, học hỏi học tập để ứng phó với các tình huống thị trường khác nhau. Học máy có thể được thực hiện thông qua Học cây quyết định, Học quy tắc kết hợp, Mạng lưới thần kinh nhân tạo, v.v.

Làm thế nào để chúng ta tận dụng Machine Learning trong các nhà máy? Có nhiều cách họ có thể được tận dụng trong một nhà máy. Các phần sau đây mô tả ngắn gọn về cách Machine Learning có thể được tận dụng trên sàn cửa hàng.

Bảo trì dự đoán

Thiết bị trên sàn cửa hàng tạo ra hàng tấn dữ liệu trong quá trình hoạt động giống như máy bay tạo ra một khối lượng dữ liệu lớn trong khi bay. Hầu hết các dữ liệu này hầu như không được chú ý. Với sự ra đời của các phân tích nâng cao, sử dụng các nền tảng Dữ liệu lớn và IoT, những dữ liệu này có thể được phân tích. Nó giúp xác định phạm vi của các tham số quan trọng trước khi sự cố. Do đó, các thuật toán có thể được viết, có thể phân tích thời gian thực dữ liệu do máy tạo và kích hoạt báo động ngay khi có bất kỳ tham số quan trọng nào đi vào vùng màu đỏ. Sau một thời gian, các thuật toán có thể dự đoán loại sự cố chưa từng xảy ra. Điều này giúp ngăn ngừa sự cố máy và giảm thiểu thời gian ngừng hoạt động ngoài dự kiến.

Kiểm soát quá trình

Cũng giống như thiết bị, các quy trình tạo ra một lượng lớn dữ liệu. Những dữ liệu này che giấu rất nhiều thông tin về kiểm soát quá trình cũng như các tình huống Ngoài tầm kiểm soát (OOC) và Out of Spec (OOS). Trong OOC và OOS, một loạt các bước cần phải được tuân theo, được gọi là OCAP (Kế hoạch hành động ngoài tầm kiểm soát). Với tự động hóa, OOC và OOS có thể tự động được phát hiện và ở một mức độ tốt, các bước OCAP có thể được tự động hóa. Machine Learning có thể giúp tự động hóa đáp ứng với OOC và OOS chưa từng gặp trong quá khứ. Tuy nhiên, không hoàn toàn đúng khi Machine Learning có thể cho phép phản hồi tự động đối với bất kỳ kịch bản OOS hoặc OOC mới nào. Trong một khoảng thời gian, tự động hóa trở nên nhiều hơn nữa, thông minh, để đáp ứng với các tình huống mới.

Chất lượng dự đoán

Điều quan trọng là phải biết các khiếm khuyết có thể xảy ra và tác động của chúng đối với Năng suất trước khi chúng tôi sản xuất hàng loạt sản phẩm. Các mô hình dự đoán sẽ phân tích dữ liệu lịch sử liên quan đến các sản phẩm tương tự cũng như cùng một sản phẩm trong quá trình gõ proto để dự đoán lỗi và lượng tử của chúng, từ đó sẽ ảnh hưởng đến Yield. Khi các mô hình dự đoán trưởng thành, chúng sẽ cải thiện về độ chính xác và chúng có thể dự báo tỷ lệ lỗi cho các kịch bản chưa được lập trình.

Quản lý năng lượng

Chi phí năng lượng là một trong những chi phí chính trong một nhà máy. Các công ty muốn giảm thiểu chi phí liên quan đến năng lượng. Đối với một khối lượng sản xuất nhất định, cụm thiết bị, bố trí sàn, vv, các chương trình tính toán mức năng lượng tối ưu cần thiết. Nếu có một cơ chế vòng kín, nó đảm bảo mức tiêu thụ năng lượng ở mức tối ưu trong trường hợp vượt quá giới hạn quy định. Tuy nhiên, trong thế giới ngày nay, sàn cửa hàng có một môi trường năng động, nơi nhiều tham số có thể thay đổi. Ví dụ, có thể tăng ca trên một số thiết bị nhất định hoặc có lỗi của con người. Các chương trình được thiết kế để tối ưu hóa năng lượng, học hỏi theo thời gian để phản ứng với tình huống năng động như vậy và giữ mức tiêu thụ năng lượng ở mức mong muốn.

Vật tư tiêu hao

Chi phí vật liệu là một đóng góp chính cho chi phí tổng thể, đặc biệt là trong môi trường sản xuất quy trình. Do đó, các nhà máy sản xuất quy trình giám sát chặt chẽ các hóa chất được tiêu thụ tại các trạm khác nhau và theo từng bước của quy trình. Các thuật toán đã được phát triển để giám sát mức tiêu thụ và thực hiện các bước khắc phục trong trường hợp khi mức tiêu thụ bắt đầu vượt quá giới hạn. Họ kiểm tra một danh sách các nguyên nhân có thể được lập trình sẵn và thực hiện các hành động khắc phục theo yêu cầu. Theo thời gian, các thuật toán này cải thiện các chương trình cải tiến và học hỏi để đáp ứng với một số tình huống không được xác định rõ ràng trong chương trình.

Cải thiện năng suất

Phế liệu có khả năng kéo Yield xuống. Phân tích thời gian thực cung cấp cái nhìn sâu sắc về các khiếm khuyết dẫn đến phế liệu. Điều này, đến lượt nó, đưa ra các phương pháp giảm thiểu cho từng loại khiếm khuyết. Kiểm tra và kiểm soát có thể được đưa ra để ngăn ngừa khuyết tật. Các chương trình và logic bên dưới tiếp tục cải thiện và có thể cung cấp các quan điểm mới về các khiếm khuyết giúp giảm thiểu các khiếm khuyết. Điều này giúp cải thiện năng suất.

Quản lý hàng tồn kho

Các tổ chức sản xuất muốn thực hiện kiểm kê tối thiểu để tránh mang chi phí và giảm yêu cầu vốn lưu động. Các tổ chức sử dụng các phương pháp dự báo và lập kế hoạch khác nhau để giảm thiểu hàng tồn kho trong tay. Vẫn còn những khoảng trống dẫn đến tồn kho và mức tồn kho cao hơn trong các nhà máy và kho. Phân tích nâng cao sử dụng dữ liệu lớn và nền tảng IoT có thể tạo ra khối lượng lớn dữ liệu thời gian thực và cung cấp các đề xuất để duy trì nhất quán mức tối ưu (hoặc tối thiểu) của hàng tồn kho. Khi các mô hình này trở nên trưởng thành hơn, chúng có thể phản ứng chính xác với các kịch bản nhất định chưa từng có trước đây. Điều này giúp quản lý hiệu quả mức tồn kho trong các nhà máy.

Lập kế hoạch chuỗi cung ứng

Nó bao gồm nhiều bước ra quyết định, ví dụ nhà máy nào nên sản xuất một sản phẩm nhất định và khối lượng sản xuất là gì, nên sản xuất hay mua sản phẩm, nơi duy trì các cơ sở sản xuất, nguồn nguyên liệu từ đâu. trên dữ liệu lịch sử, do đó, nhiều lần, họ không dự đoán được các kịch bản mới. Với Machine Learning, chúng có khả năng phân tích một khối lượng lớn dữ liệu theo thời gian thực và trở thành trực quan. Trực tiếp Điều này giúp xây dựng các mô hình linh hoạt có thể đáp ứng với các tình huống nhất định không gặp phải trước đây.

Phần kết luận

Machine Learning hứa hẹn sẽ tạo điều kiện cải thiện trong nhiều lĩnh vực trong sản xuất. Đó không phải là kích thước của One Một phù hợp với tất cả. Các tổ chức tổ chức phải cẩn thận trong việc chọn đúng Ca sử dụng và trong việc chọn đúng nền tảng công nghệ và Bộ tích hợp hệ thống (SI). Chúng ta cũng cần lưu ý rằng phải mất một thời gian trước khi chúng ta có thể thấy những lợi ích hữu hình. Lộ trình dài hạn hơn với các lựa chọn chính xác về Ca sử dụng, nền tảng Công nghệ và các đối tác SI giữ chìa khóa cho sự thành công của các sáng kiến ​​đó.

3 hữu ích 0 bình luận 2.0k xem chia sẻ

Có thể bạn quan tâm