Working Smarter by IoT & Digital Transformation

Intel : Tối ưu hoá sản xuất với ứng dụng IoT và Big Data

1 450

Intel đã chứng minh sự thành công của ứng dụng IoT trong sản xuất bằng cách sử dụng các phân tích Dữ liệu lớn – Big Data để mang lại sự tiết kiệm chi phí, bảo trì dự đoán và năng suất sản phẩm cao hơn cho các quy trình sản xuất của chính họ.

Giới thiệu

Khối lượng, sự đa dạng và tốc độ của dữ liệu được sinh ra trong sản xuất đang tăng theo cấp số nhân, tạo cơ hội cho những người chuyên gia phân tích dữ liệu có được lợi thế cạnh tranh, đáp ứng thay đổi động lực thị trường và tăng tỷ suất sản xuất, năng suất và hiệu quả.

Thiết bị trên toàn bộ nhà máy đang tạo ra hàng ngàn loại dữ liệu khác nhau, chẳng hạn như dữ liệu sản xuất đơn vị ở nhiều cấp độ, dữ liệu vận hành thiết bị, dữ liệu xử lý và dữ liệu vận hành của con người, có thể được lưu trữ để phân tích ngắn hạn và dài hạn.

Mặc dù các nhà sản xuất lớn đã sử dụng kiểm soát quá trình bằng thống kê (SPC) và phân tích dữ liệu thống kê để tối ưu hóa sản xuất trong nhiều năm, nhưng thành phần ưu thế mới của dữ liệu ngày nay cung cấp cơ hội mới để triển khai các phương pháp tiếp cận, cơ sở hạ tầng và công cụ mới trong phân tích .

Các ngành công nghiệp sản xuất sẵn sàng chấp nhận sử dụng Dữ liệu lớn – Big Data, được hỗ trợ bởi hiệu suất tính toán cao hơn, tiêu chuẩn mở, sự sẵn có của bí quyết công nghiệp và sự sẵn có rộng lớn của các nhà thống kê dữ liệu có tay nghề cao được cung cấp bởi các chuyên gia.

Với quyền truy cập vào hệ thống sản xuất thông minh mới, các nhà sản xuất sẽ cải thiện chất lượng, tăng thông lượng sản xuất, hiểu rõ hơn về nguyên nhân gốc rễ của các vấn đề sản xuất và giảm sự cố và thời gian ngừng hoạt động của máy.

Với các giá trị kinh doanh và khả năng công nghệ mới này, các nhà sản xuất sẽ có thể thay đổi mô hình và thực tiễn kinh doanh để tối ưu hóa thiết kế cho khả năng sản xuất, từ đó cải thiện quản lý chuỗi cung ứng và giới thiệu việc sử dụng các dịch vụ sản xuất tùy chỉnh để rút ngắn thời gian tiếp thị sản phẩm được tùy chỉnh cho thông minh người tiêu dùng trên các khu vực địa lý khác nhau.

Bài viết này phác thảo một dự án thí điểm ứng dụng Internet of Things (IoT) và Big Data  tại một trong các cơ sở sản xuất của Intel, để chỉ ra cách phân tích dữ liệu áp dụng cho thiết bị và cảm biến của nhà máy có thể mang lại hiệu quả hoạt động và tiết kiệm chi phí cho quy trình sản xuất.

Với sự hợp tác trong  từ Cloudera, Dell, Mitsubishi Electric và Revolution Analytics, dự án phân tích Dữ liệu lớn – Big Data IoT này được dự báo sẽ tiết kiệm hàng triệu đô la hàng năm cùng với lợi tức kinh doanh.

Nguồn : Intel – Optimizing Manufacturing with the Internet of things.

 

Làm thế nào để trích xuất giá trị từ tất cả các dữ liệu trong sản xuất ?

Dữ liệu lớn – Big Data được đặc trưng bởi các tập dữ liệu khổng lồ với các loại dữ liệu khác nhau, có thể được phân loại thành cấu trúc, bán cấu trúc hoặc không cấu trúc, như trong Bảng 1. Dữ liệu có cấu trúc phù hợp với các bảng được định dạng gọn gàng, giúp quản lý và xử lý tương đối dễ dàng . Dữ liệu có cấu trúc có ưu điểm là dễ dàng nhập, lưu trữ, truy vấn và phân tích.

Ví dụ này bao gồm dữ liệu sản xuất được lưu trữ trong cơ sở dữ liệu quan hệ và dữ liệu từ các hệ thống thực hiện sản xuất và hệ thống doanh nghiệp. Mặt khác, dữ liệu phi cấu trúc như hình ảnh, văn bản, tệp nhật ký máy, báo cáo thay đổi do người vận hành tạo ra và sản xuất văn bản nền tảng cộng tác xã hội có thể ở định dạng thô yêu cầu giải mã trước khi có thể trích xuất giá trị dữ liệu.

Dữ liệu bán cấu trúc là một dạng dữ liệu có cấu trúc không phù hợp với cấu trúc chính thức của các mô hình dữ liệu được liên kết với cơ sở dữ liệu quan hệ hoặc các dạng bảng dữ liệu khác, nhưng dù sao cũng chứa các thẻ hoặc các dấu khác để phân tách các thành phần ngữ nghĩa và thực thi phân cấp các bản ghi và trường dữ liệu.

Trong sản xuất, sức mạnh của công nghệ Dữ liệu lớn – Big Data bắt nguồn từ khả năng hợp nhất và tương quan các loại tập dữ liệu này để tạo ra giá trị kinh doanh thông qua những hiểu biết mới phát hiện được. Đề xuất giá trị khác của công nghệ Dữ liệu lớn – Big Data là nó cho phép các nhà sản xuất tổng hợp và tập trung các loại dữ liệu khác nhau một cách hiệu quả, có thể mở rộng.

Dữ liệu cấu trúc, bán cấu trúc, và phi cấu trúc trong sản xuất
Kích thước dữ liệu

Trong sản xuất, sự biến đổi quy trình xuất phát từ nhiều yếu tố khác nhau, như nguyên liệu, công thức chế biến và phương pháp, và sự khác biệt về thiết bị, thúc đẩy nhu cầu kinh doanh thực sự của các nhà sản xuất để chuyển sang một giải pháp Dữ liệu lớn – Big Data dựa trên nền tảng có thể mở rộng với các yêu cầu sản xuất và kinh doanh . Dữ liệu máy có liên quan chặt chẽ đến năng suất, chất lượng và đầu ra, do đó cung cấp thông tin có giá trị để chủ động phát hiện các quy trình đang vượt khỏi tầm kiểm soát.

Tuy nhiên, một số loại sản xuất tạo ra các tệp Dữ liệu lớn – Big Data (gigabyte trong vài ngày cho mỗi loại công cụ, như trong Bảng 2), hạn chế khả năng lưu trữ, phân tích và trích xuất thông tin hữu ích từ chúng bằng các phương pháp thông thường. Nếu không sử dụng các công nghệ Dữ liệu lớn – Big Data, sẽ rất khó để hình dung thông tin trong các tập Dữ liệu lớn – Big Data từ nhiều nguồn khác nhau.

Các khối xây dựng cho cơ sở hạ tầng đầu cuối cho phép sản xuất thông minh từ nhà máy đến trung tâm dữ liệu

Hình 1 cho thấy kiến ​​trúc sản xuất IoT cấp cao cho các tập dữ liệu từ nhỏ đến lớn tạo thành hệ thống thu thập dữ liệu và tổng hợp các loại dữ liệu khác nhau từ khu vực sản xuất sản xuất và mạng sản xuất, mở ra khả năng trực quan hóa, giám sát và khai thác dữ liệu cho Business Intelligence (BI) mới.

Ví dụ, kiến ​​trúc có thể: làm sạch, trích xuất, chuyển đổi và hợp nhất dữ liệu có cấu trúc từ cơ sở dữ liệu hiện có và dữ liệu phi cấu trúc từ cảm biến công cụ và tệp nhật ký từ thiết bị cũ trong nền tảng lưu trữ dữ liệu (ví dụ: Hadoop *). Dữ liệu sau đó có thể được hiển thị và phân tích bởi các ứng dụng nhà máy cấp cao chạy trong các máy ảo khác nhau trên cùng một máy chủ tại cơ sở như máy chủ lưu trữ dữ liệu.

Ngoài ra, dữ liệu có thể được truy cập với các ứng dụng phân tích hoặc giám sát khác trên mạng. Các khả năng nâng cao khác có thể bao gồm chạy phân tích trong Hadoop hoặc các loại hệ thống tệp khác hoặc chạy phân tích trong bộ nhớ để có hiệu suất nhanh hơn. Kết quả phân tích có thể được trình bày cho người dùng thông qua khả năng hiển thị trực quan trong lớp nghiệp vụ thông minh của mạng.

Máy chủ phân tích Dữ liệu lớn – Big Data được Intel sản xuất sử dụng để triển khai thử nghiệm được hiển thị trong Hình 2.

Một hệ thống nhỏ gọn của Dell, PowerEdge * VRTX  đã được chọn để lưu trữ phần mềm phân tích và Dữ liệu lớn – Big Data trong cài đặt đám mây riêng dưới dạng máy chủ tại chỗ. Hệ thống này bao gồm khung máy Dell PowerEdge VRTX với hai mươi lăm đĩa cứng 900 GB và hai máy chủ Dell PowerEdge M820, mỗi máy được trang bị bốn bộ xử lý Intel® Xeon® từ họ sản phẩm E5-4600. Nhóm sản phẩm bộ xử lý Intel Xeon E5-4600 cung cấp giải pháp bộ xử lý bốn ổ cắm dày đặc, tối ưu hóa chi phí đến tám lõi, tối đa 20 MB bộ nhớ cache cấp độ cuối (L3) và dung lượng bộ nhớ tối đa lên tới 1,5TB, cùng với các đường truyền thông để di chuyển dữ liệu nhanh hơn.

Hai máy chủ M820 lưu trữ phần mềm phân tích và ứng dụng và các Node Hadoop, chạy trong nhiều máy ảo. Red Hat Enterprise Linux * cho hệ điều hành Trung tâm dữ liệu ảo cung cấp một giải pháp phần mềm ảo hóa hoàn chỉnh cho các máy chủ được thiết kế cho một trung tâm dữ liệu ảo hóa hoàn toàn và có thể mở rộng.

Analytics node và Ứng dụng

Hình 3. Phân bổ phần mềm cho các máy ảo trên máy chủ phân tích Dữ liệu lớn – Big Data

Hình 3 cho thấy cách phần mềm được phân bổ cho các máy ảo (VM) khác nhau. node lưu trữ năm VM chạy các khối lượng công việc phân tích và ứng dụng khác nhau: Revolution R Enterprise * Revolution Analytics

  • Bằng cách liên kết với đa luồng Intel® MKL hiệu suất cao thư viện toán học, Revolution R Enterprise sử dụng sức mạnh của nhiều bộ xử lý để tăng tốc tính toán ma trận chung. Ngoài ra, các thuật toán phân tán, song song của Revolution R Enterprise cho phép phân tích thống kê Dữ liệu lớn – Big Data để mở rộng tuyến tính với các máy chủ đa lõi, cụm máy tính hiệu năng cao, thiết bị Dữ liệu lớn – Big Data và Hadoop *.
  • Revolution R Enterprise * từ Revolution Analytics là phần mềm phân tích được xây dựng dựa trên ngôn ngữ thống kê R mã nguồn mở mạnh mẽ. Phần mềm cung cấp cầu nối dữ liệu an toàn, liền mạch giữa các giải pháp phân tích và phần mềm doanh nghiệp, từ đó giải quyết vấn đề tích hợp chính mà các doanh nghiệp phải đối mặt khi áp dụng phân tích dựa trên R cùng với cơ sở hạ tầng CNTT hiện có.
  •  MonetDB *: một hệ thống quản lý cơ sở dữ liệu hướng theo cột nguồn mở được thiết kế để cung cấp hiệu suất cao cho các truy vấn phức tạp đối với các cơ sở Dữ liệu lớn – Big Data, chẳng hạn như kết hợp các bảng với hàng trăm cột và hàng triệu hàng. MonetDB đã được áp dụng trong các ứng dụng hiệu suất cao để khai thác dữ liệu, xử lý phân tích trực tuyến (OLAP), hệ thống thông tin địa lý và xử lý dữ liệu trực tuyến.
Data Flow trong kiến trúc hệ thống
  • PostgreSQL *: một hệ thống cơ sở dữ liệu quan hệ đối tượng mã nguồn mở, mạnh mẽ được sử dụng để xử lý giao dịch trực tuyến (OLTP).
  • AquaFold *: một máy chủ ứng dụng được sử dụng để xây dựng và triển khai cơ sở dữ liệu chất lượng sản xuất và các ứng dụng báo cáo một cách nhanh chóng. Nó bao gồm các khả năng như đồng bộ hóa dữ liệu nhiều nguồn, di chuyển dữ liệu cơ sở dữ liệu chéo, chuyển đổi và tải dữ liệu lưu trữ dữ liệu, lập lịch xuất / nhập dữ liệu và bảng điều khiển kinh doanh thông minh tùy chỉnh. Hỗ trợ giao tiếp với các cơ sở dữ liệu sản xuất khác nhau trong mạng như PostgreSQL, Microsoft SQL *, Oracle * và IBM DB2 * với các kết nối ODBC * và JDBC * .
  • Hadoop Nodes * Bốn máy ảo được cung cấp để chạy một cụm Cloudera Hadoop cơ bản, gồm bốn node, bao gồm một node đầu và ba node worker.
  • Apache Hadoop là một nền tảng phần mềm phân tán mã nguồn mở cho tính toán phân tán có thể mở rộng. Được viết bằng Java, nó chạy trên một cụm các máy chủ tiêu chuẩn công nghiệp được cấu hình với lưu trữ được gắn trực tiếp và quy mô hiệu quả chi phí bằng cách thêm các node kinh tế vào cụm.
  • Cloudera EntrypriseDataHub * (CDH) cung cấp một nền tảng thống nhất cho Dữ liệu lớn – Big Data bằng cách cung cấp một nơi để lưu trữ, xử lý và phân tích tất cả dữ liệu của họ dẫn đến mở rộng giá trị đầu tư hiện tại và cho phép các cách mới cơ bản để lấy giá trị từ dữ liệu của họ. CDH là nguồn mở được cấp phép 100% của Apache và là duy nhất trong việc cung cấp xử lý hàng loạt thống nhất, SQL tương tác và tìm kiếm tương tác và các điều khiển truy cập dựa trên vai trò phân quyền.

Gateway Internet of Things (IoT gateway)

Gateway dựa trên bộ xử lý Intel® AtomTM của Mitsubishi Electric, được gọi là Bộ điều khiển ngôn ngữ Mitsubishi Electric C của dòng MELSEC-Q *, được sử dụng để tổng hợp và nhập dữ liệu một cách an toàn vào máy chủ phân tích Dữ liệu lớn – Big Data. Nhập dữ liệu là quá trình xác nhận, lọc và định dạng lại dữ liệu để giúp phần mềm phân tích Dữ liệu lớn – Big Data dễ dàng hoạt động hơn.

Mitsubishi MELSEC-Q

Bộ điều khiển ngôn ngữ Mitsubishi Electric C của dòng MELSEC-Q là các giải pháp nhúng được trang bị nhiều tính năng đặc trưng của hệ thống thông minh, bao gồm kết nối mạng mạnh mẽ và hiệu suất tính toán cao cần thiết để xử lý lượng lớn dữ liệuđược thu thập từ các cảm biến hoặc qua mạng khi hỗ trợ các hoạt động và kiểm soát hệ thống tinh vi. Cốt lõi của bộ điều khiển này là một nền tảng phần cứng dựa trên kiến ​​trúc Intel® và hệ điều hành thời gian thực Wind River VxWorks *.

Mitsubishi Electric đã phát triển bộ điều khiển ngôn ngữ C của MELSEC-Q Series để đáp ứng các yêu cầu đa dạng của tự động hóa nhà máy, bao gồm độ tin cậy tuyệt vời, khả năng chịu đựng của môi trường khắc nghiệt và tính khả dụng lâu dài. Các tính năng này làm cho nó trở thành một sản phẩm mạnh mẽ và đáng tin cậy, cần ít bảo trì cho các ứng dụng sản xuất IoT.

Thay cho PLC được sử dụng trong các bộ điều khiển logic lập trình thông thường, bộ điều khiển ngôn ngữ C của dòng MELSEC-Q sử dụng ngôn ngữ C tiêu chuẩn quốc tế (C và C ++) để linh hoạt lập trình hơn. Điều này cho phép người dùng tận dụng tối đa phần mềm và phát triển ngôn ngữ C hiện có của họ.

CIMSNIPER * là một dữ liệu thu thập và xử lý gói phần mềm cho Bộ điều khiển ngôn ngữ Mitsubishi Electric C của dòng MELSEC-Q. Nó có thể thu thập dữ liệu quá trình (bao gồm cả tin nhắn SECS) và lỗi thiết bị sản xuất mà không cần sửa đổi hệ thống hiện có.

Case Study phân tích Dữ liệu lớn – Big Data tại nhà máy Intel

Trong hai năm qua, Intel đã phát triển hơn một chục dự án Dữ liệu lớn – Big Data giúp củng cố cả hiệu quả hoạt động và điểm mấu chốt. Dưới đây là một vài ví dụ:

Giảm thời gian kiểm tra sản phẩm :  Mỗi chip Intel® được sản xuất đều trải qua nhiều giai đoạn kiểm tra chất lượng kỹ lưỡng liên quan đến một loạt các bài kiểm tra phức tạp. Intel nhận thấy rằng bằng cách sử dụng thông tin lịch sử thu thập được trong quá trình sản xuất, con số các xét nghiệm cần thiết có thể được giảm, dẫn đến giảm thời gian thử nghiệm. Được triển khai như một bằng chứng về khái niệm, giải pháp này đã tránh được chi phí thử nghiệm 3 triệu đô la vào năm 2012 cho một loạt bộ xử lý Intel® CoreTM.

Quá trình giám sát sản xuất được cải thiện : Các quy trình sử dụng nhiều dữ liệu cũng có ích Intel phát hiện ra những thất bại trong dây chuyền sản xuất của mình, đây là một môi trường tự động cao. Intel rút các tệp nhật ký của các công cụ sản xuất và người kiểm tra trên toàn bộ mạng lưới nhà máy, có thể lên tới 5 Terabyte một giờ Bằng cách nắm bắt và phân tích thông tin này, Intel có thể xác định khi một bước cụ thể trong một trong các quy trình sản xuất của nó bắt đầu đi chệch khỏi dung sai thông thường.

Trực quan hoá toàn bộ sản xuất từ đầu đến cuối, Intel đã phối hợp triển khai dự án thí điểm ở đây, phối hợp với Mitsubishi Electric, Cloudera, Revolution Analytics và Dell, đã tiên phong thành công các khả năng đã tạo ra những bước tiến lớn trong việc sử dụng công cụ khai thác dữ liệu để giải quyết các vấn đề sản xuất thực tế, do đó tiết kiệm cho Intel hàng triệu đô la thông qua việc tránh chi phí và cải thiện việc ra quyết định. Mục tiêu chính của dự án này là trích xuất các đề xuất giá trị của dữ liệu và phân tích dữ liệu để có được những hiểu biết tốt hơn trong sản xuất dự đoán và giảm chi phí sản xuất mà không làm giảm thông lượng hoặc chất lượng.

Kết quả thực nghiệm của Intel sau khi ứng dụng IoT và Big Data trong sản xuất

Case Study 1: Giảm tổn thất năng suất sản xuất không thông qua việc theo dõi và phân tích các giá trị tham số của máy và thay thế kịp thời các bộ phận trước khi chúng bị hỏng

Tổng quan

Thiết bị kiểm tra tự động (ATE) là một máy được thiết kế để thực hiện các thử nghiệm trên các thiết bị khác nhau được gọi là thiết bị được thử nghiệm (DUT). ATE sử dụng các hệ thống điều khiển và công nghệ thông tin tự động để thực hiện nhanh chóng các bài kiểm tra đo lường và đánh giá DUT.11 Giao diện hệ thống ATE với một công cụ vị trí tự động, được gọi là trình xử lý, đặt DUT trên Đơn vị giao diện kiểm tra (TIU) để nó có thể được đo bằng thiết bị.

Vấn đề gặp phải

Các TIU bị lỗi sẽ phân loại sai các đơn vị tốt là xấu, điều này ảnh hưởng tiêu cực đến chi phí hoạt động sản xuất của Intel. Các TIU bị lỗi có thể khiến các DUT bị phân loại sai, bao gồm cả việc từ chối các đơn vị tốt. Mục tiêu sản xuất của Intel là phát hiện các lỗi TIU trước khi chúng xảy ra để chúng có thể sửa chữa hoặc thay thế chúng trước khi các đơn vị bị phân loại sai. Khi một TIU bị lỗi phân loại sai các đơn vị tốt là xấu, các đơn vị bị loại bỏ. Một số thành phần đã được thay thế bằng phụ tùng trong quá trình bảo trì phòng ngừa thường xuyên, ngay cả khi chúng vẫn hoạt động bình thường
để tránh những vấn đề như vậy

Kết quả và lợi ích

Khả năng phân tích dự đoán lên đến 90 % các thất bại TIU tiềm năng trước khi được kích hoạt bởi hệ thống kiểm soát quy trình trực tuyến hiện tại của nhà máy. Trong trường hợp này, điều này đã giúp thay thế các TIU bị lỗi trước khi từ chối các đơn vị tốt, do đó giảm tổn thất năng suất lên tới 25% .12 Ngoài ra, Intel có thể tiết kiệm chi phí dự phòng bằng cách giảm nhu cầu thay thế phụ tùng trước khi chúng bị hỏng trong quá trình bảo trì phòng ngừa dẫn đến giảm 20% chi phí dự phòng.

 

Case Study 2: Giảm tổn thất năng suất bằng cách loại bỏ và giảm thiểu lắp ráp Bóng bán dẫn  không chính xác trong thiết bị gắn Bóng bán dẫn

Tổng quan

Mô-đun đính kèm Bóng bán dẫn là nơi dán hàn được in lên các vùng đất trên đế. Bóng bán dẫn hàn được đặt vào quả Bóng bán dẫn gắn đất, và dán giữ chúng đúng chỗ. Toàn bộ gói đi qua một lò nung lại, làm tan chảy bột nhão và Bóng bán dẫn đến vùng đất nền.

Bóng bán dẫn hàn được hút chân không vào các lỗ nhỏ của đầu vị trí. Đầu được kiểm tra cho các quả Bóng bán dẫn thừa hoặc thiếu. Sau khi đầu được căn chỉnh với các chất nền, các quả Bóng bán dẫn được đặt trong miếng dán hàn trên đế. Sau khi phát hành các quả Bóng bán dẫn, đầu vị trí được kiểm tra cho bất kỳ quả Bóng bán dẫn còn lại. Cuối cùng, các chất nền được kiểm tra bằng hệ thống thị giác camera cho bất kỳ quả Bóng bán dẫn bị thiếu hoặc dịch chuyển.

Vấn đề gặp phải

Các đơn vị có Bóng bán dẫn bị thiếu là vật liệu bị lỗi và mất năng suất. Có rất nhiều kịch bản trong đó các quả Bóng bán dẫn bị thiếu trong các đơn vị, bao gồm cả áp suất chân không không đủ.

Kết quả và lợi ích

Bằng cách trực quan hóa và tương quan các lần đọc cảm biến với dữ liệu máy và dữ liệu hệ thống thực thi khác nhau, Intel đã có thể giảm tổn thất năng suất, tối ưu hóa chi phí bảo trì và tránh thời gian ngừng hoạt động của thiết bị đột ngột. Điều này cho phép các kỹ thuật viên chủ động khắc phục sự cố, trong hành trình gặp sự cố khả năng bảo trì dự đoán.

 

Case Study 3: Sử dụng phân tích hình ảnh để xác định các sản phẩm tốt hoặc khiếm khuyết

Tổng quan

Một thiết bị thị giác máy là một mô-đun sàng lọc các đơn vị và phân loại chúng thành các đơn vị tốt và cận biên. Các đơn vị tốt được gửi về phía trước để được xử lý trong khi các đơn vị cận biên được kiểm tra và xác định bởi một chuyên gia sản xuất là tốt hoặc bị lỗi. Quá trình thủ công này mất thời gian.

Vấn đề gặp phải

Để kiểm tra và phân loại các đơn vị cận biên rất phức tạp và đôi khi mất khoảng 8 giờ để phân tách thành công một loạt các đơn vị loại bỏ thực sự khỏi các đơn vị cận biên. Điều này được gây ra bởi thời gian cần thiết để các đơn vị tiếp cận toán tử, chảy đến một mô-đun tách biệt và cuối cùng được tách riêng. Phân tích hình ảnh cho phép xác định các khoảnh khắc đơn vị từ chối sau khi được kiểm tra bởi mô-đun kiểm tra.

Kết quả và lợi ích

Các hình ảnh cận biên được ghi lại tại mô-đun thiết bị thị giác máy được xử lý trước. Mỗi hình ảnh, là dữ liệu phi cấu trúc, được thay đổi kích thước, cắt, chuyển đổi thành thang độ xám trước khi chuyển đổi từng pixel thành nhị phân.

Giai đoạn tiếp theo của quy trình liên quan đến lựa chọn tính năng, trong đó hình ảnh không có cấu trúc được xác định bởi một tập hợp các giá trị riêng biệt. Các giá trị này sau đó được đưa vào các thuật toán Machine learning khác nhau để xác định loại bỏ thực sự và loại bỏ biên.

Các phân tích hình ảnh rút ngắn thời gian để lưu các từ chối thực sự từ một nhóm các đơn vị cận biên. Phân tích hình ảnh xác định lỗi nhanh hơn khoảng 10 lần so với phương pháp thủ công.

 

Tóm tắt và kết luận

Phân tích Dữ liệu lớn – Big Data và Internet of Things trong sản xuất như một nền tảng đầu cuối là xương sống quan trọng để cho phép hướng đến tầm nhìn của sản xuất thông minh. Nền tảng này có thể mở rộng và có sẵn trong các cấu hình khác nhau bằng cách sử dụng các khối xây dựng tiêu chuẩn công nghiệp hiện có.

Intel đã tích hợp và xác thực một giải pháp máy chủ tại chỗ phân tích  với dữ liệu được trích xuất từ ​​mạng sản xuất của chính Intel Intel và từ thiết bị và cảm biến thông qua việc sử dụng gateway Internet of Things để xác thực giá trị kinh doanh của Internet of Things trong sản xuất. Bộ điều khiển ngôn ngữ Mitsubishi Electric C của dòng MELSEC-Q đã được sử dụng.

Eự án thí điểm có sự hợp tác chặt chẽ giữa các kỹ sư nhà máy, bộ phận CNTT và các chuyên gia trong ngành từ Cloudera, Dell, Mitsubishi Electric và Revolution Analytics. Nhóm bắt đầu tận dụng hiệu suất máy và dữ liệu giám sát hiện có, sau đó tiến hành để tận dụng các phân tích Dữ liệu lớn – Big Data và mô hình hóa để nhập dữ liệu để dự đoán các chuyến du ngoạn và thất bại tiềm năng. Có thể dự đoán các lỗi thành phần máy cho phép các kỹ sư sửa chữa và ngăn chặn chuyến tham quan, do đó thu được khoản tiết kiệm rất lớn từ việc lãng phí các đơn vị sản xuất, thời gian để sửa chữa và các thành phần máy.

Một kiến trúc tích hợp gồm nhiều khối xây dựng phần mềm khác nhau trên Máy chủ phân tích Dữ liệu lớn – Big Data và gateway IOT đã được sử dụng. Khung này có thể được áp dụng và triển khai cho các nhà sản xuất chưa bắt đầu tận dụng trí thông minh có trong dữ liệu sản xuất. Các nhà sản xuất đã và đang sử dụng dữ liệu để cải thiện hiệu quả của họ có thể tăng dần thêm vào các khả năng hiện có của họ để phát triển khả năng khai thác và phân tích dữ liệu của họ lên cấp độ tiếp theo.

Đối với Intel, dự án thí điểm này được dự báo sẽ tiết kiệm hàng triệu đô la (USD) hàng năm với lợi tức bổ sung cho các giá trị kinh doanh đầu tư mà Intel vẫn đang nhận ra. Lợi ích bao gồm cải thiện thời gian hoạt động của thành phần thiết bị, giảm thiểu việc phân loại sai các đơn vị tốt là xấu (do đó tăng năng suất và năng suất), cho phép bảo trì dự đoán và giảm các hỏng hóc thành phần. Có nhiều loại dữ liệu tham số, đo lường, sản phẩm và thiết bị khác, cả hai đều có cấu trúc và không cấu trúc trong môi trường sản xuất Intel và máy móc có thể khai thác và phân tích để trích xuất các giá trị kinh doanh mới. Tận dụng cơ hội này sẽ cho phép nâng cao hiệu quả và năng suất hơn nữa cho nhà máy và cuối cùng tạo ra lợi thế cạnh tranh.

 

 

 

 

 

Đăng ký để nhận ebook
Đăng ký để nhận ebook "Những điều cơ bản cần biết về Smart Factory và công nghệ IoT" từ chúng tôi.
Đăng ký để được nhận ebook "Những điều cơ bản cần biết về Smart Factory và công nghệ IoT".

Để lại bình luận

Địa chỉ email của bạn sẽ không được công bố.