Dữ liệu đã trở thành một tài nguyên quý giá và gần đây trở nên rẻ hơn bao giờ hết để nắm bắt và lưu trữ. Thông qua việc sử dụng trí tuệ nhân tạo, cụ thể là Machine Learning dựa trên quy trình , các nhà sản xuất có thể sử dụng dữ liệu để tác động đáng kể đến lợi nhuận của họ bằng cách cải thiện đáng kể hiệu quả sản xuất, chất lượng sản phẩm và an toàn của nhân viên trong sản xuất.
Đây là một mục tiêu sản xuất xuyên suốt theo thời gian : sản xuất các sản phẩm chất lượng cao với chi phí thấp nhất. Các Nhà máy 4.0 đã thể hiện giá trị của mình bằng cách cho phép các nhà sản xuất đạt được mục tiêu này thành công hơn bao giờ hết và một trong những công nghệ cốt lõi thúc đẩy làn sóng tự động hóa mới này là AI công nghiệp và Machine Learning .
Thúc đẩy ứng dụng bảo trì dự đoán với Machine Learning
Bảo trì chiếm một phần đáng kể trong mọi chi phí của hoạt động sản xuất. Vì lý do này, Bảo trì tiên đoán (Predictive Maintenance) đã trở thành mục tiêu chung của các nhà sản xuất, được rút ra bởi nhiều lợi ích bao gồm giảm đáng kể tác động của Sáu tổn thất lớn trong các chương trình sản xuất tinh gọn. Ví dụ: khi 1 vấn đề breakdown trong sản xuất xảy ra, điều tổn thất không chỉ đơn giản là giao hàng trễ, thất hẹn với khách hàng mà còn là phải trả tiền cho các nguồn lực không được sử dụng bao gồm : công nhân, máy móc, thiết bị,…
Xem thêm :
10 ứng dụng Machine vision (thị giác máy tính) trong sản xuất
Mặc dù hầu hết các nhà sản xuất nhất định thực hiện Bảo trì tiên đoán nhưng điều này thường được thực hiện bằng cách sử dụng các hệ thống SCADA được thiết lập với ngưỡng, quy tắc cảnh báo Alarm và cấu hình quy định trước bởi con người. Và cách tiếp cận bán thủ công này không tính đến các kiểu hành vi động phức tạp hơn của máy móc, hoặc dữ liệu theo ngữ cảnh liên quan đến quy trình sản xuất nói chung.
Ví dụ, một cảm biến trên máy sản xuất có thể tăng nhiệt độ đột ngột. Một hệ thống dựa trên quy tắc tĩnh sẽ không tính đến thực tế là máy đang được khử trùng và sẽ tiến hành kích hoạt cảnh báo giả.
Ngược lại, nếu các thuật toán Machine Learning được cung cấp dữ liệu OT – Operation Technology (từ tầng sản xuất: cảm biến, PLC, Data Historian, SCADA), dữ liệu IT (dữ liệu theo ngữ cảnh: ERP, Quality, MES, v.v.) và thông tin quy trình sản xuất mô tả tính đồng bộ giữa máy móc và tốc độ dòng sản xuất thì các cảnh báo giả sẽ được hạn chế và các cảnh báo về nguy cơ hư hỏng sẽ có tính chính xác hơn.
Trong AI công nghiệp , quy trình được gọi là đào tạo trực tuyến, cho phép các thuật toán ML phát hiện sự bất thường và kiểm tra mối tương quan trong khi tìm kiếm các mẫu trên các nguồn cấp dữ liệu khác nhau. Sức mạnh của Machine Learning nằm ở khả năng phân tích lượng dữ liệu rất lớn trong thời gian thực và đề xuất các phản hồi có thể hành động đối với các vấn đề có thể phát sinh. Sức khỏe và hành vi của mọi tài sản và hệ thống được đánh giá liên tục, sự suy giảm thành phần được xác định trước khi gặp trục trặc và những hiểu biết được hình dung trên một bản sao số – Digital Twin.
Ngăn chặn downtime không phải là mục tiêu duy nhất mà AI công nghiệp có thể hỗ trợ chúng ta. Chất lượng đầu ra là rất quan trọng và sự suy giảm chất lượng sản phẩm cũng có thể được dự đoán bằng cách sử dụng Machine Learning . Biết trước rằng chất lượng sản phẩm được sản xuất sẽ được định sẵn để giảm sự lãng phí nguyên liệu thô và thời gian sản xuất có giá trị.
Machine Learning có thể được chia thành hai kỹ thuật chính – Machine Learning được giám sát và không giám sát .
Machine Learning có giám sát
Trong các trường hợp ứng dụng trong sản xuất , Machine Learning có giám sát là kỹ thuật được sử dụng phổ biến nhất vì nó dẫn đến một mục tiêu được xác định trước: chúng ta có dữ liệu đầu vào; chúng ta có dữ liệu đầu ra; và chúng ta đang tìm cách ánh xạ hàm kết nối hai biến. Machine Learning được giám sát đòi hỏi mức độ tham gia cao – nhập dữ liệu, đào tạo dữ liệu, xác định và chọn thuật toán, trực quan hóa dữ liệu, v.v. Mục tiêu là xây dựng một chức năng ánh xạ với mức độ chính xác cho phép chúng ta dự đoán đầu ra khi dữ liệu đầu vào mới được nhập vào hệ thống.
Ban đầu, thuật toán được cung cấp từ một tập dữ liệu huấn luyện và bằng cách thực hiện các bước lặp, tiếp tục cải thiện hiệu suất của nó khi nó nhằm mục đích đạt được đầu ra được xác định. Quá trình học tập được hoàn thành khi thuật toán đạt đến mức độ chính xác chấp nhận được.
Trong sản xuất, một trong những case study mạnh mẽ nhất cho Machine Learning là Bảo trì tiên đoán (Predictive Maintenance) , có thể được thực hiện bằng hai phương pháp Học tập được Giám sát: Phân loại và Hồi quy.
Hai cách tiếp cận này có chung một mục tiêu: ánh xạ mối quan hệ giữa dữ liệu đầu vào (từ quy trình sản xuất) và dữ liệu đầu ra (các kết quả có thể biết như breakdown một phần, quá nóng, v.v.).
Phân loại
Khi dữ liệu tồn tại trong các danh mục được xác định rõ, Phân loại có thể được sử dụng. Một ví dụ về Phân loại mà tất cả chúng ta đều quen thuộc là thuật toán lọc email quyết định liệu email có nên được gửi đến thư mục thư rác của chúng ta hay không. Việc phân loại được giới hạn trong đáp ứng giá trị boolean, nhưng có thể rất hữu ích vì chỉ cần một lượng nhỏ dữ liệu để đạt được mức độ chính xác cao.
Trong Machine Learning, các thuật toán phân loại phổ biến bao gồm Bayes, hồi quy tuyến tính, vectơ hỗ trợ và Mạng nơ ron nhân tạo.
Bảo trì tiên đoán (Predictive Maintenance) sử dụng phân loại nhiều lớp vì có nhiều nguyên nhân có thể gây ra lỗi của máy hoặc linh kiện. Đây là những kết quả có thể được phân loại là sự cố thiết bị tiềm năng, được tính toán bằng cách sử dụng một số biến bao gồm sức khỏe của máy, mức độ rủi ro và lý do có thể gây ra sự cố.
Phương pháp hồi quy
Hồi quy được sử dụng khi dữ liệu tồn tại trong một phạm vi (ví dụ: nhiệt độ, trọng lượng), thường xảy ra khi xử lý dữ liệu được thu thập từ các cảm biến.
Trong sản xuất, hồi quy có thể được sử dụng để tính toán ước tính cho Thời gian hữu dụng còn lại (RUL) của một tài sản. Đây là một dự đoán về số ngày hoặc chu kỳ chúng ta có trước khi xảy ra lỗi thành phần / máy / hệ thống tiếp theo.
Đối với hồi quy, thuật toán Machine Learning được sử dụng phổ biến nhất là hồi quy tuyến tính, khá nhanh và đơn giản để thực hiện, với đầu ra dễ hiểu. Một ví dụ về hồi quy tuyến tính sẽ là một hệ thống dự đoán nhiệt độ, vì nhiệt độ là một giá trị liên tục với ước tính sẽ đơn giản để đào tạo.
Machine Learning không giám sát
Với Machine Learning được giám sát, chúng ta bắt đầu bằng cách làm việc từ một kết quả mong đợi và đào tạo thuật toán tương ứng. Học tập không giám sát phù hợp cho các trường hợp chưa biết kết quả đầu ra là gì.
Phân cụm
Trong một số trường hợp, không chỉ kết quả sẽ không được biết đến với chúng ta, mà thông tin mô tả dữ liệu cũng sẽ bị thiếu (nhãn dữ liệu – Labeling). Bằng cách tạo các cụm điểm dữ liệu đầu vào có chung các thuộc tính nhất định, thuật toán Machine Learning có thể khám phá các mẫu cơ bản.
Phân cụm cũng có thể được sử dụng để giảm nhiễu (các tham số không liên quan trong dữ liệu) khi xử lý số lượng biến cực lớn.
Mạng lưới thần kinh nhân tạo
Trong lĩnh vực sản xuất, Mạng nơ ron nhân tạo đang chứng tỏ là một công cụ học tập không giám sát cực kỳ hiệu quả cho nhiều ứng dụng bao gồm mô phỏng quy trình sản xuất và Phân tích chất lượng dự đoán .
Cấu trúc cơ bản của Mạng nơ ron nhân tạo dựa trên cách não bộ xử lý thông tin bằng cách sử dụng mạng lưới khoảng 100 tỷ nơ-ron, cho phép giải quyết vấn đề cực kỳ phức tạp và linh hoạt.
Khả năng xử lý một số lượng lớn các tham số thông qua nhiều lớp làm cho Mạng nơ ron nhân tạo rất phù hợp với các quy trình giàu biến đổi và liên tục thay đổi phổ biến trong sản xuất. Hơn nữa, khi được đào tạo đúng cách, Mạng nơ ron nhân tạo có thể chứng minh mức độ chính xác cao khi tạo dự đoán về các tính chất cơ học của các sản phẩm được xử lý, cho phép cắt giảm chi phí nguyên liệu thô.
Chuẩn bị dữ liệu
Machine Learning là tất cả về dữ liệu , vì vậy hiểu một số yếu tố chính về chất lượng và loại dữ liệu cần thiết là vô cùng quan trọng trong việc đảm bảo kết quả chính xác.
Ví dụ, với Bảo trì tiên đoán chúng ta tập trung vào các sự kiện breakdown. Do đó, thật hợp lý khi bắt đầu bằng cách thu thập dữ liệu lịch sử về hiệu suất và hồ sơ bảo trì của máy để hình thành dự đoán về những breakdown trong tương lai.Vì tuổi thọ hoạt động của máy sản xuất thường là một số năm, dữ liệu lịch sử sẽ quay trở lại đủ xa để phản ánh đúng các quy trình xuống cấp của máy.
Ngoài ra, thông tin tĩnh khác về máy / hệ thống cũng hữu ích như dữ liệu về các tính năng của máy, tính chất cơ học, hành vi sử dụng điển hình và điều kiện vận hành môi trường.
Tiếp theo, một số câu hỏi nhất định phải được trả lời để giúp tập trung vào dữ liệu quan trọng nhất đối với nhu cầu của chúng ta:
- Các loại lỗi khác nhau có thể xảy ra với thành phần / máy / hệ thống này là gì?
- Những sự kiện breakdown nào chúng ta quan tâm để cố gắng dự đoán?
- Là sự breakdown là một sự kiện đột ngột, tập trung, hoặc là sự suy giảm chậm của họ trước khi trục trặc hoàn toàn?
- Những thành phần nào thường được liên kết với loại breakdown này?
- Những thông số nào cần được đo mà hầu hết biểu thị trạng thái của các thành phần / máy?
- Độ chính xác cần thiết và tần số của các phép đo cần thiết là gì?
Các câu hỏi trên phải được trả lời bởi cả chuyên gia tên miền và nhà khoa học dữ liệu, dẫn đến hai câu hỏi cuối cùng và quan trọng nhất:
Câu hỏi nào chúng ta muốn mô hình Machine Learning trả lời? Và, có thể trả lời câu hỏi này bằng cách sử dụng dữ liệu có sẵn không?
Những lợi ích đột phá của Machine Learning và AI cho sản xuất
Sự ra đời của AI và Machine Learning cho ngành công nghiệp đại diện cho một sự thay đổi trên biển với nhiều lợi ích có thể mang lại lợi thế vượt xa các cải tiến hiệu quả, mở ra cơ hội kinh doanh mới. Một số lợi ích trực tiếp của Machine Learning trong sản xuất bao gồm
- Giảm chi phí thông qua Bảo trì tiên đoán (Predictive Maintenance) . PdM dẫn đến hoạt động bảo trì ít hơn, có nghĩa là chi phí lao động thấp hơn và giảm lãng phí vật liệu và vật liệu.
- Dự đoán thời gian hoạt động hữu ích còn lại (RUL) . Biết thêm về hoạt động của máy móc và thiết bị dẫn đến việc tạo ra các điều kiện cải thiện hiệu suất trong khi duy trì sức khỏe của máy. Dự đoán RUL sẽ biến mất với những bất ngờ khó chịu trên phạm vi khác gây ra downtime không có kế hoạch.
- Cải thiện quản lý chuỗi cung ứng thông qua quản lý hàng tồn kho hiệu quả và quy trình sản xuất được giám sát và đồng bộ tốt.
- Cải thiện kiểm soát chất lượng với những hiểu biết có thể hành động để không ngừng nâng cao chất lượng sản phẩm.
- Cải thiện sự hợp tác giữa Người và Robot cải thiện điều kiện an toàn của nhân viên và tăng hiệu quả tổng thể.
- Sản xuất tập trung vào người tiêu dùng – có thể đáp ứng nhanh chóng với những thay đổi trong nhu cầu thị trường.
