Ilabo - rozwiązania IT dla Twojej fabryki

O co chodzi w Samouczącej się Fabryce (Self-Learning Factory)?

O co chodzi w Samouczącej się Fabryce (Self-Learning Factory)?

O co chodzi w Samouczącej się Fabryce (Self-Learning Factory)?

W tym artykule przeczytasz o naszej wizji dotyczącej Industry 4.0.
Nazywamy ją SLF - Self-Learning Factory, czyli Samoucząca się Fabryką.

  • więcej niż serwis predykcyjny - bazujemy na algorytmach starzenia maszyn i ich elementów, aby wyznaczać (jeśli jedziesz na czerwonym polu obrotomierza to dostaniesz powiadomienie co tydzień o wymianie oleju)

  • zapomnij o UI, podążaj za inteligentnymi wskazówkami generowanymi przez system: użytecznymi, wiarygodnymi i w odpowiednim momencie

  • inteligentne estymowanie czasu zakończenia ETA dla twoich zleceń produkcyjnych: jak w nawigacji która posiada algorytmy wyznaczania trasy na podstawie wiedzy o wzorcach korków każdego dnia

Artykuł przeczytasz w 9 minut


Wszystko zaczęło się w zeszłym (COVID-owym) roku. Zrobiliśmy brainstorming w zespole, przekopaliśmy się przez 10 lat wdrożeń w fabrykach i zestawiliśmy to wszystko z możliwościami technologii chmurowej, której używamy jako podstawy platformy LogiX, którą rozwijamy od 2018 roku i która służy do monitorowania fabryk i zwiększania ich produktywności.

Wtedy też powstała koncepcja rozszerzenia platformy o inteligentne podpowiedzi dotyczące trwającego procesu produkcyjnego i kondycji użytkowanych maszyn. Podpowiedzi, które mają na celu minimalizację nieplanowanych przestojów i zwiększenie ilości produkowanych dóbr przy minimalizacji zużywanej energii i dbaniu o ludzi, aby pracowali w przyjaznym środowisku.

Chcemy, aby LogiX pomagał fabrykom stawać się sprawnymi eco-fabrykami, które nie marnują energii na jałową pracę, lecz pracują maksymalnie efektywnie. Oznacza to, że każda jednostka wyprodukowana ma mniejszy koszt energetyczny, a ludzie otrzymują podpowiedzi podane "na tacy", co pozwala im skupić się na swoich zadaniach, a nie na szukaniu rozwiązań dla typowych problemów.

 

Chcemy, aby wdrożenie takiej platformy z taką inteligencją i korzystanie od razu z nauczonych podpowiedzi było bardzo proste dla użytkownika końcowego. Chodzi o to, by użytkownik mógł podłączyć swoje maszyny do platformy i korzystać od razu z dobrodziejstwa nauczonego systemu bez pracochłonnego przygotowywania reguł, algorytmów i modeli predykcyjnych.

Rozmawialiśmy z dużymi firmami realizującymi wielkie projekty z obszaru predictive maintenance. Na przykład dla jednej z firm z branży lotniczej realizowaliśmy projekt dotyczący rozpoznawania potencjalnych awarii w silnikach w czasie gdy samolot zaparkowany jest w hangarze. Wiązało się to ze zbieraniem setek punktów pomiarowych, setek tysięcy pomiarów oraz krótkim czasem na wypracowanie decyzji go/no-go. To zawsze były duże, drogie projekty, które przy przeniesieniu do branży produkcyjnej nie broniły się finansowo.

Stwierdziliśmy, że kluczem jest zbudowanie biblioteki maszyn, typów maszyn i typów procesów produkcyjnych, skatalogowanie ich i wypracowanie modeli przewidywania awarii oraz przypięcie ich “na gotowo” do definicji maszyny w bibliotece. Ogromnie ważne było także uogólnienie modeli na daną klasę maszyn, anie tylko dla określonej maszyny w bibliotece. Podobnie postąpiliśmy z regułami wykrywania wąskich gardeł w procesach produkcyjnych, które takżę skatalogowaliśmy w bibliotece procesów (na przykład proces pakowania oraz połączenie maszyn w graf/linię).

Rozwiązania gotowe do użycia w Twojej fabryce

Przez analogię do sportu rowerowego: to tak jakbyśmy chcieli przygotować model zużywania się roweru uzależniony od ilości przejechanych kilometrów, ale też od rodzaju nawierzchni na trasie (śledzonej np. z zapisów GPS podczas wykonanych treningów) oraz pogody, w jakiej rower jest używany, a potem zastosowali ten model do konkretnych rowerów różnych producentów i różnych podkatergorii rowerów (np. mtb, szosowy, grawel). Model wymaga jedynie dostrojenia i będzie działał. W końcu wszyscy wiemy, że jazda po błocie i w deszczu ma znacznie bardziej "destrukcyjny" wpływ na nasz rower niż w słońcu i na równej drodze.

Z tak przygotowanego modelu powstawałyby wskazówki, kiedy należy wymienić łańcuch w rowerze, bo może ulec zerwaniu lub jego zużycie powoduje nadmierne zużywanie się zębatek napędu, a także podpowiedzi, jak używać naszego rowerum aby zwiększyć jego żywotność i czas pomiędzy serwisami. Bez pomiaru faktycznego zużycia (wielkości oczek łańcucha), a jedynie estymowane modelem zużycia (predykcji awarii).
 

Podobne wskazówki chcemy generować na podstawie algorytmów zdefiniowanych dla maszyn w naszej bibliotece.

Ponadto chcemy:

  • określić funkcje starzenia się danej maszyny i jej elementów (czyli health factor) – żeby działania serwisowe planować po przekroczeniu poziomu ostrzegawczego zużycia (możliwy wpływ na jakość produktów). Funkcje starzenia dostarczą również wskazówek jak użytkować tę maszynę, aby zwiększyć czas bezawaryjnej pracy pomiędzy serwisami, które wykonywane będą w optymalnym momencie (ani za wcześnie, bo zwiększa to koszty serwisu, ani za późno, bo istnieje wtedy znaczne ryzyko nieplanowanego przestoju).

  • mieć modele przewidywania awarii na podstawie rozpoznawania anomalii w parametrach procesu (na przykład, w czasach procesu, poborze energii, temperaturze) – żeby ostrzegać o ryzyku wystąpienia awarii.

  • mieć modele symulacyjne, aby podpowiadać zmiany parametrów, jeśli obserwujemy nietypowe problemy (np. szybkość podnoszenia nalewaków i problem pozycjonowania butelek pod nalewakami. Gdy dzieje się to za szybko to się piana wylewa z butelek i zalewa transporter, zatem kolejne butelki są źle pozycjowane).

  • określić,  jakie dane zbieramy dla danej maszyny czy klasy maszyn.

  • określić,  jakimi stanami opisujemy tę maszynę z punktu widzenia monitorowania.

Całość dopełniona jest wspomagającym systemem wizyjnym nauczonym automatycznego rozpoznawania problemów (np. przewracające się butelki jako przyczynę blokowania transportera).

To wszystko należy tylko raz zdefiniować, przypiąć do definicji maszyny w bibliotece maszyn, potem wszystko jest już gotowe do użycia w ramach platformy LogiX, do której podłączona jest Twoja fabryka.

Robimy to wszystko po to, żebyś Ty Kliencie, mógł podłączyć swoją fabrykę do LogiX i używać nauczonego systemu, który wspomaga Cię podpowiedziami. Działa to podobnie do nawigacji samochodowej: wprowadzasz cel i podążasz za wskazówkami nawigacji: „skręć w lewo”, "skręć w prawo" lub "jedź prosto." W fabrykach będą to wskazówki, co należy zrobić, żeby produkować maksymalnie efektywnie: czyli jak unikać nieplanowanych przerw, optymalnie planować działania serwisowe i minimalizować zużycie energii. Wskazówki na tyle wiarygodne, żeby samo podążanie za nimi przez operatorów i mistrzów zmianowych wystarczyło, aby „jechać” optymalną trasą.

Bez przekopywania ekranów, bez drillowania raportów, i bez szukania podpowiedzi „na piechotę”.

W 10 minut skonfigurujesz gotowy do pracy system monitorowania z wykrywaniem anomalii i predykcją awarii oraz rozpoznawaniem ukrytych przyczyn przestojów dla Twojej linii produkcyjnej.

  • Bez data "sajentystów"
  • Bez miesięcy zbierania danych.
  • Bez uczenia modelu.

Po prostu usiądź, otwórz LogiX i zaloguj się jak do webowego konta email, otwórz kanwę swojej fabryki, przeciągnij sobie maszynę z biblioteki maszyn, np. filler Unilogo Futerproof 120. Nie znajdujesz swojej ma w bibliotece? OK, po prostu wybierz kategorię/rodzaj maszyny zamiast modelu.

Następnie przeciągnij sobie swój proces, np. pakowanie. Dostaniesz wzorcowy łańcuch połączonych maszyn: filler do cappera, cap sorter do cappera, capper do labellera…

Cyfowy bliźniak Twojej fabryki jest gotowy do pracy i do dostarczania Ci cennych wskazówek.

Wszystko to w... 10 minut.

Z całą mocą sztucznej inteligencji, którą wcześniej wbudowaliśmy w cyfrowe bliźniaki maszyn i procesów w naszej bibliotece.

Podpowiedzi, które dla Ciebie wygenerujemy będą dotyczyć ostrzegania o ryzyku konkretnych awarii, zmian w nastawach maszyn, aby uzyskać lepsze działanie całej linii, znajdowania związków między działaniami ludzi a problemami z maszynami, znajdowania nieoczywistych przyczyn problemów (np. związek z działaniami serwisowymi z poprzednich okresów), automatycznego znajdowanie root cause na podstawie grafu połączeń maszyn.

Przykłady podpowiedzi:

  • Wymień element trzymający korek w zakręcarce, bo wykryliśmy na podstawie czasów procesu że już jest mocno zużyty.

  • Zauważyliśmy, że John w tym tygodniu obsługuje ten rodzaj awarii średnio o 8 minut dłużej niż inni. Może jest przepracowany? Może wymaga szkolenia?

  • Zauważyliśmy, że ostatnio masz dużo przestojów z powodu awarii deklownicy po serwisach które robił Smith. Może potrzebne jest dodatkowe szkolenie dla Smitha?

  • Zmniejsz szybkość podnoszenia nalewaków, a unikniesz przestojów z powodu wylewającej się piany na transporter.

  • Jeśli obniżysz temperaturę w procesie mieszania masy kosmetycznej o 10 stopni, zaoszczędzisz 10% energii zachowując tę samą jakość produktu.

  • Zlecenie na linii 1 skończysz za 6 godzin i 30 minut – oceniliśmy to na podstawie historii produkcji takich dóbr na tej linii w ostatnim pół roku.

  • Znowu masz problemy z kartonami do case-packera od dostawcy X. Pogadaj z nim, bo tracisz przez to 50% swojej produktywności.

  • Zmniejsz szybkość pracy robota o 5%, a uzyskasz zmniejszenie ilości przestojów incydentalnych o 20%.

  • System wizyjny zgłosił nam, że duża część problemów z blokadą transportera wynika z przewracających się butelek. Wygląda na to, że elementy formatowe są źle przygotowane i nie trzymają ich stabilnie.

Z tak zdefiniowanym projektem poszliśmy do Narodowego Centrum Badań i Rozwoju (NCBiR) i dostaliśmy 2 mln EUR dofinansowania. Zachwyciliśmy ekspertów naszym projektem.

Jednak do jego realizacji potrzebujemy partnerów:

  • Firmy produkujące linie produkcyjne – żeby razem z nami zdefiniowały swoje maszyny w cyfrowej bibliotece.

  • Fabryki – aby skatalogować procesy wytwarzania, zidentyfikować wąskie gardła i wprowadzić reguły ich rozpoznawania i ostrzegania, a także aby przygotować definicje maszyn w bibliotece i sprawdzić je w działaniu.

 

Chcesz zostać partnerem naszego projektu? Napisz do nas na

Jak działa partnerstwo?

  • Podłączamy Twoje maszyny do LogiX – to nasza platforma wykonawcza.

  • Ustalamy które z tych podłączonych maszyn obejmujemy projektem w ramach partnerstwa.

  • Oto co wspólnie wypracujemy:

    • Modele predykcyjne

    • Wykrywanie anomalii

    • Algorytmy oceny stanu zdrowia maszyny

    • Wykrywanie ukrytych przyczyn źródłowych (hidden root causes)

To wszystko wbudujemy w Twoją instancję LogiX bez dodatkowych opłat, jednak zastrzegamy sobie prawo do uogólnienia wyników w naszej bibliotece (oczywiście zanonimizowane – gwarantujemy to w umowie partnerstwa).
 


Kolejne artykuły

W kolejnych artykułach opowiemy Ci jeszcze więcej:

  • Czym jest Machine Digital Twin Library, a czym Asset inventory w LogiX.SLF

  • Czym jest PackVision box, czyli koncepcja zastosowania kamer do automatycznego rozpozawania rodzajów przestojów i liczenia, bez łączenia się ze źródłami danych cyfrowych.

  • Czym jest Production Procesess Digital Twin Librarym czyli jak chcemy skatalogować w bibliotece procesy wytwórcze (np. pakowania kosmetyków, pakowania napojów, przygotowania napojów, przygotowania farb) i związać z takim procesem zestaw reguł wzorcowych gotowych do zastosowania lub modeli, które są nauczone na podstawie danych historycznych. Te podpowiedzi mają dotyczyć szukania przyczyn problemów w grafie połączonych maszyn (pod dany proces wytwórczy) czy też znajdowania związków między historią serwisową wykonywaną przez określone osoby a aktualnymi problemami (hiden root causes), czy wskazywania optymalnych parametrów wykonania danego procesu (np. mieszania masy kosmetycznej).

  • Opowiemy o konkretnych przykładach zastosowania monitorowania w celu przewidywania awarii dla maszyn i linii Unilogo: kiedy zmieniać gumki w zakręcarce, jak rozpoznać na podstawie pomiaru przepływów, że pompa w nalewaczce dożywa kresu. Co można wywnioskować z anomalii w parametrach etykieciarki, a co z falownika, jak i co można wywnioskować z analizy poboru prądu.

  • Opowiemy jak wyobrażamy sobie maintenance maszyny oparty o śledzenie sposobu jej użytkowania (usage based maintenance) i czym różni się od preventive i od condition based maintenance – czyli przeniesienie koncepcji z użytkowania nowoczesnych samochodów do maszyn w fabrykach (np. „wymień olej w przyszłym tygodniu, mimo że to dopiero 5 tys km, bo widzimy, że ciągle jeździsz z obrotami silnika w czerwonym polu obrotomierza”).

  • Opowiemy, jak chcemy wyznaczać wskaźnik zdrowia maszyny i jej elementów kluczowych i na jakiej podstawie go wyznaczać. Wyjaśnimy też, co można z takiego wskaźnika wyczytać (reguły na serwisowanie ze względu na potencjalny wpływ na jakość produktu lub ryzyko niespodziewanej awarii).