TIBCO über die Fertigung in der neuen Anomaliewirtschaft

Alessandro Chimera, Direktor für Digitalisierungsstrategie bei TIBCO, erläutert, wie Hersteller vorgehen Verwenden Sie Daten, KI und Automatisierung, um Systeme zu überwachen

Die Art und Weise, wie wir Daten zur Überwachung und Steuerung von Fertigungssystemen verwenden, hat sich geändert. TIBCO Leiter der Digitalisierungsstrategie Alessandro Chimera zieht seinen elektronischen Overall an und lädt seine digitale Fettpresse auf, um die Form der Anomalie-Ökonomie zu erklären, die das operative Leistungsmanagement leitet, und diskutiert alles von digitalen Zwillingen über KI, Automatisierung bis hin zu menschlicher Aufsicht.

Einige Teile der verarbeitenden Industrie existieren noch wie um die Wende des 20. Jahrhunderts. Neben Overalls und Teepausen brauchen wir noch Fett, Zahnräder und Schleifmaschinen. Diese Grundlagen werden sich wahrscheinlich bis weit in die automatisierte autonome Zukunft durchdringen, da Menschen immer eine Rolle in der umfassenderen grundlegenden Erzählung spielen werden, die jede Produktionsanlage betreibt.

Aber natürlich wissen wir, dass sich die Fertigung verändert hat. Während der ersten, zweiten und jetzt dritten industriellen Revolution haben wir gesehen, wie dampfbetriebene Beschleunigung, Mechanisierung und jetzt IT-gesteuerte Automatisierung in Fertigungsabläufen auf eine Weise angewendet wurden, die unsere Vorgänger nie für möglich gehalten hätten.

Wenn wir die hyperkontrollierte Produktionsanlage von morgen mit digitalen Zwillingen und Daten betreten, die jetzt unsere physischen Maschinen und menschlichen Arbeiter verbinden, müssen wir uns fragen, wie wir die Anomalieerkennung angehen sollen. Es ist ziemlich einfach, einen Einbruch oder eine Spitze in einem Diagramm zu erkennen, das einen signifikanten Messwert anzeigt, aber was tun wir, wenn es einen langsamen Qualitäts- oder Leistungsabfall gibt, der über einen Monat oder vielleicht länger auftritt?

Verblindete menschliche Aufsicht

Moderne Produktionsanlagen arbeiten heute in einem Massenproduktionsmaßstab, der die Fähigkeit einer einzelnen Person (oder sogar einer Gruppe) übersteigt, an jedem Punkt der Fabrikhalle gleichzeitig zu sein. In diesen Umgebungen können wir uns nicht darauf verlassen, dass die menschliche Beobachtung uns das vollständige Bild liefert, das wir brauchen. In den heutigen modernen Einrichtungen gibt es selten nur eine Variable zu verfolgen, es ist wahrscheinlicher, dass es Hunderte oder Tausende von Variablen sind.

Wenn sich eine Produktionsanomalie langsam in unseren Betrieb „schleicht“, kann sie unbemerkt bleiben, bis es zu spät ist und wir nichts dagegen tun können. Wir müssen über neue Arbeitsweisen sprechen.

Eine Nadel im Heuhaufen von Fertigungsdaten

Wir wissen, dass industrielle Datensätze sehr groß und äußerst komplex sind. Das Erkennen und Vorhersagen von Anomalien ist daher schwieriger als die Suche nach der Nadel im Heuhaufen, da wir oft nicht wissen, wonach wir suchen. Das Erkennen einer Anomalie bedeutet jedoch Einsparungen, die sich wiederum in höheren Produktionserträgen niederschlagen, sowohl unmittelbar als auch später.

Viele Hersteller wissen, dass sie über riesige Datensätze verfügen, aber allzu oft sind diese Datenspeicher isoliert und über mehrere Systeme verstreut. Diese Streuung und Divergenz von Daten macht es schwer zu verstehen, wann eine Anomalie mit mehreren Datensystemen oder mit verschiedenen physischen Produktionsphasen zusammenhängt. Tatsächlich ist es manchmal notwendig, Daten von Produkten abzurufen, die bereits auf dem Markt sind und Betriebs- oder Funktionsprobleme gezeigt haben. In jedem Fall besteht der erste Schritt darin, alle Ihre Datenquellen zu vereinheitlichen.

Heute arbeiten wir in einer Welt, in der Analytik zu einem grundlegenden Bestandteil moderner Fabriken wird; ein Trend, der durch die Entwicklung digitaler Zwillinge unterstrichen wird, bei denen wir genaue, schnelle und intelligente Analysen anwenden müssen, um die vorausschauenden Erkenntnisse zu gewinnen, die diese virtuellen Maschinen liefern können.

Sobald die Daten verfügbar sind und auf sie zugegriffen werden kann, stehen erweiterte Analysen zur Verfügung, um mit der Analyse zu beginnen, wonach gesucht werden muss. Moderne datenwissenschaftliche Techniken helfen uns, versteckte Anomalien zu entdecken, die aufgrund der enormen Anzahl von Parametern, die die Produktqualität beeinflussen können, nicht sofort verstanden werden.

Anomalien beim maschinellen Lernen und KI-Scouts

Das bringt uns zum heutigen Tag. Wir sind jetzt an einem Punkt angelangt, an dem auch maschinelles Lernen (ML) und künstliche Intelligenz (KI) Einzug in den Produktionsprozess halten.

Einige Hersteller haben ML zunächst verwendet, um ihre Marketinginitiativen zu verstehen, Kunden zu segmentieren und bestimmte Aktionen auszulösen. Aber in den letzten Jahren haben die fortschrittlicheren und fortschrittlicheren Hersteller begonnen, den Nutzen der Verwendung von ML- und KI-Techniken zur Erkennung von Anomalien zu verstehen.

Ein Beispiel ist die Verwendung von Autoencodern, um aus Daten zu lernen. Ein Autoencoder ist eine künstliche neuronale Netzwerk-Intelligenztechnik, die in ML verwendet wird. Es wird verwendet, um aus unbeschrifteten Datensätzen zu codieren und Funktionen zu lernen, was wir allgemein als unbeaufsichtigtes Lernen bezeichnen.

Unsere Zukunft der effizienten Fertigung in Echtzeit

Durch die Anwendung trainierter statistischer Modelle auf Echtzeitdaten ist es möglich vorherzusagen, wann eine Anomalie auftritt. Dies treibt uns zu einem neuen Punkt effizienter Abläufe. All dies führt uns zu dem Punkt, an dem wir jetzt von der Reaktion auf eine Anomalie zur Vorhersage der Anomalie übergehen können, mit dem Vorteil, erhebliche Betriebskostensenkungen zu erzielen. Wir senken die Kosten als direktes Ergebnis reduzierter Fehler- und Ausschussraten und der Vermeidung ungeplanter Anlagenstillstände.

Hemlock Semiconductor (HSC) ist ein führender Hersteller, der Lösungen zur Prozesssteuerung, vorausschauenden Wartung und Anomalieerkennung einsetzt, um seine Halbleiterfertigung zu rationalisieren und zu kontrollieren.

Durch die Einführung von Warnmeldungen in nahezu Echtzeit für einzelne Fertigungsprozesse können Mitarbeiter jetzt automatisch Schlüsselparameter mit vordefinierten Schwellenwerten, statistischen Regeln und optimalen Mustern vergleichen, die durch maschinelles Lernen und KI-Methoden aufgedeckt wurden. HSC erhält automatisch generierte Warnungen, sobald ein Prozess außerhalb akzeptabler Parameterbänder liegt, und benachrichtigt das Fertigungspersonal, dass etwas seine Aufmerksamkeit erfordert. Das Personal kann dann leicht auf die Daten zugreifen, um genau zu sehen, welche Variable das Problem verursacht haben könnte. Sobald diese Ursache-Wirkungs-Beziehungen identifiziert sind, ergreifen die Teams Maßnahmen, um zu verhindern, dass Prozessfehler erneut auftreten.

All diese Fortschritte führen uns letztendlich zu unserem Morgen und der Zukunft unseres Planeten. Da die Verwendung digitaler Zwillinge im Einklang mit der Anwendung von Datenanalyse und ML zunimmt, wird jeder Hersteller zu einer datengesteuerten Fabrik, die sich auf eine immer präzisere Erkennung von Anomalien konzentriert. An diesem Punkt können Hersteller gezielter mit optimiertem Energieverbrauch zum Wohle von uns allen arbeiten.

Die Anlagenproduktivität wird immer im Vordergrund stehen, und da die Zukunft unbestreitbar datengesteuert ist, ist dies ein Weg, den wir logischerweise einschlagen müssen. Dadurch werden wir in der Lage sein, Produkte auf den Markt zu bringen, die nicht nur eine bessere Leistung erbringen, sondern auch besser funktionieren und länger halten. Welche Auswirkungen das auf den Markt für billige Wegwerfartikel hat, wo Qualität so eingestellt ist, dass sie nach einer bestimmten Zeit „ausläuft“, ist eine andere Frage für einen anderen Tag.

Die Art und Weise, wie wir Waren und damit verbundene Dienstleistungen herstellen, kann jetzt durch Anomalieerkennung und die entsprechende Motorleistung, die sie aus Datenanalyse und Intelligenz erhält, verbessert werden. Wenn das keine Ausrede ist, unsere Overalls auszuziehen und uns für eine Teepause hinzusetzen, dann nichts.