كيف يمكن استخدام بصمة ذهبية للاستفادة من المحفل

بالنسبة لإدارات تقنية المعلومات التي تسعى بنشاط إلى الاستفادة من تقنية Internet of Things (IoT) لإحداث تأثير إيجابي على عملية التصنيع ، هناك مصطلح مهم يتعين عليهم معرفته ، وليس فقط لأنه يبدو وكأنه شيء قد طاردته إنديانا جونز ذات مرة: The Golden بصمة. تحدثت إلى بارت شوو ، نائب رئيس التكنولوجيا والتحالفات الرقمية في شركة Software AG ، في معرض CEBIT التجاري الذي يقام هذا الأسبوع في هانوفر بألمانيا حول سبب تحديد بصمة الأصابع هذه بالذات وما يعنيه ذلك بالنسبة لتكنولوجيا المعلومات.

"البصمة الذهبية هي استعارة" ، أوضح شوو ، وتابع قائلاً إنها كانت بمثابة دليل رئيسي في رواية المباحث. ولكن في المشروع ، يمكن تطبيقه على عملية التصنيع لتحديد وقت استيفاء الشروط لإنتاج ما يطلق عليه Schouw منتجًا مثاليًا.

يعد العثور على البصمة الذهبية عملية تكرارية ، وهي خطة مهمة تحدث عندما يتم تسجيل البيانات أثناء التصنيع وحفظها بحيث يمكن مقارنة سلسلة من عمليات التصنيع بمرور الوقت. في نفس الوقت ، يتم تقييم ناتج المصنع بحيث يتم تسجيل نجاح كل عملية تشغيل ، إلى جانب البيانات التي تم تسجيلها أثناء التصنيع. إذا تم القيام به بشكل صحيح ، فإن النتائج هي نوع من بصمات الأصابع التي تتكون من إجمالي مدخلات معدات التصنيع - أجهزة الاستشعار التي سجلت حالة المنتج أثناء التصنيع - وقياس النجاح الزائد لنتائج العملية.

تم تطوير عملية البصمة في الأصل للصناعة الكيماوية ، لكن Schouw قال إنها قابلة للتطبيق بشكل عام على معظم أنواع الصناعات التحويلية. على سبيل المثال ، سيكون لدى شركة صناعة السيارات سجلات عن مصدر كل عنصر ، ودرجات الحرارة أثناء الطلاء ، وقراءات عزم الدوران لكل مسمار أو مسمار ، وقراءات من عمال اللحام الآلي أثناء قيامهم ببناء الهيكل. ثم ، عند إنتاج السيارة ، يتم تتبع جودة الإنتاج عند صيانة السيارة أو عند إصلاح العيوب.

تعلم الآلة في صناعة السيارات

دعونا نطبق السيناريو على مصنع سيارات افتراضي. عندما يتم تصنيع كل سيارة ، يتم تتبع القراءات أثناء عملية الإنتاج من النهاية إلى النهاية ومقارنتها مع عمليات الإنتاج السابقة. دعنا نقول أن هناك مشكلة تحدث ، مثل الترباس الذي يتم تثبيته على إعداد عزم الدوران الخاطئ ، على سبيل المثال. يتم تسجيل هذه المشكلة والآن يمكن تصحيحها قبل بيع السيارة. في النهاية ، يمكن معايرة آلية الإنتاج بحيث لا تحدث هذه الأخطاء ويتم شحن المركبات دون عيوب كبيرة.

وقال شوو "في بعض الأحيان ، لا سيما في صناعة العمليات ، من غير الواضح أي الظروف تؤدي بالفعل إلى المنتج المثالي". "لذلك مع التعلم الآلي وأدوات تصور البيانات الجديدة ، يمكنك في الواقع أخذ بيانات التشغيل التي أدت إلى مجموعة كاملة من المنتج. ثم يمكنك أن تطلب من أدوات التعلم الآلي العودة والعثور على أنماط مماثلة في البيانات."

كما قد تتوقع ، فإن أي نوع من عمليات التصنيع المعقدة يتطلب الآلاف من نقاط البيانات الفردية لكل عملية تشغيل للحصول على بيانات كافية لبصمة ذات معنى. وهذا بدوره يتطلب أجهزة استشعار تقيس حالة المنتج في أي وقت معين ، وكذلك حالة أدوات التصنيع والآلات المستخدمة. حيث تتألق تقنية إنترنت الأشياء وقسم تكنولوجيا المعلومات.

عند اكتمال كل عملية تصنيع ، يمكن تصور البيانات من هذا التشغيل كنموذج للأحداث التي تؤدي إلى المنتج. وهذا يتطلب أجهزة استشعار وأدوات متصلة بالشبكة ووسائل لتسجيل تلك الأحداث. كما يتطلب برمجيات متخصصة لتشغيل التقييمات. قال Schouw أن هذا الجزء يصبح حالة استخدام مهمة للذكاء الاصطناعي (AI) والتعلم الآلي.

تتبع بيانات الإنتاج في الوقت الحقيقي

هذه هي النقطة التي تلتقي فيها تكنولوجيا المعلومات والتصنيع. يحتاج قسم تكنولوجيا المعلومات إلى دمج الكم الهائل من البيانات من كل عملية تصنيع ثم استخدامها لمقارنة كل شوط مقابل البصمة الذهبية للتشغيل المثالي. نظرًا لتحليل التشغيل في الوقت الفعلي ، فإنه يتم مقارنته أيضًا بالعمليات السابقة ، بحيث يمكن تحديدها مقدمًا بوقت كافٍ عند عدم نجاح التشغيل.

في عملية التصنيع ، قد يكون من الممكن إجراء تعديلات على معايير التصنيع حتى في الوقت الذي يحدث فيه ذلك لتقريب المدى من البصمة الذهبية. يمكن أن تؤدي القدرة على تصور الجري أثناء الإنتاج وتحديد وقت نجاحه مسبقًا إلى تحقيق وفورات كبيرة - من خلال عدم إضاعة مزيد من المواد في المدى الذي لن يكون ناجحًا ولا يضيع مزيدًا من الوقت.

أشار Schouw إلى Trendminer كمثال على الشركة التي تنتج البرنامج المدعوم من AI والقادر على العثور على البصمة الذهبية وأيضًا تتبع عملية الإنتاج في الوقت الفعلي. شارك أيضًا أن Software AG قد وضعت خططًا لشراء Trendminer.

جعل التصنيع أكثر كفاءة

ومع ذلك ، فوفورات التكلفة والجوانب عالية الجودة ليست كلها موجودة في إنترنت الأشياء والتصنيع. أوضح Schouw أن هناك جانبًا آخر لاستخدام التعلم الآلي في التصنيع يتمثل في تتبع منحنى F (يشير الحرف "F" إلى حالات الفشل التي يتم تتبعها في المصنع مع مرور الوقت). عندما تتعقب F-curve ، فأنت بصمات الأصابع بشكل فعال للمصنع بدلاً من المنتج ، وتبدأ عند إنشاء المصنع لأول مرة ، ثم عند تكليفه ، ثم عندما يتم إغلاقه أخيرًا لأن نسبة الفشل تصل إلى مستويات غير مقبولة كما عصر مرافق الإنتاج.

من خلال تتبع الشروط التي تساهم في فشل الإنتاج بمرور الوقت ، من الممكن تقليلها إلى مستويات مقبولة حتى تصل إلى نقطة تناقص الغلة: عندما يكون الأمر باهظ التكلفة بالنسبة للحفاظ على إصلاح الأشياء ، وبدلاً من ذلك ، يكون من الأفضل إعادة بناء المصنع.

المهم هو أنه من خلال إشراك تكنولوجيا المعلومات بشكل مباشر في عملية التصنيع ، يصبح التصنيع أكثر كفاءة ، وهناك إهدار أقل وعيوب أقل. والشركة توفر المال. تم بشكل صحيح ، والنتائج تظهر على الفور تقريبا. بالنسبة لإدارات تكنولوجيا المعلومات في شركات التصنيع ، فإن بصمة الأصابع الذهبية لها معنى ممتاز كنقطة انطلاق لدمج إنترنت الأشياء مع قلب العمل.