اکثر کسبوکارهای صنعتی در محیطهای ایمنی و عملیاتی کمبود دادههای بلادرنگ ندارند. در واقع، وقتی صحبت از جلوگیری از حوادث و آسیبها و بهبود کارایی میشود، آنها فاقد بینش عملیاتی و توانایی انجام اقدامات قاطع و به موقع هستند. هوش مصنوعی برای نگهداری و تعمیرات پیشبینیکننده و بهبود دقت موجودی، این بینش را فراهم میکند و میتواند قابلیت مشاهده را به اقدام عملیاتی تبدیل کند. اگر قصد خرید با بهترین قیمت دوربین پردازش تصویر ، قیمت دوربین صنعتی ، قیمت دوربین بینایی ماشین و سنسور پردازش تصویر را دارید کافیست به فروشگاه ایمیجین سورس مراجعه کنید.
کسبوکارهای صنعتی در حال حاضر دوربینهایی در سراسر سایتها دارند، سیگنالهای دستگاه، هشدارهای سیستم و دادههای اسکنر را جمعآوری میکنند و گزارشهای عملیاتی را گردآوری میکنند. امروزه، بسیاری از آنها استفاده از هوش مصنوعی در محیطهای زنده را آغاز کردهاند. با این حال، مشکلات مشابه هنوز در عملیات روزانه ظاهر میشوند: حوادث و تأخیرهای قابل اجتناب، بروز خطرات و شکافهای غیرقابل توضیح در موجودی، عدم قطعیت در نگهداری و ضایعات مکرر. مسیر تصمیمگیری آگاهانه، حرکت از بینش به عمل با سرعت بالا، جایی است که موانع وجود دارد.
استقرار بینایی کامپیوتر در لحظه میتواند به طور مداوم منجر به پاسخهای سریعتر، بهتر و تأثیرگذارتر شود. این امر فرصتی را برای تبدیل قابلیت مشاهده به اقدام عملیاتی فراهم میکند و این همان چیزی است که مجموعه وبینارهای دو قسمتی ما، «بینش تا تصمیمگیری»، در واقع به آن میپردازد. در بخش اول ، پنج موضوع اول که استقرار موفقیتآمیز بینایی هوش مصنوعی را شکل میدهند، بررسی کردیم. و در بخش دوم ، بر پنج مورد بعدی تمرکز کردیم:
چرا رباتیک هنوز اصطکاک ایجاد میکند؟
چرا اغلب، شفافیت موجودی کمتر از واقعیت موجودی است؟
چرا استراتژیهای نگهداری و تعمیرات پیشبینانه نیاز به زمینه دارند؟
چگونه چشمانداز، عملکرد ناب را قابل مشاهده میکند و آنچه برای تبدیل هوش مصنوعی به یک سیستم تصمیمگیری واقعی لازم است.
در هر پنج مورد، پیام ثابت است: بزرگترین دستاوردها از پاسخ بهتر به دست میآیند نه از دیدن بیشتر. آنها از بستن شکاف بین چشمانداز و تصمیم به طور مداوم، سریع و تکرارپذیر حاصل میشوند.
انواع مختلف مدل های هوش مصنوعی
هوش مصنوعی در خط تولید، ایمنی و دقت صنعتی را افزایش میدهد
هوش مصنوعی در خط تولید، ایمنی و دقت صنعتی را بهبود میبخشد.
هماهنگی در اتوماسیون بینایی مبتنی بر هوش مصنوعی، مهمتر از سرعت است
اتوماسیون همچنان در تولید، انبارداری و لجستیک با سرعت بیشتری در حال پیشرفت است. رباتها، رباتهای همکار و AMRها اکنون در بسیاری از گردشهای کاری حیاتی تعبیه شدهاند. در بیشتر موارد، خود تجهیزات دقیقاً مطابق طراحی عمل میکنند. پس چگونه ممکن است توان عملیاتی، ثبات و ایمنی هنوز انتظارات را برآورده نکنند؟ ما معتقدیم که مشکل، هماهنگی است، نه خود اتوماسیون.
در عملیات صنعتی دنیای واقعی، اصطکاک بین سیستمها خود را نشان میدهد. یک ایستگاه سریعتر از ایستگاه بعدی که میتواند کار را جذب کند، کار را تمام میکند. مواد خیلی زود میرسند. بافرها سرریز میشوند. تراکم ایجاد میشود. کارگران برای ادامه تولید، شروع به دور زدن صفها و انسدادها میکنند. سیستم رباتیک ممکن است به صورت محلی کارآمد باشد، اما بدون هماهنگی، عملیات گستردهتر ناپایدار میشود.
اینجاست که هوش مصنوعی برای نگهداری و تعمیرات پیشبینیکننده و دقت موجودی، ارزش عملیاتی قابل توجهی را به ارمغان میآورد.
به جای تمرکز صرف بر اینکه آیا یک دارایی در حال اجرا است یا خیر، تیمها میتوانند مشاهده کنند که چگونه کار در کل سیستم پیش میرود. آنها میتوانند ببینند که گلوگاهها کجا شکل میگیرند ، تحویل کارها کجا با شکست مواجه میشوند، و عدم تطابق سرعت انجام کار در کجا باعث ایجاد ریسک پنهان میشود.
این امر اساساً استراتژی بهبود را تغییر شکل میدهد. تیمها دیگر نمیپرسند که چگونه یک ربات واحد را سریعتر کنند و در عوض به بهبود جریان کلی میپردازند. اغلب، دستاوردها از ایجاد تعادل مجدد در کار، تنظیم چیدمان، طراحی مجدد تحویل کارها یا تغییر منطق کارکنان و بافر حاصل میشود، نه از اتوماسیون بیشتر.
نتیجه، افزایش توان عملیاتی، کاهش توقفها و گردشهای کاری ایمنتر از داراییهای موجود است.
ثبت وضعیت موجودی کالا
سیستمهای مدیریت انبار برای تشخیص وضعیت موجودی کالا با استفاده از هوش مصنوعی (AI Vision) پیادهسازی شدهاند.
دقت موجودی، از دید تا حقیقت
بیشتر سازمانهای بزرگ از قبل سیستمهای موجودی پیشرفتهای دارند. آنها میتوانند موجودی را بر اساس SKU، مکان، سن، جابجایی و ارزش ردیابی کنند. در نگاه اول، شفافیت به نظر قوی میرسد.
با این حال، تیمهای عملیاتی هنوز با همان مشکلات تکراری مواجه هستند. موجودی کالا موجود نشان داده میشود، اما نمیتوان آن را پیدا کرد. آسیبدیدگی با تأخیر ظاهر میشود. مواد از نظر فنی در جای درست خود در سیستم قرار دارند، اما در واقعیت، ممکن است مسدود، گم یا غیرقابل استفاده باشند.
این شکاف بین مشاهده موجودی و حقیقت موجودی است.
اتوماسیون هوش مصنوعی بینایی با آشکار کردن آنچه سیستمهای تراکنشی نمیتوانند، به بستن این شکاف کمک میکند. این سیستم نشان میدهد که مواد چگونه مدیریت میشوند، کجا تراکم منجر به جابجایی میشود، کدام مراحل فرآیند باعث آسیب میشوند و چه زمانی طراحی ذخیرهسازی، موجودی را غیرقابل دسترس میکند. این سیستم آنچه را که از نظر فیزیکی اتفاق میافتد، ثبت میکند، نه فقط آنچه قرار بود در سیستم اتفاق بیفتد.
این مهم است زیرا واکنش را از آشتی به تحلیل ریشهای علت تغییر میدهد.
به جای اینکه مسائل مربوط به موجودی را صرفاً به عنوان خطاهای انسانی در نظر بگیرند، تیمها میتوانند شرایط فرآیندی ایجادکنندهی این عدم دقت را برطرف کنند. این میتواند به معنای طراحی مجدد چیدمان انبار، تغییر جریان ترافیک، بهبود رویههای جابجایی یا تنظیم شیوههای ساعات اوج مصرف باشد، زمانی که فشار منجر به جایگذاری سریع یا اسکنهای از دست رفته میشود.
اینجاست که پیادهسازی هوش مصنوعی برای دقت موجودی کالا بسیار ارزشمند میشود.
هدف، ایجاد شرایط عملیاتی است که دقت موجودی را پایدار کند، نه اینکه صرفاً تعداد دفعات شمارش را افزایش دهد. وقتی این اتفاق بیفتد، کمبودها کمتر تعجبآور میشوند، تیمها میتوانند موجودیهای ایمنی پرهزینه را کاهش دهند و تأخیرهای تولید یا تحویل ناشی از کمبود مواد شروع به از بین رفتن میکنند.
هشدار روی مانیتور کامپیوتر با نماد خطر در محیط صنعتی، خطر امنیت سایبری.
کالیبراسیون هشدارها و تشخیص با هوش مصنوعی.
هوش مصنوعی برای بهرهوری زنجیره تأمین
اتوماسیون بینایی هوش مصنوعی و زمینهسازی برای هشدارها
نگهداری و تعمیرات پیشگیرانه سالهاست که یک اولویت استراتژیک بوده است ، اما بسیاری از تیمها هنوز با همین مشکل دست و پنجه نرم میکنند: یک حسگر هشدار میدهد، اما تصمیم درست هنوز مشخص نیست. آیا تعمیر و نگهداری باید فوراً مداخله کند؟ یا باید منتظر بماند؟ شاید خط را خاموش کند؟ یا اینکه سیگنال را به عنوان یک تغییر عادی نادیده بگیرد؟
دادههای حسگرهای سنتی در تشخیص ناهنجاریها خوب هستند. لرزش، دما، جریان مصرفی و سیگنالهای صوتی همگی میتوانند نشان دهند که چیزی در حال تغییر است. چیزی که آنها اغلب در ارائه آن مشکل دارند، زمینه کافی برای قضاوت در مورد معنای واقعی آن تغییر است.
اینجاست که هوش مصنوعی برای نگهداری و تعمیرات پیشبینانه، تفاوت معناداری ایجاد میکند.
با ترکیب هوش بصری با هشدارهای تعمیر و نگهداری مبتنی بر حسگر، تیمها تصویر واضحتری از آنچه در اطراف دارایی اتفاق میافتد، به دست میآورند. آنها میتوانند ارزیابی کنند که آیا نشتی قابل مشاهده ، قطعهای شل، ناهماهنگی در حال توسعه، رفتار عملیاتی غیرمعمول یا یک عامل محیطی مؤثر بر عملکرد وجود دارد یا خیر.
این زمینه، کیفیت تصمیمگیری را بهبود میبخشد. تیمها میتوانند قبل از تشدید، بین نتایج مثبت کاذب، تغییرات موقت و مسائلی که نیاز به مداخله دارند، تمایز قائل شوند. آنها میتوانند وقتی خطر واقعی است، زودتر اقدام کنند و وقتی خطر واقعی نیست، از اختلال غیرضروری جلوگیری کنند.
این امر نحوه استفاده از منابع تعمیر و نگهداری را بهبود میبخشد. تکنسینها زمان کمتری را صرف دنبال کردن سر و صدا میکنند. زمان از کارافتادگی برنامهریزی نشده کاهش مییابد. عمر تجهیزات میتواند بهبود یابد زیرا مشکلات قبل از وقوع آسیب ثانویه حل میشوند. از همه مهمتر، تیمهای تعمیر و نگهداری به تصمیمات خود اعتماد به نفس پیدا میکنند.
یک تصور غلط رایج میتواند این باشد که هوش مصنوعی بینایی ممکن است جایگزین حسگرها شود. در عمل، در واقع با قابل توضیح کردن سیگنالها، آنها را تقویت میکند.
خط مونتاژ پیشرفته با کارگرانی که با تجهیزات محافظ، دستگاههای الکترونیکی تولید میکنند.
تولید در خط تولید با راهکارها و تدابیر حفاظتی هوش مصنوعی (AI Vision) بهینه شده است.
قابل مشاهده کردن عملکرد با اتوماسیون هوش مصنوعی (AI Vision)
تیمهای ناب عملکرد را از نزدیک پیگیری میکنند. OEE ، زمان چرخه، زمان از کارافتادگی و توان عملیاتی برای هر تلاش جدی برای بهبود مستمر، اساسی هستند. اما این معیارها هنوز یک شکاف اساسی باقی میگذارند: آنها به شما میگویند چه اتفاقی افتاده است، اما نکته مهم این است که همیشه دلیل آن را نمیگویند.
به همین دلیل است که هوش مصنوعی (AI Vision) به طور فزایندهای ارزشمند و ضروری در عملکرد ناب (Lean Performance)، بهینهسازی فرآیند و حتی تشخیص ناهنجاری است . این فناوری، کار واقعی را به جای گزارش صرف، قابل مشاهده میکند.
مقدار شگفتآوری از اتلاف در سیستمهای مرسوم ثبت نمیشود. توقفهای کوچک ممکن است برای ثبت شدن خیلی کوتاه باشند. اپراتورها ممکن است وقتی کار استاندارد با شرایط واقعی مطابقت ندارد، راهحلهای غیررسمی ایجاد کنند. اتلاف حرکت، جابجایی مکرر، جستجوی ابزار، انتظار و اجرای نامنظم اغلب نامرئی میمانند، مگر اینکه کسی اتفاقاً دقیقاً در مکان مناسب و در لحظه مناسب مراقب باشد.
هوش مصنوعی (AI Vision) این وضعیت را به طور اساسی تغییر میدهد. این فناوری به تیمها اجازه میدهد تا مستقیماً ضایعات را ببینند ، میزان وقوع آنها را اندازهگیری کنند و آنها را به جای نظر شخصی، به طراحی فرآیند متصل کنند. این امر تجزیه و تحلیل ریشهای علل را عینیتر و پربارتر میکند.
همچنین نحوه تأیید تغییرات توسط تیمها را بهبود میبخشد. پس از بهروزرسانی طرحبندی، بازنگری استاندارد کار یا مداخله کایزن، تیمها میتوانند ببینند که آیا رفتار واقعاً تغییر کرده است یا خیر . آیا حرکت کاهش یافته است؟ آیا گلوگاه جابجا شده است؟ آیا گردش کار جدید پایدار مانده است؟ با هوش مصنوعی، تیمها از بینش ارزشمندی بهرهمند میشوند که فرصتی برای بهبود قابل توجه عملکرد فراهم میکند.
این مهم است زیرا بهبود مستمر تنها زمانی حاصل میشود که دستاوردها پایدار بمانند. با داشتن چشمانداز، انحراف زودتر قابل مشاهده میشود. تیمها میتوانند قبل از اینکه عملکرد به سطح پایه قدیمی برگردد، مداخله کنند.
نتیجه این است که Lean سریعتر، مشارکتیتر و مبتنی بر شواهد میشود . زمان کمتری صرف بحث در مورد علل به شیوهای ذهنی میشود. سپس میتوان زمان بیشتری را صرف بهبود خود کار کرد.
رابط کاربری داشبورد هوش مصنوعی برای تجزیه و تحلیل و نظارت بر دادهها در زمان واقعی.
چشمانداز به عنوان یک سیستم تصمیمگیری، نه فقط یک داشبورد
بسیاری از سازمانها به نقطهای رسیدهاند که هوش مصنوعی میتواند تشخیصها، گزارشها و داشبوردها را تولید کند . این امر باعث ایجاد دید عملیاتی میشود که مفید است، اما به تنهایی کافی نیست. از این گذشته، یک داشبورد هنوز تنها یک لایه مشاهده است، مگر اینکه اقدامات معنادار و تأثیرگذاری را هدایت کند.
این نوع سیستم هوش مصنوعی تصمیمگیری میتواند اشکال مختلفی داشته باشد. یک مشکل تعمیر و نگهداری میتواند مستقیماً با شواهد بصری پشتیبان به گردش کار صحیح منتقل شود. یک ریسک ایمنی مکرر میتواند باعث بررسی، آموزش مجدد یا مداخله هدفمند شود. یک رویداد رانش کیفیت میتواند بلافاصله به خط تولید و مهندسی منتقل شود. یک مشکل لجستیکی میتواند قبل از گسترش ازدحام، باعث تغییر مسیریابی شود. این تغییر واقعی از گزارشدهی غیرفعال به اتوماسیون گردش کار فعال و واقعی است .
وقتی هوش مصنوعی به این شکل در سیستم گنجانده شود، زمان پاسخگویی از ساعت به دقیقه یا دقیقه به ثانیه کاهش مییابد. اقدامات در شیفتها و سایتهای مختلف، منسجمتر میشوند. افراد زمان کمتری را صرف نظارت مداوم بر داشبوردها و زمان بیشتری را صرف رسیدگی به استثنائات و بهبود فرآیندها میکنند.
این همچنین جایی است که ارزش با بهبود مستمر ترکیب میشود. هنگامی که حلقه بسته میشود، هر سیگنال میتواند تصمیمات آینده را تقویت کند. دانش به جای اینکه فقط در تجربه فردی باشد، بخشی از گردش کار میشود. این زمانی است که هوش مصنوعی بینایی دیگر ابزاری نیست که شما بررسی میکنید و شروع به تبدیل شدن به یک لایه مدیریتی میکند که به اجرای مؤثرتر عملیات صنعتی کمک میکند.