يقدم Dürr التحليلات المتقدمة ، أول تطبيق AI جاهز للسوق لمحلات الدهانات.جزء من أحدث وحدة في سلسلة منتجات DXQanalyze ، يدمج هذا الحل أحدث تقنيات تكنولوجيا المعلومات وخبرة Dürr في قطاع الهندسة الميكانيكية ، ويحدد مصادر العيوب ، ويحدد برامج الصيانة المثلى ، ويتتبع الارتباطات غير المعروفة سابقًا ويستخدم هذه المعرفة لتكييف خوارزمية للنظام باستخدام مبدأ التعلم الذاتي.
لماذا تظهر القطع في كثير من الأحيان نفس العيوب؟ما هو آخر موعد يمكن فيه استبدال خلاط في الروبوت دون إيقاف الماكينة؟يعد الحصول على إجابات دقيقة ودقيقة لهذه الأسئلة أمرًا أساسيًا لتحقيق النجاح الاقتصادي المستدام حيث أن كل عيب أو كل صيانة غير ضرورية يمكن تجنبها توفر المال أو تحسن جودة المنتج."قبل الآن ، كان هناك عدد قليل جدًا من الحلول الملموسة التي من شأنها أن تسمح لنا بتحديد عيوب الجودة أو الإخفاقات على الفور.وإذا كان الأمر كذلك ، فقد استندوا بشكل عام إلى تقييم يدوي دقيق للبيانات أو محاولات التجربة والخطأ.أصبحت هذه العملية الآن أكثر دقة وتلقائية بفضل الذكاء الاصطناعي "، يوضح غيرهارد ألونسو جارسيا ، نائب رئيس MES وأنظمة التحكم في Dürr.
يمكن الآن الاعتماد على سلسلة منتجات DXQanalyze الرقمية من Dürr ، والتي تضمنت بالفعل وحدات الحصول على البيانات للحصول على بيانات الإنتاج والتحليلات المرئية لتصورها وتحليلات التدفق ، على مصنع التحليلات المتقدمة الجديد للتعلم الذاتي ونظام مراقبة العمليات.
تطبيق الذكاء الاصطناعي له ذاكرته
خصوصية التحليلات المتقدمة هي أن هذه الوحدة تجمع بين كميات كبيرة من البيانات بما في ذلك البيانات التاريخية والتعلم الآلي.هذا يعني أن تطبيق الذكاء الاصطناعي للتعلم الذاتي له ذاكرة خاصة به ، وبالتالي يمكنه استخدام المعلومات من الماضي للتعرف على الارتباطات المعقدة بكميات كبيرة من البيانات والتنبؤ بحدث في المستقبل بدرجة عالية من الدقة بناءً على الحالي شروط الجهاز.هناك الكثير من التطبيقات لهذا في ورش الدهان ، سواء على مستوى المكونات أو المعالجة أو المصنع.
تقلل الصيانة التنبؤية أوقات تعطل المصنع
عندما يتعلق الأمر بالمكونات ، تهدف التحليلات المتقدمة إلى تقليل أوقات التعطل من خلال معلومات الصيانة والإصلاح التنبؤية ، على سبيل المثال من خلال التنبؤ بعمر الخدمة المتبقي للخلاط.إذا تم استبدال المكون في وقت مبكر جدًا ، تزداد تكاليف قطع الغيار وبالتالي تزداد تكاليف الإصلاح العامة دون داع.من ناحية أخرى ، إذا تركت تعمل لفترة طويلة جدًا ، فقد تتسبب في حدوث مشكلات في الجودة أثناء عملية الطلاء وتوقف الماكينة.تبدأ التحليلات المتقدمة من خلال التعرف على مؤشرات التآكل والنمط الزمني للتآكل باستخدام بيانات الروبوت عالية التردد.نظرًا لتسجيل البيانات ومراقبتها باستمرار ، تتعرف وحدة التعلم الآلي بشكل فردي على اتجاهات الشيخوخة للمكون المعني بناءً على الاستخدام الفعلي وبهذه الطريقة تحسب وقت الاستبدال الأمثل.
منحنيات درجة الحرارة المستمرة محاكاة بواسطة التعلم الآلي
تعمل التحليلات المتقدمة على تحسين الجودة على مستوى العملية من خلال تحديد الحالات الشاذة ، على سبيل المثال عن طريق محاكاة منحنى التسخين في الفرن.حتى الآن ، لم يكن لدى الشركات المصنعة سوى البيانات التي تحددها أجهزة الاستشعار أثناء عمليات القياس.ومع ذلك ، فإن منحنيات التسخين التي لها أهمية أساسية من حيث جودة سطح جسم السيارة تختلف باختلاف عمر الفرن ، خلال الفترات الفاصلة بين عمليات القياس.يتسبب هذا التآكل في حدوث تقلبات في الظروف المحيطة ، على سبيل المثال في شدة تدفق الهواء.حتى الآن ، يتم إنتاج آلاف الجثث دون معرفة درجات الحرارة الدقيقة التي تم تسخين الجثث عندها.باستخدام التعلم الآلي ، تحاكي وحدة التحليلات المتقدمة الخاصة بنا كيف تتغير درجة الحرارة في ظل ظروف مختلفة.هذا يقدم لعملائنا دليلًا دائمًا على الجودة لكل جزء على حدة ويسمح لهم بتحديد الحالات الشاذة "، كما أوضح غيرهارد ألونسو جارسيا.
يزيد معدل التشغيل الأول الأعلى من فعالية المعدات الإجمالية
بالنسبة للزرع ، يتم استخدام برنامج DXQplant.analytics بالاشتراك مع وحدة التحليلات المتقدمة من أجل زيادة الفعالية الكلية للمعدات.يتتبع الحل الذكي للشركة المصنعة الألمانية عيوب الجودة المتكررة في أنواع طرز معينة أو ألوان محددة أو في أجزاء فردية من الجسم.هذا يسمح للعميل بفهم أي خطوة في عملية الإنتاج هي المسؤولة عن الانحرافات.سيؤدي هذا الخلل والعلاقة إلى زيادة معدل التشغيل الأول في المستقبل من خلال السماح بالتدخل في مرحلة مبكرة جدًا.
الجمع بين هندسة المصنع والخبرة الرقمية
يعد تطوير نماذج البيانات المتوافقة مع الذكاء الاصطناعي عملية معقدة للغاية.في الواقع ، لإنتاج نتيجة ذكية باستخدام التعلم الآلي ، لا يكفي إدخال كميات غير محددة من البيانات في خوارزمية "ذكية".يجب جمع الإشارات ذات الصلة واختيارها بعناية ودمجها مع المعلومات الإضافية المنظمة من الإنتاج.كان Dürr قادرًا على تصميم برنامج يدعم سيناريوهات الاستخدام المختلفة ، ويوفر بيئة وقت تشغيل لنموذج التعلم الآلي ويبدأ التدريب على النموذج."كان تطوير هذا الحل تحديًا حقيقيًا حيث لم يكن هناك نموذج تعلم آلي صالح ولا بيئة تشغيل مناسبة يمكن أن نستخدمها.من أجل أن نكون قادرين على استخدام الذكاء الاصطناعي على مستوى المصنع ، قمنا بدمج معرفتنا بالهندسة الميكانيكية وهندسة المصانع مع تلك الخاصة بخبرائنا في Digital Factory.وقد أدى ذلك إلى أول حل ذكاء اصطناعي لمحلات الطلاء "، كما يقول غيرهارد ألونسو جارسيا.
المهارات والمعرفة مجتمعة لتطوير التحليلات المتقدمة
قام فريق متعدد التخصصات مكون من علماء البيانات وعلماء الكمبيوتر وخبراء العمليات بتطوير هذا الحل الذكي.كما دخلت Dürr في شراكات تعاون مع العديد من كبرى شركات تصنيع السيارات.وبهذه الطريقة ، كان لدى المطورين بيانات إنتاج واقعية وبيئات مواقع بيتا قيد الإنتاج لحالات التطبيق المختلفة.أولاً ، تم تدريب الخوارزميات في المختبر باستخدام عدد كبير من حالات الاختبار.بعد ذلك ، واصلت الخوارزميات التعلم في الموقع أثناء التشغيل الواقعي وتكييف نفسها مع البيئة وظروف الاستخدام.تم الانتهاء مؤخرًا من المرحلة التجريبية بنجاح وأظهرت مدى إمكانات الذكاء الاصطناعي.تظهر التطبيقات العملية الأولى أن البرنامج من Dürr يعمل على تحسين توافر المصنع وجودة سطح الهياكل المطلية.
الوقت ما بعد: مارس -16-2022