Fluktuerende markedsforhold, begrænsninger i forsyningskæden, arbejdsmangel og en hurtig global industri tvinger producenter af alle størrelser til at revurdere den måde, de fungerer på. Mange producenter er begyndt at anvende teknologi for at opretholde en konkurrencefordel og adressere langvarige forretningsudfordringer. Fra automatisering til digitale teknologier, industriel IoT og mere kan virksomheder udnytte disse innovationer til i sidste ende at fange data fra forskellige systemer, processer og mennesker til at give de strategiske indsigter, der er nødvendige for at træffe bedre beslutninger.
Der er ingen tvivl om, at disse virksomheder har en masse data at arbejde med. Ifølge en McKinsey -undersøgelse genererer fremstilling 1,9 petabytes eller 1.900, 000 terabyte af data årligt. Problemet var, at de havde brug for en bedre måde at fange og analysere data og omdanne dem til brugbar information, og de var nødt til at gøre det hurtigt. Som et resultat henvender mange virksomheder sig til kunstig intelligens (AI) for at finde muligheder med deres data for at forbedre deres operationer.
Hvorfor er AI perfekt til dataanalyse?
Fra forbedring af produktionsudbytter og oppetid til nøjagtigt at forudsige efterspørgsel og fjernovervågningsmaskiner og endda kontrollere aktiver og forbedre produktkvaliteten kan AI udnyttes til markant at forbedre den samlede effektivitet og produktivitetsmetrik.
Det er ikke magi, men et komplekst sæt algoritmer, der analyserer store mængder data, korrelerer eller lærer mønstre i forskellige variabler, og anvender denne viden til aktuelle forhold for at hjælpe med at forudsige fremtidige tilstande. Dette er ikke til at sige, at mennesker ikke kan udføre disse opgaver, men at Al kan gøre dem hurtigere og behandle flere data med større præcision og forbedre forretningsresultaterne.
I ethvert produktionsmiljø er der for eksempel traditionelt flere forskellige arbejdsgrupper og maskiner, der alle indsamler deres egne data. Oplysningerne fra hver enhed kan variere i kvalitet, format og timing, som kan skabe hindringer og gøre det vanskeligt at analysere og hente enhver meningsfuld indsigt fra dataene.
Ved hjælp af AI -teknologi kan store mængder data behandles hurtigt, hvilket gør det muligt for virksomheder hurtigt og nøjagtigt at kombinere driftsoplysninger, forudsige resultater baseret på alternativer og gøre det muligt for producenter at tage agile, informerede beslutninger. Denne forebyggende forudsigelsesevne er, hvor AI's styrke ligger, og den kan øge produktudbyttet i høj grad.
Ved at identificere den grundlæggende årsag til produktkvalitetsproblemer kan AI hjælpe med at reducere produktdefekter og skrothastigheder og øge produktionsudbyttet. Med detaljerede oplysninger og analyse kan producenter adressere kvalitetskontrolproblemer, før de direkte påvirker virksomhedens bundlinje. Lad os se på et sådant eksempel.
Brug AI til at forbedre motorkvaliteten
En global motorproducent producerer store dieselmotorer til generatorsæt, flåde- og marine applikationer og militære køretøjer. Efter montering udsættes hver motor for streng test. Under testning undlader selv de mest erfarne operatører ofte at detektere subtile tegn på et problem, hvilket fører til katastrofale fiaskoer under test eller når motoren er i drift. Disse fiaskoer har forårsaget betydelige tab, forsinkede forsendelser, skabt efterslæbede testområder og opstrøms produktion, koster virksomheden millioner af dollars årligt og påvirkede tid til tiden.
Problemet er ikke en mangel på data, men hvordan det bruges. Faktisk havde planten indsamlet procesdata i årevis, men kun brugt dem til opfølgningsarbejde, efter at der opstod en fiasko. Ved at se på dataene på denne reaktive måde er teamet ikke i stand til at forstå, hvorfor disse fejl forekommer eller proaktivt adresserer dem. I sidste ende ses disse spørgsmål som en omkostning ved at drive forretning, indtil virksomheden overvejer at bruge AI på eksisterende data til at forudsige kritiske aktivfejl, før de finder sted.
Producenten startede med et pilotprogram for at lægge det nødvendige datafundament for AI for at få indflydelse. I betragtning af behovet for at bruge historiske data gennemførte virksomheden først datarensning og analyse ved hjælp af AI, hvilket reducerede 20 milliarder datapunkter fra 100 motorer til 6 milliarder af de mest indflydelsesrige datapunkter på 48 timer.
Tilslut derefter flere modelsæt efter tid og model for at visualisere dataene og identificere eventuelle datahuller. Baseret på gap -analysen blev der foretaget justeringer for at udtrække visse data oftere og derved forbedre modelleringen. Ved at bruge en AI-platform udføres hele analysen i et lavrisikamiljø uden nogen indflydelse på den aktuelle produktion.
Fra disse data er producenterne i stand til at etablere baselinjer, identificere tendenser og afvigelser og udvikle planer om at sætte informationen i handling. På bare et par uger producerede de en rapport, der identificerede en gruppe af risikotiler med serienummer. Baseret på disse oplysninger har producenter mistanke om, at disse motorer har en større sandsynlighed for problemer under kvalitetskontroltest eller på området. Ved at knytte testdata til faktiske produktfejl identificerede rapporten nøjagtigt mere end 80 procent af motorproblemerne over flere år.
Det er vigtigt at bemærke, at dette projekt er en iterativ proces, da AI -modellen konstant lærer. På cirka 45 dage var modellen i stand til at forudsige fejl 30 minutter i forvejen med en falsk positiv rente på nul.
Minimer forstyrrelse af operationer
Under den officielle lancering er AL-løsningen forbundet til realtidsdata genereret af testkontrolsystemet og Human Machine Interface (HMI). Dette har ingen indflydelse på normal drift. Faktisk var modellen blevet integreret med virksomhedens standardtestsoftware, og operatøren var ikke engang klar over, at den var blevet implementeret. De skal bare vide, at nu deres HMI -interface vil informere dem om eventuelle truende problemer, og hvordan de skal håndtere dem.
I de første 90 dage opdagede AI-applikationen 20 realtidsbegivenheder, undgik mere end $ 4,5 millioner i motorskader og opnåede et 10x afkast på investeringen (ROI) for projektet.
Som denne sag illustrerer, kan det at udnytte AI give producenterne en måde at proaktivt reducere kvalitetsdefekter, spare penge og forbedre leveringsraterne, samtidig med at forstyrrelsen minimeres. Fra et solidt fundament af data og arbejde med erfarne partnere kan AI give den indsigt, der er nødvendig for at drive forretningsresultater og hjælpe producenterne med at konkurrere i dagens hurtigt udviklende forretningsmiljø.
Men AI behøver ikke at være en løsning i én størrelse, der passer til alle. Afhængig af dine behov, applikation og specifik situation skal forskellige løsninger tilpasses. Derfor er det vigtigt at have en betroet partner ved din side. Når det kommer til AI, kan de vurdere, hvor du er på din digitale transformationsrejse, forstå dine mål eller udfordringer og identificere løsningen fra topleverandører, der bedst passer til dine faktiske behov.