Post

Rozwiązywanie starych problemów za pomocą nowych technologii

Technologia cyfrowa może rozwiązać wiele problemów dla różnych przedsiębiorstw i branż. Istnieje wiele wyzwań, których po prostu nie da się rozwiązać wyłącznie za pomocą rzeczywistych, fizycznych środków - potrzebujemy rozwiązań cyfrowych, które zapewnią nam szybkość obliczeniową, wgląd i możliwości.

Metody Taguchiego są jedną z takich kwestii - ale istnieje również wspaniały przykład problemów, które nowoczesne rozwiązania cyfrowe mogą w końcu rozwiązać. Tutaj my - Łukasz Panusz i Maciej Mazur - chcemy rozmawiać w szczególności o Metodach Taguchiego, ponieważ opracowujemy rozwiązanie dla produkcji, które może ostatecznie rozwiązać to wyzwanie.

Czym są Metody Taguchiego?

Metody Taguchiego to seria statystycznych metod doskonalenia, opracowanych przez Genichiego Taguchiego w latach pięćdziesiątych ubiegłego wieku. Jego metody, jako inżyniera i statystyka, zostały opracowane w celu poprawy produkcji z punktu widzenia statystyki. Chociaż były one stosowane w niezliczonych sektorach, zostały zaprojektowane przede wszystkim z myślą o produkcji.

Kluczową częścią podejścia Taguchi'ego było włączenie funkcji strat - czynników lub wartości, które mogą spowodować szkodliwy efekt (lub "stratę") do produktu końcowego. Ograniczenie jednej z takich funkcji strat, bez dodawania drugiej w innym miejscu, jest częścią wielkiej równowagi statystycznej stojącej za metodami Taguchiego.

Problemy związane z produkcją w XXI wieku

W połączeniu z powyższymi czynnikami, widzimy wiele problemów, które przemysł musi rozwiązać. Najdroższy proces produkcyjny generuje straty w postaci przychodów, natomiast zastosowanie tańszych materiałów może skutkować gorszym produktem, który w konsekwencji słabo się sprzedaje, powodując dalsze straty.

Kiedy te parametry ograniczają się do garstki, od dawna wystarcza ludzkie zrozumienie. Weźmy na przykład pod uwagę ten wykres, w którym porównujemy trzy różne parametry:

Jak widać, łatwo jest dostrzec najbardziej optymalne rozwiązanie dla produktu końcowego. Co się jednak stanie, gdy dodamy 4. lub 5. czynnik? A co z 100? Nie ma łatwego sposobu na pokazanie 100 czynników dla ludzkiego zrozumienia.

Dodatkowo, wraz z rosnącym popytem i koniecznością, firmy starają się produkować swoje wyroby szybciej niż kiedykolwiek. W związku z tym, podczas gdy my wprowadziliśmy przenośniki taśmowe, serwonapędy i bardziej zaawansowane urządzenia, rzeczywista strona analityczna i reagująca jest opóźniona. Metody Taguchiego uwypukliły podstawowy problem - taki, który dopiero co przeskalował się wraz z przemysłem - ale technologia dopiero co nadrobiła zaległości, aby sprostać tym potrzebom.

Rozwiązania cyfrowe

Na szczęście, komputer potrafi myśleć wiele razy szybciej niż człowiek. Dzięki najnowszym innowacjom, zwłaszcza w chmurze, firmy mają teraz dostęp do szybkich, szybko reagujących rozwiązań, które można pozostawić do niemal całkowicie niezależnego działania.

W tym miejscu chcemy przełamać kilka z kluczowych potrzeb, które ostatnie zmiany pomogły rozwiązać.

Analityka

Zanim będziemy mogli coś poprawić, musimy najpierw wiedzieć, co jest - a co nie jest - skuteczne.

Firmy polegają na danych od początku produkcji. Na początku wystarczyło wiedzieć, ile można wyprodukować w takich ramach czasowych i za jaką cenę. Ale teraz, w świecie z wieloma dostawcami, częściami, procesami i elementami produkcji, potrzeba większego analitycznego wglądu jest najważniejsza.

Wymaga to dwóch rzeczy, z których pierwsza jest środkiem do faktycznego pozyskania danych. Podczas gdy firmy mogą to robić ręcznie, jest to zbyt wolne. Czas potrzebny na to będzie oznaczał, że wszelkie zidentyfikowane ulepszenia nie będą miały miejsca przez jakiś czas - w międzyczasie, obecny, nieefektywny proces jest nadal wykorzystywany. To właśnie tutaj Internet przedmiotów (IoT) okazuje się najbardziej użyteczny - umożliwia firmom uzyskiwanie informacji w locie, sortowanie i formatowanie ich automatycznie.

Taką pracę wykonaliśmy już w kilku firmach, w tym w aplikacjach do rozpoznawania obrazu dla przemysłu metalurgicznego, które są w stanie fotografować produkty i udzielać pracownikom dokładnych informacji na temat poszczególnych elementów, które nie spełniają standardów.

Po drugie, jest to następnie wspierane przez potężne narzędzia analityczne. Wymagania w tym zakresie są proste:

  • Muszą być szybkie - jeśli otrzymujemy dane w błyskawicznym tempie, musimy równie szybko znaleźć wgląd, korelacje lub inne czynniki (takie jak metody Taguchiego). Podobnie, muszą one być w stanie obsłużyć wszystkie informacje na raz - tu właśnie przydaje się technologia Big Data. Wyniki muszą być albo czymś, co człowiek jest w stanie zrozumieć - np. wizualnym sprzężeniem zwrotnym, korelacją danych, albo bezpośrednimi, automatycznymi działaniami, które wkrótce omówimy.

Wszystko to jest oczywiście niekończącym się cyklem. W miarę jak firmy optymalizują jeden parametr, inne mogą się zmieniać, tak zaawansowane rozwiązania są potrzebne, aby zrównoważyć wszystkie te czynniki w ciągłym dążeniu do doskonałości. Ostatecznie jesteśmy w stanie znaleźć tę idealną równowagę znacznie szybciej i skuteczniej przy pomocy maszyn niż we własnym zakresie.

Digital Twins

Rozmawialiśmy już wcześniej o Digital Twins - zwłaszcza w ramach Industry 4.0 - więc nie będziemy tu przesadzać z detalami.

Digital Twins - wirtualne repliki rzeczywistych procesów lub maszyn - umożliwiają firmom ocenę, analizę i eksperymenty bez ingerencji w rzeczywistą produkcję.

Jednak, jak wspomnieliśmy wcześniej, współczesny przemysł ma pewne rosnące potrzeby. Digital Twins działają na mniejszym, pojedynczym poziomie - jak np. jedno gniazdo produkcyjne, linia lub zakład. Ale co z tymi, które mają wiele zakładów pracujących jednocześnie? Potrzebujemy rozwiązania, które będzie pasowało do skali globalnej.

Mesh Twin Learning

Odpowiedzią jest więc połączenie cyfrowych bliźniaków i zaawansowanych modeli uczenia się maszyn poprzez siatkę, która łączy różne fabryki razem. Sama ta siatka jest zasilana przez chmurę, ale stworzyliśmy rozwiązanie, które umożliwia niezależne działanie poszczególnych modeli.

Oto przykład: tworzymy produkt w różnych fabrykach. Produkt jest taki sam, więc chcemy poznać najlepszy sposób jego produkcji. Każda fabryka lub linia produkcyjna posiada cyfrowe bliźniaki, pobierające lokalne dane i analizujące je w celu uzyskania lepszego wglądu. Po znalezieniu bardziej optymalnego rozwiązania, fabryka wysyła ten nowy model do chmury, gdzie jest on rozprowadzany między wszystkimi innymi fabrykami, rozdzielając korzyści.

Co więcej, możemy wykorzystać eksperymentalny projekt, aby zaoferować ciągłe ulepszenia wykraczające poza standard branżowy...

Eksperymentowanie z wieloma roślinami

Kolejną zaletą tego systemu jest to, że gdy organizacja posiada wiele roślin tworzących ten sam produkt i proces, stanowi on idealną grupę kontrolną do eksperymentowania. Jest to również coś, o czym Genichi Taguchi myślał - znamy to jako eksperymentalny projekt Taguchi.

Powiedzmy, że twoja firma ma trzy fabryki i chcesz przetestować potencjalne ulepszenia. Jeśli masz jedną fabrykę, dostosuj jeden parametr - powiedzmy temperaturę - podczas gdy inna testuje coś innego - np. ilość materiału - mamy jeszcze trzecią fabrykę do wykorzystania jako kontrolę.

Co więcej, jak już wyjaśniliśmy, wszelkie korzyści mogą być następnie zastosowane do szerszej siatki. Dzięki temu stałemu procesowi możemy sprawdzać i testować wszystkie parametry indywidualnie, co pozwala nam na uzyskanie wielu informacji statystycznych. Taguchi byłby dumny.

Co możemy rozwiązać?

Tak więc, to wszystko brzmi dobrze w teorii, ale jakie zasady możemy tu faktycznie rozwiązać? Cóż, istnieje cała gama problemów, którymi można się zająć:

  • Koszt - czy można zastosować tańsze rozwiązanie bez obniżania jakości lub innych czynników, które wpływają na produkt końcowy?
  • Warunki środowiskowe - czy zmiana warunków umożliwi uzyskanie lepszego czy gorszego produktu?
  • Zużycie materiałów - czy zmiana niektórych materiałów lub proporcji składników poprawi w jakikolwiek sposób produkt końcowy?
  • Czas - czy istnieje krótsze podejście, z mniejszą liczbą kroków lub mniej powtarzalnych procesów? Jeśli nie ma to wpływu na wynik końcowy, to prawdopodobnie krótszy czas produkcji oznacza, że można wyprodukować więcej towarów.
  • Wielkość - czy możemy produkować więcej na raz? Czas cyklu - czy możemy wykonać więcej cykli, czy też wpłynie to na inne obszary. Na przykład, jeśli produkcja jest szybsza i prowadzona częściej, czy nadmierne wykorzystanie maszyn spowoduje zmianę temperatury lub warunków otoczenia?
  • Kontrola jakości - jeśli istnieje różnica w jakości, możemy wykorzystać dane historyczne, aby sprawdzić, które unikalne parametry ją spowodowały. Następnie możemy podjąć działania w celu usunięcia tych problemów i przywrócenia stałej, wysokiej jakości.

Jak widać, jest wiele problemów do rozważenia - a to tylko kilka z nich. Jeśli pomyślimy o tym, ile komponentów wchodzi do produkcji pojazdu i ile pracy potrzeba na każdym etapie, to ilość parametrów, które należy wziąć pod uwagę, jest zdumiewająca. Cyfrowe rozwiązanie, takie jak Mesh Twin Learning, jest jedynym sposobem na ocenę wszystkich tych roślin i materiałów, a także na dostarczenie użytecznych informacji w korzystnych ramach czasowych.

Podsumowanie

Przemysł produkcyjny zawsze ewoluuje i dostosowuje się, dlatego też firmy zawsze poszukują elastycznych rozwiązań, które skalują się wraz z ich potrzebami. Podczas gdy Digital Twins i analityka działają na pojedynczym poziomie, Mesh Twin Learning może pomóc w zapewnieniu nie tylko analityki, ale również automatycznej adaptacji, na poziomie większej organizacji.

Perspektywa biznesowa

Dzięki Mesh Twin Learning, przedsiębiorstwa produkcyjne mogą skonfigurować systemy, które nieustannie dążą do poprawy działania w niezliczonych obszarach, od kosztów po wydajność i zużycie, a wszystko to zapewnia wiele wyjątkowych korzyści. Jednak po osiągnięciu tych korzyści, mogą one rozprzestrzenić się na całą firmę jako nowy punkt odniesienia, umożliwiając systemowi Mesh Twin Learning poszukiwanie kolejnych korzyści.

Komentarze (0)

Zostaw komentarz