Hvordan den kan bruke det gyldne fingeravtrykket til å utnytte iot

For IT-avdelinger som aktivt søker å utnytte Internet of Things (IoT) -teknologi for å gi en positiv innvirkning på en produksjonsprosess, er det et viktig begrep de trenger å vite, og ikke bare fordi det høres ut som noe Indiana Jones en gang kan ha jaget: The Golden Fingeravtrykk. Jeg snakket med Bart Schouw, visepresident for teknologi og digitale allianser i Software AG, på CEBIT-messen som finner sted denne uken i Hannover, Tyskland om nøyaktig hvorfor dette fingeravtrykket er farget gull og hva det betyr for IT.

"Det gylne fingeravtrykket er en metafor, " forklarte Schouw og fortsatte med å si at det var som et sentralt bevis i en detektivroman. Men i bedriften kan det brukes på en produksjonsprosess for å bestemme når betingelsene blir oppfylt for å produsere det Schouw kaller et perfekt produkt.

Å finne det gyldne fingeravtrykket er en iterativ prosess, en oppgaveblåtrykk som skjer når data blir registrert under produksjon og lagret slik at en serie produksjonsløp kan sammenlignes over tid. Samtidig blir produksjonen fra fabrikken evaluert slik at suksessen til hver produksjonsoppføring blir registrert, sammen med dataene som ble registrert mens produksjonen fant sted. Gjort riktig, hva som er resultatene er et slags fingeravtrykk som består av helheten av innganger fra produksjonsutstyr - sensorer som registrerte produktets tilstand under produksjonen - og en overordnet suksessmetrik for prosessutfallet.

Fingeravtrykkprosessen ble opprinnelig utviklet for den kjemiske industrien, men Schouw sa at den generelt kan brukes på de fleste typer produksjon. En bilprodusent, for eksempel, ville ha poster over hvor hver komponent kom fra, temperaturer under maling, momentavlesninger for hver skrue eller bolt, og avlesninger fra robotens sveisere når de bygget chassiset. Deretter, når bilen er produsert, spores kvaliteten på produksjonen når bilen blir betjent eller når feil er reparert.

Maskinlæring i bilprodusering

La oss bruke scenariet til en hypotetisk bilfabrikk. Når hver bil er laget, spores avlesningene under ende-til-ende produksjonsprosess og sammenlignes med tidligere produksjonsløp. La oss si at det oppstår et problem, for eksempel at en bolt blir strammet til feil momentinnstilling, for eksempel. Det problemet er registrert, og nå kan det rettes før bilen selges. Til slutt kan produksjonsmaskineriet kalibreres slik at disse feilene ikke oppstår og kjøretøyer blir sendt uten betydelige feil.

"Noen ganger, spesielt i prosessindustrien, er det ikke klart hvilke forhold som faktisk fører til det perfekte produktet, " sa Schouw. "Så med maskinlæring og nye datavisualiseringsverktøy kan du faktisk ta dataene fra et produksjonsløp som førte til det perfekte partiet med produkt. Så kan du be maskinens læringsverktøy om å gå tilbake og finne lignende mønstre i dataene."

Som du kanskje forventer, vil enhver form for kompleks produksjon kreve tusenvis av individuelle datapunkter for hver produksjonskjøring for å ha nok data for et meningsfullt fingeravtrykk. Dette krever igjen sensorer som måler tilstanden til produktet til enhver tid, samt tilstanden til produksjonsverktøy og maskiner mens de blir brukt. Det er her IoT-teknologi og IT-avdelingen får skinne.

Når hvert produksjonsløp er fullført, kan dataene fra den kjøringen visualiseres som et mønster av hendelser som fører til produktet. Dette krever nettverkssensorer og verktøy og et middel til å registrere disse hendelsene. Det krever også spesialisert programvare for å kjøre evalueringene. Schouw sa at denne delen blir en viktig brukssak for kunstig intelligens (AI) og maskinlæring.

Spore produksjonsdata i sanntid

Dette er punktet der IT og produksjon samles. IT-avdelingen må konsolidere den enorme mengden data fra hvert produksjonsløp og deretter bruke dem til å sammenligne hvert kjør mot det gylne fingeravtrykket til det perfekte kjøringen. Ettersom løpet er analysert i sanntid, sammenlignes det også med tidligere løp, slik at det er mulig å avgjøre på forhånd når et løp neppe vil være vellykket.

I prosessproduksjon kan det være mulig å gjøre justeringer av produksjonsparametrene, selv om de skjer for å bringe løpet løpet nærmere det gyldne fingeravtrykket. Muligheten til å visualisere et løp under produksjonen og på forhånd bestemme når et løp ikke vil være vellykket, kan gi betydelige besparelser - ved ikke å kaste bort ytterligere materiale i et løp som ikke kommer til å bli vellykket og ikke kaster bort mer tid.

Schouw pekte på Trendminer som et eksempel på et selskap som produserer AI-drevet programvare som er i stand til å finne det gyldne fingeravtrykket og også spore produksjonsprosessen i sanntid. Han delte også at Software AG har lagt planer om å anskaffe Trendminer.

Gjør produksjonen mer effektiv

Imidlertid er ikke kostnadsbesparelser og aspekter av høyere kvalitet alt for IoT og produksjon. Schouw forklarte at et annet aspekt ved bruk av maskinlæring i produksjon er involvert i sporing av F-kurven ("F" står for feil, som spores for en fabrikk over tid). Når du sporer F-kurven, fingeravtrykker du faktisk fabrikken i stedet for produktet, starter når fabrikken først er bygget, og deretter når den blir satt i gang, og deretter når den endelig legges ned fordi prosentandelen av feil når uakseptable nivåer som produksjonsanleggets alder.

Ved å spore forholdene som bidrar til produksjonssvikt over tid, er det mulig å redusere dem til akseptable nivåer til du når poenget med å redusere avkastningen: Når det er for dyrt å fortsette å fikse ting, og i stedet er det mer fornuftig å gjenoppbygge fabrikken.

Det som er viktig er at ved å bli IT direkte involvert i produksjonsprosessen, blir produksjonen mer effektiv, og det er mindre avfall og færre feil. Og selskapet sparer penger. Gjort riktig, resultatene vises nesten umiddelbart. For IT-avdelinger i produksjonsvirksomheter gir det gyldne fingeravtrykket utmerket mening som utgangspunkt for å integrere IoT med hjertet i virksomheten.