_Przedsłowie

W TT PSC wierzymy, że aby osiągnąć rzeczywiste cele (r)Ewolucji technologicznej i prawdziwie zrozumieć czym jest Przemysł 4.0, liderzy branży przemysłowej powinni polegać na rzetelnych danych gromadzonych w czasie rzeczywistym. Na tym fundamencie mozna budować wiedzę i świadomość, a następnie identyfikować działania wymagające poprawy.

W serii Lesson Learned Explained przedstawiamy przykłady zrealizowanych projektów wraz z wyciągniętymi wnioskami. Mam nadzieję, że ten materiał pomoże Ci uniknąć przynajmniej części pułapek na dordze do Cyfrowej Transformacji.

Wyzwanie: Monitorowanie i poprawa jakości produktów końcowych

Przedsiębiorstwo z sektora przemysłu elektronicznego, specjalizujące się w wytwarzaniu półprzewodników, postawiło sobie za główny cel wprowadzenie usprawnień wpływających pozytywnie na jakość produktów końcowych. Kluczowym elementem było monitorowanie i identyfikacja korelacji, które pozwolą przewidywać jakość wyrobów schodzących z linii produkcyjnej. Wykorzystano do tego dane pochodzące z maszyn oraz stacji kontroli jakości, które następnie podlegały dogłębnej analizie. Dzięki temu firma mogła lepiej zrozumieć, jakie czynniki wpływają na końcową jakość ich produktów.

Rozwiązanie: Integracja systemów i modelowanie danych

Aby osiągnąć zamierzony cel, firma we współpracy z TT PSC wdrożyła rozwiązanie obejmujące integrację ze sterownikami PLC oraz systemami wspomagającymi produkcję. Kluczowym elementem było przeprowadzenie analizy danych historycznych oraz ich modelowanie z wykorzystaniem predykcyjnych możliwości jakościowych. Dzięki temu możliwe było przewidywanie potencjalnych problemów jakościowych, ich szybkie wyłapywanie, rozwiązanie oraz zapobieganie występowania w przyszłości.

Problemy wdrożeniowe: Brak definitywnego powiązania między danymi procesowymi a jakością

Pomimo zaawansowanego modelowania AI (eng. Artificial Intelligence – Sztuczna Inteligencja) opartego na parametrach procesowych, rozwiązanie okazało się nieskuteczne i charakteryzowało się niską dokładnością. Problemem okazała się zbyt duża ilość czynników (monitorowanych i niemonitorowanych) oraz różnorodność wariantów produktów; sprawiło to, że algorytmy nie były w stanie dokładnie przewidzieć jakości produktów po zakończeniu procesu wytwarzania. Natomiast bardziej złożone modele AI, obsługujące większą liczbę danych, były na tyle drogie, że przestawały być opłacalne.

Korekta: Nowy model oparty na równaniach fizycznych

W odpowiedzi na zidentyfikowane problemy, eksperci TT PSC zbudowali nowy model oparty na równaniach fizycznych, co oznacza, że zamiast polegać wyłącznie na algorytmach sztucznej inteligencji (AI) i uczenia maszynowego (eng. Machine Learning – ML), które analizują dane procesowe, zastosowali podejście oparte na fundamentalnych zasadach fizyki.

Dzięki temu możliwe stały się:

  • Redukcja złożoności: Modele oparte na równaniach fizycznych mogą być mniej złożone niż zaawansowane modele AI, ponieważ opierają się na dobrze zrozumianych zasadach fizyki, a nie na analizie dużej ilości danych. To zmniejsza ryzyko błędów wynikających z nadmiernej liczby zmiennych.
  • Łatwiejsza interpretacja: Modele fizyczne są często bardziej przejrzyste i łatwiejsze do interpretacji niż modele AI, co pozwala inżynierom lepiej zrozumieć, jakie czynniki wpływają na jakość produktów.
  • Stabilność i spójność: Modele fizyczne mogą być bardziej stabilne i spójne, ponieważ opierają się na stałych prawach fizyki, a nie na zmiennych danych procesowych, które mogą się różnić w zależności od serii produktów.
  • Skalowalność: Modele fizyczne mogą być łatwiej skalowalne i adaptowalne do różnych wariantów produktów, co jest trudniejsze do osiągnięcia w przypadku złożonych modeli AI.

To podejście pozwoliło na dokładniejsze przewidywanie jakości produktów, eliminując wpływ zbyt wielu zmiennych i różnic między seriami produktów. Dzięki temu możliwe było uzyskanie spójnych i wiarygodnych wyników.

Rezultat: Skuteczna identyfikacja i przezwyciężenie wyzwań jakościowych

Początkowo zastosowany model ML analizujący parametry procesu nie mógł osiągnąć oczekiwanej dokładności. Było to spowodowane zbyt dużą ilością czynników oraz różnicami między seriami produktów. Dopiero wykorzystanie standardowych równań modelowania opartych na fizyce pozwoliło na efektywne działanie algorytmu AI/ML. W rezultacie, firma mogła lepiej kontrolować jakość swoich produktów i szybciej reagować na potencjalne problemy.

Wnioski

Na podstawie przeprowadzonych działań można wyciągnąć kilka kluczowych wniosków:

  • Algorytmy powinny wspierać proces decyzyjny, dostarczając wartościowych informacji.
  • Ekspercka wiedza branżowa oraz doświadczenie technologów produkcji są kluczowe dla skutecznego wdrożenia uczenia maszynowego (ML).
  • Algorytmy mogą analizować dane, które zazwyczaj byłyby pominięte przez intuicyjne podejście ekspertów.
  • Nawet zaawansowane algorytmy powinny generować wyniki, które są łatwe do interpretacji i praktyczne w użyciu.

_Interesuje cię cyfrowa transformacja w Twoim przedsiębiorstwie?

Sprawdź poniżej inne przykłady wdrożeń i wyciągniętych z nich wniosków.

_Wszystkie wpisy z tej kategorii

blogpost
Artykuły

Lesson Learned Explained: Wdrożenie programu ciągłej innowacji w sektorze obronnym

W dynamicznym świecie lotnictwa i przemysłu zbrojeniowego, jeden z naszych klientów postanowił podjąć wyzwanie: jak skutecznie zwiększyć wykorzystanie nowoczesnych technologii i utrzymać konkurencyjność? Odpowiedzią miało być wdrożenie Programu Ciągłej Innowacji, jako fundamentu nowego modelu biznesowego. Kluczowym elementem tego programu było regularne testowanie technologii, aby wprowadzać na rynek innowacyjne produkty.

Czytaj więcej
blogpost
Artykuły

Lesson Learned Explained: Zaawansowana cyfryzacja produkcji, AR/VR oraz HoloLens w branży farmaceutycznej

Firma z sektora farmaceutycznego postawiła sobie za cel zwiększenie swojej innowacyjności poprzez aktywne testowanie nowoczesnych technologii. Kluczowym wyzwaniem było umiejętne oraz efektywne zintegrowanie nowinek technologicznych z obszarem produkcji, aby zbierać i analizować dane w czasie rzeczywistym. Firma chciała pokazać, że jest w „ścisłym peletonie” cyfryzacji produkcji, co miało również na celu zwiększenie jej konkurencyjności na rynku.

Czytaj więcej
blogpost
Artykuły

Lesson Learned Explained: Monitorowanie i poprawa stabilności produkcji oraz wzrost jakości wyrobów – branża motoryzacyjna

Firma z branży motoryzacyjnej potrzebowała rozwiązania do monitorowania produkcji, by poprawić jakość wyrobów końcowych. Kluczowym elementem było zidentyfikowanie problemów poprzez analizę danych jakościowych w korelacji z danymi produkcyjnymi. Szczególną uwagę poświęcono strefie formowania i chłodzenia odlewów, gdzie jakość produktów była szczególnie zmienna.

Czytaj więcej
blogpost
Artykuły

Lesson Learned Explained: Pełna wizualizacja danych w procesie wytwarzania komponentów dla automatyki

Globalna firma z branży produkcji akcesoriów elektrycznych, wykorzystywanych w automatyce, stanęła przed wyzwaniem poprawy kluczowych wskaźników wydajności (KPI), w szczególności zwiększenia dostępności i efektywności gniazd produkcyjnych. Każde gniazdo robocze obejmowało wiele etapów montażu i produkcji na różnych stanowiskach oraz lokalizacjach, co wymagało skoordynowanego podejścia do zarządzania pracą, materiałami oraz odpowiedniego planowania.

Czytaj więcej
blogpost
Artykuły

Lesson Learned Explained: Cyfryzacja procesów raportowania w branży produkcji opakowań szklanych

Klient, lider w sektorze produkcji opakowań szklanych, zgłosił potrzebę wdrożenia zintegrowanego systemu zarządzania danymi produkcyjnymi, który miałby na celu wyeliminowanie przestarzałych, manualnych metod raportowania.

Czytaj więcej
blogpost
Artykuły

Lesson Learned Explained: Poprawa KPI w Branży FMCG dzięki automatyzacji i analizie danych z półautomatycznych linii produkcyjnych

Wprowadzenie W sektorze żywności i napojów (zwanym inaczej FMCG – Fast Moving Consumer Goods) osiąganie wysokich wskaźników KPI, takich jak dostępność, wydajność i jakość, ma kluczowe znaczenie dla efektywności operacyjnej i zachowania przewagi konkurencyjnej. Nasz klient, firma działająca w tej branży, napotkał trudności w utrzymaniu optymalnych wyników na półautomatycznych liniach produkcyjnych ( w tym przypadku pracownicy […]

Czytaj więcej
blogpost
Artykuły

Lesson Learned Explained:  Jak właściwe zbieranie i przechowanie danych okazało się kluczowe w predyktywnym utrzymaniu ruchu

W przemyśle lotniczym i obronnym, który charakteryzuje się szczególnie wysokimi wymaganiami w zakresie precyzji i niezawodności, kluczowe wskaźniki efektywności w utrzymaniu ruchu, przewidywania awarii czy monitorowanie stanu maszyn, mają kluczowe znaczenie.

Czytaj więcej
blogpost
Artykuły

Jak zwiększyć efektywność produkcji bez inwestycji w park maszynowy?

Nie musisz wymieniać maszyn na nowe, aby Twoja produkcja stała się bardziej "inteligentna" oraz wydajniejsza. Twój park maszynowy jest kopalnią danych, a kluczem do sukcesu jest cyfryzacja.

Czytaj więcej
blogpost
Artykuły

Wskaźnik OEE: czy twoja firma wpada w pułapkę manipulacji?

Jeśli wydaje Ci się, że o liczeniu OEE wiesz już wszystko, a Twoja fabryka utrzymuje się wśród najlepszych 10% to... masz rację - wydaje Ci się! 

Czytaj więcej
blogpost
Artykuły

7 sposobów jak widoczność danych zwiększa efektywność produkcji

XXI wiek to czas kiedy dane odgrywają coraz większą rolę, a trend ten zauważalny jest również w branży produkcyjnej. Gromadzenie ich to jednak za mało. Dopiero dzięki dostępowi do danych operacyjnych i zapewnieniu ich widoczności w czasie rzeczywistym, firmy mogą monitorować linie produkcyjne, identyfikować wąskie gardła i podejmować oparte na danych decyzje, również z wykorzystaniem sztucznej inteligencji (AI) i uczenia maszynowego (ML).

Czytaj więcej

Zostańmy w kontakcie

Skontaktuj się