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: Usprawnienie produkcji dzięki danym
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.
Rozwiązanie: Integracja systemów i analiza danych z wykorzystaniem AI oraz ML
Aby osiągnąć zamierzony cel, firma z pomocą TT PSC wdrożyła rozwiązanie obejmujące integrację z danymi z maszyn i czujników na hali produkcyjnej. Kluczowym elementem było zastosowanie silnika AI/ML, który miał dostęp do historii pomiarów procesów/zakładu. Zebrane dane były wizualizowane i analizowane pod kątem korelacji, co miało pomóc w identyfikacji problemów wpływających na jakość wyrobów. Dzięki temu możliwe było monitorowanie i analiza danych w czasie rzeczywistym, co pozwalało na szybkie reagowanie na wszelkie nieprawidłowości.
Problemy Wdrożeniowe: Brak definitywnego powiązania między danymi procesowymi a jakością
Pomimo zaawansowanej analizy danych, rozwiązanie nie znalazło definitywnego powiązania między danymi procesowymi a jakością wyrobów. Odkryto, że problemem nie był sam proces produkcyjny. Narzędzia statystyczne (ML) zidentyfikowały korelację z parametrem, który wydawał się niezwiązany z procesem – wylot systemu HVAC. Okazało się, że na jakość wyrobów wpływ miał bezpośredni strumień powietrza z systemu chłodzenia. To odkrycie było kluczowe, ponieważ pozwoliło na zidentyfikowanie rzeczywistego źródła problemu, które nie było bezpośrednio związane z procesem produkcyjnym.
Korekta: Zmiana warunków chłodzenia w strefie produkcyjnej
Rozwiązanie problemu okazało się proste i polegało na zakryciu miejsca chłodzenia od bezpośredniego strumienia powietrza. Celem było uniknięcie wpływu klimatyzacji na proces chłodzenia odlewów, co miało stabilizować jakość wyrobów końcowych. Dzięki tej zmianie możliwe było wyeliminowanie zmienności jakościowej, która była spowodowana przez niekontrolowane warunki chłodzenia. To proste rozwiązanie przyniosło znaczącą poprawę w jakości wyrobów.
Rezultat: Skuteczna identyfikacja i rozwiązanie wyzwań jakościowych
Eksperci klienta przez długi czas borykali się z problemem niestabilnej jakości odlewów i nie mogli znaleźć przyczyny. Po jego rozwiązaniu okazało się, że nie znaleziono powiązania między danymi procesowymi a jakością produkcji. Dopiero zastosowanie analizy statystycznej (ML) do analizy wszystkich dostępnych parametrów pozwoliło na zidentyfikowanie korelacji z parametrem pozornie niezwiązanym z procesem – klimatyzacją. Spadek jakości następował przy włączonej klimatyzacji, co wpływało na krzywą grzania/chłodzenia.
Wnioski
Wdrożenie zaawansowanych technologii AI/ML w monitorowaniu procesu produkcyjnego pozwoliło na zidentyfikowanie i rozwiązanie problemów jakościowych, które były trudne do wykrycia tradycyjnymi metodami. Integracja systemów i analiza danych w czasie rzeczywistym umożliwiły szybkie reagowanie na nieprawidłowości, co znacząco poprawiło jakość wyrobów końcowych. Kluczowym elementem sukcesu okazała się współpraca ekspertów branżowych z zaawansowanymi narzędziami analitycznymi, co podkreśla znaczenie synergii między wiedzą ludzką a technologią.
Na podstawie przeprowadzonych działań można wyciągnąć kilka kluczowych wniosków. Przede wszystkim, algorytmy powinny wspomagać proces podejmowania decyzji, ponieważ mogą analizować dane, które zazwyczaj byłyby pominięte przez „intuicję” eksperta. Wiedza ekspertów branżowych i specjalistów od produkcji jest niezbędna do skutecznego wykorzystania uczenia maszynowego. Nawet skomplikowane algorytmy powinny dostarczać wyników, które są łatwe do zrozumienia i praktyczne. Dzięki temu możliwe jest skuteczne monitorowanie i poprawa jakości wyrobów w branży motoryzacyjnej.
_Interesuje cię cyfrowa transformacja w Twoim przedsiębiorstwie?
Sprawdź poniżej inne przykłady wdrożeń i wyciągniętych z nich wniosków.
