La intel·ligència artificial (IA) i l’aprenentatge automàtic (machine learning, ML) són dues tecnologies que estan revolucionant el sector industrial. L’àrea de manufactura no és una excepció. Desenvolupar una Fàbrica Intel·ligent (Smart Factory) és una oportunitat per a ser competitiu, per a optimitzar els temps i fer més eficient el disseny i la producció de productes. La qualitat, la seguretat dels treballadors i la sostenibilitat són les peces fonamentals on aquesta tecnologia pot participar en el redisseny cap a una fabricació amb alta productivitat, molt més segura i sostenible.
Les empreses de manufactura que apostin per trobar les seves pròpies aplicacions, comprenent les tendències i els canvis del mercat, es mantindran competitives. Buscant el lideratge es facilitarà el compliment de les regulacions i estàndards de la indústria, millorant la seguretat i donant resposta a les preocupacions de l’impacte ambiental.
Aplicacions de la Intel·ligència Artificial (IA) i Machine Learning (ML) en la Manufactura.
Resoldre els problemes que afecten al sector industrial des de fa dècades, és una de les tendències presents en tota la cadena de producció i subministrament. La intel·ligència derivada de l’anàlisi i seguiment a temps real és determinant per a generar solucions rendibles i sostenibles. Evitar els colls d’ampolla dins de les cadenes de producció no és una quimera, donat el fet que és possible visualitzar els processos en tot moment. És possible acomiadar-nos de les emergències per avaries d’últim minut i del cost dels temps d’inactivitat, podent predir i realitzar les reparacions ràpidament amb un manteniment preventiu eficaç. Aquests són alguns dels avantatges que venen davant una revolució dels processos impulsada per les dades.
Vegem més de prop algunes de les seves aplicacions:
Manteniment Predictiu en processos de producció
Com esmentava, l’aprenentatge automàtic facilita el manteniment predictiu, anticipant-se a les avaries dels equips, programant el manteniment en el moment oportú i reduint els temps d’inactivitat innecessaris. La realitat és que els fabricants dediquen massa temps a donar solució a les avaries en lloc d’assignar recursos per a planificar el manteniment. Si implementem l’aprenentatge automàtic i l’anàlisi predictiva, l’eficiència pot augmentar entre un 65% i 85% (Gartner).
Existeixen diversos models d’aprenentatge automàtic de fallades d’equips que depèn de l’objectiu o enfocament de la predicció que es busca. Aquests poden ser:
- Models RUL (Remaining Useful Life): Models de regressió per a predir la vida útil restant.
- S’utilitzen dades històriques i estadístiques per a predir quants dies falten perquè es produeixi una fallada.
- Models de classificació per a predir una fallada en un lapse definit.
- S’usa per a definir un model que pronostica fallades dins d’un nombre definit de dies.
- Model de detecció d’anomalies per a identificar elements amb possibles problemes.
- Enfoc que prediu fallades comparant i identificant diferències entre el comportament normal del sistema i els esdeveniments d’avaria.
Aquests són alguns models que poden fer costat al manteniment amb precisió i rapidesa. També ens permeten analitzar la seva naturalesa i freqüència, per a generar les pautes per a l’optimització i millora contínua.
Digital Twins en la Manufactura.
En l’àrea de producció, els Bessons Digitals de maquinària activa, o fins i tot de tot el sistema complet, brinden diagnòstics i avaluacions a temps real del procés de producció, la predicció i visualització del rendiment i seguiment de tota mena de paràmetres clau. Per a generar els models que comprenguin els sistemes físics, s’utilitzen algorismes d’aprenentatge automàtic i no supervisat. En processar-se les dades, aquests algorismes busquen patrons de comportament i detecten anomalies. També es té la possibilitat de processar dades externes, com a recerques, dades de la indústria, xarxes socials i mitjans de comunicació.
Digital Twins són una eina no sols aplicable per al disseny de productes, també per a la simulació del rendiment dels productes físics ja existents.
https://ignasisayol.com/digital-twins-els-bessons-que-tota-empresa-voldra-tenir/
Control de qualitat en Manufactura
El Machine Learning pot aplicar-se per a la inspecció de productes i controls de qualitat. Els algorismes basats en ML aprenen de les dades històriques que distingeixen els productes bons d’aquells que tinguin defectes, aconseguint automatitzar el procés d’inspecció i supervisió.
D’altra banda, és possible desenvolupar algorismes que comparen mostres amb els tipus de defectes més comuns. Es tracta d’un procés automatitzat on les taxes de detecció de fallades poden augmentar fins a un 90% (Forbes).
Aprenentatge Profund (Deep Learning)
L’aprenentatge profund pot millorar les tasques de control de qualitat en grans línies de muntatge. Mitjançant arquitectures Deep Learning, com les xarxes neuronals convolucionals, es poden reemplaçar totalment els operadors humans encarregats de detectar pistes visuals indicatives de problemes de qualitat en productes i peces en processos d’assemblatge altament complexos. L’avantatge d’aquesta branca de l’aprenentatge automàtic és que és molt més escalable per mitjà de l’aprenentatge per imatges i detecció d’objectes.
Millorament de la qualitat
Davant del mercat actual, condicionat per terminis curts de lliurament i un alt nivell de complexitat dels productes, és difícil complir amb els estàndards i regulacions de qualitat.
El client espera productes impecables, ja que els productes defectuosos provoquen no conformitats que danyen la reputació de l’empresa i els seus marges de guany. La IA pot preveure problemes de qualitat des de la línia de producció, fins i tot els més subtils.
La visió artificial és un exemple d’una solució d’Intel·ligència Artificial, en la qual s’utilitzen càmeres d’alta resolució per a monitorar els defectes, fins i tot millor que un ésser humà. Aquest pot combinar-se amb un marc per al processament de dades basat en el núvol per a generar una resposta automatitzada. També pot donar seguiment als productes ja en el mercat, que generen dades per a prendre millors decisions estratègiques en el futur.
AI & ML per a Logística i gestió d’inventaris
La indústria manufacturera requereix àmplies capacitats logístiques per a executar el procés de producció. L’aprenentatge automàtic és una solució que permet automatitzar diverses tasques logístiques, augmentant l’eficiència i reduint costos. Una oportunitat bàsica és la possibilitat de realitzar aquestes automatitzacions en tasques rutinàries, estalviant milers d’hores de treball humà a l’any. D’altra banda, els algorismes de ML també poden aplicar-se per a la gestió de recursos.
Es poden identificar fins a 9 aplicacions en les quals el ML pot transformar la gestió de la Supply Chain.
Google mitjançant la seva pròpia IA, DeepMind, ha aconseguit reduir la factura de refrigeració del seu centre de dades en un 40%. Vegem que és Deep Mind:
AI per al desenvolupament de productes
El desenvolupament de productes és una de les aplicacions més comunes per a l’aprenentatge automàtic. Tant per als nous desenvolupaments com per la millora dels existents es requereix una anàlisi de dades exhaustives per a optimitzar i oferir els millors resultats.
Mitjançant solucions d’AI es pot recopilar i analitzar una gran quantitat de dades de productes per a comprendre les necessitats de consum, descobrir fallades ocultes i identificar oportunitats comercials. Això permet una millora en el disseny dels productes existents, alhora que permet desenvolupar millors productes i línies de negoci per a l’empresa. Utilitzar aquestes eines és clau per a la innovació, reduint els riscos associats al desenvolupament de productes nous, facilitant una presa de decisions molt més informada.
Disseny Generatiu per a la fabricació
Es tracta d’una branca de disseny centrada en la unió de la creativitat amb l’aprenentatge automàtic. On l’AI facilita totes les opcions de disseny possibles per a un producte determinat. En seleccionar paràmetres com el pes, grandària, materials, condicions operatives i de fabricació en el programari de disseny generatiu, els enginyers poden generar diferents solucions de disseny en poc temps. Per a posteriorment seleccionar el disseny adequat per a posar-lo en producció.
L’aplicació d’aquestes tecnologies en diferents fases del procés de producció ajuda a trobar noves oportunitats per a desenvolupar processos més eficients, reduint els desaprofitaments i estalviant diners. Aquestes tecnologies seguiran en constant desenvolupament, seran una eina clau davant els continus canvis del mercat, sent imperatiu que la fabricació es converteixi en un procés el més optimitzat possible en quant a recursos humans, temps i ús de materials.
Les empreses que no apliquin la Intel·ligència Artificial i l’Aprenentatge Automàtic en els seus processos de producció deixaran de ser competitives en un futur cada vegada més pròxim.
