Fluctuerende marktomstandigheden, supply chain-beperkingen, arbeidstekorten en een snelle wereldwijde industrie dwingen fabrikanten van elke omvang om de manier waarop ze werken opnieuw te evalueren. Veel fabrikanten zijn begonnen met het aannemen van technologie om een concurrentievoordeel te behouden en langdurige zakelijke uitdagingen aan te gaan. Van automatisering tot digitale technologieën, industrieel IoT en meer, bedrijven kunnen deze innovaties gebruiken om uiteindelijk gegevens van verschillende systemen, processen en mensen vast te leggen om de strategische inzichten te bieden die nodig zijn om betere beslissingen te nemen.
Er is geen twijfel dat deze bedrijven veel gegevens hebben om mee te werken. Volgens een McKinsey -onderzoek genereert productie 1.9 petabytes of 1.900, 000 terabytes van gegevens per jaar. Het probleem was dat ze een betere manier nodig hadden om gegevens vast te leggen en te analyseren en er bruikbare informatie van te maken, en ze moesten dit snel doen. Als gevolg hiervan wenden veel bedrijven zich tot kunstmatige intelligentie (AI) om kansen te vinden met hun gegevens om hun activiteiten te verbeteren.
Waarom is AI perfect voor gegevensanalyse?
Van het verbeteren van de productieopbrengsten en uptime tot het nauwkeurig voorspellen van de vraag en het op afstand bewaken van machines, en zelfs het beheersen van activa en het verbeteren van de productkwaliteit, AI kan worden gebruikt om de algehele efficiëntie en productiviteitsstatistieken aanzienlijk te verbeteren.
Het is geen magie, maar een complexe set algoritmen die grote hoeveelheden gegevens analyseren, patronen correleren of leren in verschillende variabelen, en die kennis toepassen op de huidige omstandigheden om toekomstige staten te voorspellen. Dit wil niet zeggen dat mensen deze taken niet kunnen uitvoeren, maar dat AL ze sneller kan doen en meer gegevens met meer precisie kan verwerken, waardoor de bedrijfsresultaten worden verbeterd.
In elke productieomgeving zijn er bijvoorbeeld traditioneel verschillende werkgroepen en machines die allemaal hun eigen gegevens verzamelen. De informatie van elk apparaat kan variëren in kwaliteit, indeling en timing, die obstakels kan creëren en het moeilijk maken om zinvolle inzichten uit de gegevens te analyseren en te verzamelen.
Met behulp van AI -technologie kunnen grote hoeveelheden gegevens snel worden verwerkt, waardoor bedrijven snel en nauwkeurig operationele informatie kunnen combineren, resultaten kunnen voorspellen op basis van alternatieven en fabrikanten in staat stellen om wendbare, geïnformeerde beslissingen te nemen. Dit preventieve voorspellende vermogen is waar de kracht van AI ligt en het kan de productopbrengsten aanzienlijk verhogen.
Door de hoofdoorzaak van problemen met productkwaliteit te identificeren, kan AI helpen bij het verminderen van productdefecten en schrootpercentages en het verhogen van de productieopbrengsten. Met gedetailleerde informatie en analyse kunnen fabrikanten kwaliteitscontroleproblemen aanpakken voordat ze direct van invloed zijn op de bedrijfsresultaten van het bedrijf. Laten we eens kijken naar een voorbeeld.
Gebruik AI om de motorkwaliteit te verbeteren
Een wereldwijde motorfabrikant produceert grote dieselmotoren voor generatorsets, marine- en mariene toepassingen en militaire voertuigen. Na de montage wordt elke motor onderworpen aan rigoureuze testen. Tijdens het testen kunnen zelfs de meest ervaren operators vaak geen subtiele tekenen van een probleem detecteren, wat leidt tot catastrofale storingen tijdens het testen of zodra de motor in gebruik is. Deze storingen hebben aanzienlijke verliezen veroorzaakt, vertraagde zendingen, achterstallige testgebieden en stroomopwaartse productie gecreëerd, kosten het bedrijf miljoenen dollars per jaar en negatief beïnvloed op tijdleveringen.
Het probleem is geen gebrek aan gegevens, maar hoe het wordt gebruikt. In feite had de fabriek al jaren procesgegevens verzameld, maar deze alleen gebruikte voor vervolgwerk na een mislukking. Door op deze reactieve manier naar de gegevens te kijken, kan het team niet begrijpen waarom deze mislukkingen plaatsvinden of proactief aanpakken. Uiteindelijk worden deze problemen gezien als een kosten van zakendoen totdat het bedrijf overweegt om AI te gebruiken over bestaande gegevens om kritische activa -fouten te voorspellen voordat ze zich voordoen.
De fabrikant begon met een pilootprogramma om de nodige gegevensstichting voor AI te leggen om impact te maken. Gezien de noodzaak om historische gegevens te gebruiken, voerde het bedrijf voor het eerst gegevensreiniging en analyse uit, met behulp van AI, waardoor 20 miljard datapunten van 100 motoren tot 6 miljard van de meest invloedrijke gegevenspunten in 48 uur werden verlaagd.
Verbind vervolgens meerdere modelsets per tijd en model om de gegevens te visualiseren en eventuele gegevenshiaten te identificeren. Op basis van de GAP -analyse werden aanpassingen gemaakt om bepaalde gegevens vaker te extraheren, waardoor de modellering werd verbeterd. Door een AI-platform te gebruiken, wordt de hele analyse gedaan in een omgeving met een laag risico zonder enige impact op de huidige productie.
Uit deze gegevens kunnen fabrikanten basislijnen vaststellen, trends en anomalieën identificeren en plannen ontwikkelen om de informatie in actie te brengen. In slechts enkele weken produceerden ze een rapport dat een groep risicomotoren identificeerde op serienummer. Op basis van deze informatie vermoeden fabrikanten dat deze motoren een grotere kans hebben op problemen tijdens kwaliteitscontroletests of in het veld. Door testgegevens te koppelen aan werkelijke productfouten, identificeerde het rapport gedurende meerdere jaren meer dan 80 procent van de motorkapjes.
Het is belangrijk op te merken dat dit project een iteratief proces is, omdat het AI -model constant aan het leren is. In ongeveer 45 dagen was het model in staat om fouten 30 minuten van tevoren te voorspellen met een nul vals -positieve snelheid.
De verstoring van de activiteiten minimaliseren
Tijdens de officiële lancering is de AL-oplossing verbonden met realtime gegevens gegenereerd door het testcontrolesysteem en Human Machine Interface (HMI). Dit heeft geen effect op het normale werking. In feite was het model geïntegreerd met de standaardtestsoftware van het bedrijf en de operator wist niet eens dat het was geïmplementeerd. Ze moeten gewoon weten dat hun HMI -interface hen nu zal informeren over mogelijke dreigende problemen en hoe ze met hen omgaan.
In de eerste 90 dagen detecteerde de AI-aanvraag 20 realtime evenementen, vermeed meer dan $ 4,5 miljoen aan motorschade en behaalde een 10x rendement op investering (ROI) voor het project.
Zoals deze case illustreert, kan het heferen van AI fabrikanten een manier bieden om kwaliteitsdefecten proactief te verminderen, geld te besparen en de leveringstarieven te verbeteren, terwijl de verstoring van de activiteiten wordt geminimaliseerd. Beginnend met een solide basis van gegevens en het werken met ervaren partners, kan AI de inzichten bieden die nodig zijn om bedrijfsresultaten te stimuleren en fabrikanten te helpen concurreren in de snel evoluerende zakelijke omgeving van vandaag.
Maar AI hoeft geen one-size-fits-all-oplossing te zijn. Afhankelijk van uw behoeften, toepassing en specifieke situatie moeten verschillende oplossingen worden aangepast. Daarom is het belangrijk om een vertrouwde partner aan uw zijde te hebben. Als het gaat om AI, kunnen ze beoordelen waar u zich op uw digitale transformatiereis bevindt, uw doelen of uitdagingen begrijpt en de oplossing identificeren van topverkopers die het beste bij uw werkelijke behoeften voldoen.