.
Понимание сложности прогнозного обслуживания
Существуют значительные проблемы в использовании искусственного интеллекта и инструментов машинного обучения для мониторинга станков и прогнозирования интервалов технического обслуживания. Предположим, у вас есть пять одинаковых станков. Когда один из них ломается, на ремонт уходит в среднем три дня. И каждый день бездействия стоит 250 000 рублей. Вы хотите установить датчики и прогнозное техническое обслуживание, но должны учитывать и другие переменные. Возможно, частота отказов станков, о которых идет речь, составляет один раз в три года. При таких темпах окупаемость новых датчиков, мониторинг данных и потенциальное добавление нового сотрудника не идут ни в какое сравнение с альтернативными издержками в размере 250 000 рублей.
Когда жизненный цикл станка длится годами или десятилетиями, прогнозное техническое обслуживание затруднено без долгосрочного сбора данных. При ограниченности данных и вариабельности износа специалисты по обработке данных часто не могут точно предсказать необходимое техническое обслуживание или вероятность отказа.
Сложность прогностического обслуживания похожа на использование ИИ для прогнозирования частоты повторных госпитализаций для пациентов. В больнице могут быть исторические данные и медицинские записи, но есть огромная вариабельность. Слушает ли пациент своего врача? Есть ли у них заметно различающиеся домашние условия, когда один живет на свежем деревенском воздухе, а другой окружен хроническими курильщиками? Что касается станков, то иногда металл или пластик изгибаются, несмотря на то, что прогнозная модель утверждает, что они должны работать еще 18 месяцев. В промышленности есть вариативность. Во многих случаях лучше полагаться на работников, чтобы использовать их знания и опыт для разработки более дешевых прогнозных и профилактических моделей технического обслуживания и использование искусственного интеллекта для других случаев использования.
Использование ИИ в производстве требует взвешенного подхода. Начните с простого, докажите концепцию и рентабельность инвестиций, а затем двигайтесь к большей сложности. Этот подход показывает ценность затрат на ИИ и машинное обучение и позволяет всем-от собственников до сотрудников цехов-ознакомиться с полученными знаниями и улучшениями.
Как только вы вооружитесь статистическими моделями ИИ, подумайте о ощутимых изменениях, которые может произвести бизнес. Пройдите через реальный процесс. Подумайте о том, что происходит на заводе каждый день. Где вы теряете деньги? Есть ли проблемы с неправильной калибровкой и необходимостью выбрасывать детали? Это возможность для машинного обучения и компьютерного зрения измерять детали в режиме реального времени.
Если вы производите пластиковые детали, вы можете остановить пресс, чтобы проверить износ пресс-формы и другие показатели. Датчики и искусственный интеллект могут добавлять данные в этот процесс, учитывая условия окружающей среды и выполняя измерения автоматически во время производства. Каков результат? Повышение скорости и точности, а также потенциальный переход работников к более производительной и приносящей доход деятельности. Поэтому вместо того, чтобы кто-то проверял детали вручную, камера и машинное обучение могут выполнять задачу со скоростью и точностью, которые невозможны для человеческих глаз.
Искусственный интеллект и машинное обучение приносят многообещающие результаты в производство, но это не волшебные палочки, которые могут решить любую проблему. Не торопитесь с ИИ, сначала определите болевые точки вашего цеха и операционные проблемы, а затем изучите лучшие практики и приложения ИИ, которые могут вам помочь.
Буду признателен если оставите свое мнение как можно использовать искусственный интеллект на Вашем предприятии.
