Mitä keskeistä laitteistoa tarvitaan älykkään tehtaan rakentamiseen?

Teollinen internet (IIoT) ja reaaliaikainen datayhteys

Yhdistettyjen teollisten laitteiden nousu älykkäässä valmistuksessa

Tehtaat nykyään sisältävät noin 15 tuhatta kytkettyä laitetta kohti, enemmän tai vähemmän, kaikista näistä viimeisistä älykkäistä antureista aina itseohjautuviin robottien, kuten edellisen vuoden Ponemonin raportti kertoi. Tämä lisäkytkentä todella ratkaisee suuren ongelman, joka on vaivannut valmistusteollisuutta ikuisuuksia. Noin 57 prosenttia odottamattomista tuotantokatkoista johtuu siitä, että jokin laite yksinkertaisesti rikkoutuu huomaamatta. Kun valmistajat yhdistävät koneensa esineiden internet -tekniikalla keskitetyihin ohjauspaneelien, he saavat mahtavan yleiskatsauksen toiminnasta, joka aiemmin oli hajanainen. Periaatteessa työnkulussa ei enää ole sokeita pisteitä.

Miten IIoT mahdollistaa saumattoman tiedonsiirron älykkäiden tehdasjärjestelmien välillä

Teolliset IoT-protokollat, kuten OPC UA ja MQTT, auttavat yhdistämään vanhemmat tehdaslaitteet uudempiin digitaalijärjestelmiin. Otetaan esimerkiksi muovinpuristuskoneet. Kun näitä yhdistetään reunaan sijoitettuihin yhdyskäytäviin, koneet voivat lähettää suorituskykytietonsa suoraan pilvipohjaisiin ERP-järjestelmiin. Tuotannon johtajat saavat näin oikeaa aikaa olevia päivityksiä asioista, kuten käytetyn materiaalin määrästä ja energiankulutuksesta missä tahansa ajankohdassa. Erilaisten järjestelmien keskinäinen yhteentoimivuus on merkittävästi parantanut valmistuksen tehokkuutta. Useiden autotehtaiden tapaustutkimusten mukaan tällainen järjestelmäintegraatio vähentää tavallisesti jätettä 18–22 prosentilla, riippuen tietyistä tuotantolinjan asetuksista ja kunnossapitotavoista.

Tapaustutkimus: Etävalvonta AWS IoT Greengrassilla

Edelläkävijä autoteollisuuden osantoimittaja otti käyttöön reuna-laskentayksiköt 14:ssa maailmanlaajuisessa tehtaassa laitteiden värähtelydatan analysointia varten. Tämä ratkaisu vähensi odottamattoman seisokin määrää 41%ennakoivan kunnossapidon hälytyksillä samalla, kun pilvessä tapahtuvan datansiirron kustannuksia leikataan 290 000 dollaria vuodessa kunnossapitotiimit voivat nyt ratkaista 83 % anomaliasta ennen kuin ne vaikuttavat tuotantoon.

Strategia: Turvallisten, skaalautuvien ja keskenään toimivien teollisten IoT-verkkojen rakentaminen

Valmistajat, jotka ovat ottaneet tämän kehyksen käyttöön 3,1× nopeammat käyttöönottojaksot uusille IIoT-sovelluksille verrattuna erillisiin arkkitehtuureihin (PwC 2023).

Reunakomputointi alhaisen viiveen päätöksenteossa älykkäissä tehtaissa

Perinteiset vain pilveen perustuvat arkkitehtuurit kamppailevat 100–500 millisekunnin viivepiikkejen kanssa, mikä tekee niistä epäluotettavia aikariippuvaisissa teollisissa prosesseissa, kuten robottikokoonpanolinjoissa tai kemiallisessa eräkoepohjaisessa ohjauksessa. Reunakomputointi vähentää tämän viiveen 1–10 millisekuntiin käsittelemällä tietoja paikallisesti valmistuslaitteissa ja sensoreissa, mahdollistaen reaaliaikaiset säädöt lämpötilaan, paineeseen ja koneiden asentoon.

Reuna- ja pilvikomputoinnin yhdistäminen hajautettuun älykkyyteen

Hybridijärjestelmissä noin kaksi kolmasosaa kaikista toiminnallisista tiedoista lähetetään suoraan reuna-alueen solmuihin, missä ne voidaan käsitellä välittömästi, ja vain tiivistetyt tulokset siirtyvät myöhempää syvempää analyysiä varten keskitetyille pilvipalvelimille. Ota esimerkiksi CNC-koneisiin kiinnitetyt värähtelyanturit, jotka toimivat paikallisten prosessorien kanssa ja havaitsevat työkalujen kulumisen noin 5 millisekunnin tarkkuudella, mikä puolestaan käynnistää automaattiset säädöt jatkuvan toiminnan varmistamiseksi. Samanaikaisesti nämä reuna-yhdyskäytävät keräävät suorituskykytietoja ajan myötä ja lähettävät päivitykset pilveen sijoitettuihin ennakoivaan huoltotoimintaan perustuviin järjestelmiin noin kerran vuorokaudessa. Tämä menetelmä tasapainottaa reaaliaikaisen reagoinnin ja pidemmän aikavälin strategisen suunnittelun valmistustoimintojen kesken.

Vasteajan ja kaistanleveyden optimointi paikallistetulla käsittelyllä

Kun yritykset käyttävät paikallista tietojenkäsittelyä pilvimallien sijaan, he saavat tyypillisesti noin 90 prosentin vähennyksen verkon kaistanleveyden käytössä ja noin 20 prosentin parannuksen poikkeamien havaitsemisessa. Teollisuuslaitokset, jotka ovat ottaneet käyttöön reuna-laskennan (edge computing), raportoivat huomattavasti vähemmistä odottamattomista pysäytysajoista, koska ne voivat seurata koneiden kuntoa juuri tuotannon tapahtumispaikalla. Suuret pilvipalveluyritykset tarjoavat reunalaskentakehyksiä, joissa on sisäänrakennetut analytiikkatyökalut, jotka käsittelevät ensisijaisesti kriittiset hälytykset, kuten koneiden sammuttamisen hätätilanteissa, ennen kuin siirrytään tavallisten kunnossapitolokien käsittelyyn. Uudet asennukset yhdistävät reunalaskentalaitteet 5G-yhteyteen saadakseen vastausajat alle 10 millisekuntiin robotteihin, jotka toimivat ihmisten rinnalla ja säätävät otettaan reaaliaikaisen videonsyötön perusteella tehdasalustalta. Riippumattomat tutkimukset vahvistavat valmistajien käytännössä kokemaa: nämä hybridijärjestelmät vähentävät hukkamateriaaleja noin 25 prosentilla aloilla, joissa vaaditaan erittäin suurta tarkkuutta, kuten tietokonepiirien valmistuksessa, kiitos lähes välittömän viestinnän älykkaiden kameroiden ja varsinaisten robottikäsien välillä tehdasalustalla.

Teollinen datan integrointi käyttäen AWS IoT SiteWise -palvelua ja laitehallintaa

Tietosilosien purkaminen yhtenäisen toiminnallisen näkyvyyden saavuttamiseksi

Älytehtaat tuottavat noin 2,5 kertaa enemmän dataa verrattuna tavallisiin valmistusympäristöihin, mutta useimmat yritykset kamppailevat erillisten järjestelmien kanssa, mikä vaikeuttaa todellista tilanteen seurantaa reaaliajassa, kuten viime vuoden Ponemon-tutkimus osoittaa. Hyvä uutinen on, että AWS IoT SiteWise auttaa ratkaisemaan tämän tilanteen keskitetyn tietokannan avulla, johon yhdistetään kaikenlaista tehdasdataa, kuten koneiden suorituslukujen tiedot, ERP-järjestelmien tulokset ja laadunvalvontalokit. Tällä ratkaisulla johtajat voivat käyttää kattavia kojelautakuvioita koko tehtaissa ja seurata, miten eri tekijät vaikuttavat toisiinsa, kuten sähkönkulutus, kokonaistehokkuus (OEE) ja tuotannon läpimenoasteet laitoksella.

Anturien ja laitteiden datan kontekstualisointi käyttäen AWS IoT SiteWise -palvelua

Nykyiset valmistusjärjestelyt sisältävät usein yli 300 anturia per kokoonpanolinja, mutta kaikki nämä luvut eivät kuitenkaan kerro paljoa siitä, mitä tehdasnavoilla todella tapahtuu. Tässä kohtaa AWS IoT SiteWise tulee kuvaan. Alusta antaa merkityksen kaikelle raakadatalle järjestämällä sen hierarkkisten omaisuuden mallien kautta. Ajattele tätä esimerkiksi tietyssä moottoriyksikössä mitatun värähtelyn rekisteröintinä tai lämpötilamittausten suoraan yhdistämisenä tietyihin tuotannossa oleviin eriin. Kun ennakoivan huollon järjestelmät näkevät, mitkä varat ovat tärkeimpiä, ne tietävät, minne kiinnittää huomionsa ensimmäiseksi. Vuoden 2024 teollisuustutkimuksen mukaan, joka tarkasteli yritysten teollisten IoT-ratkaisujen käyttöönottoa, SiteWisen käyttöönotosta hyötyneet tiimit saivat analyytiputkistojensa asennusajat putoamaan noin 40 prosenttia verrattuna tilanteeseen, jossa he rakensivat kaiken itse alusta alkaen.

Tapaus: Yhtenäiset omaisuuden mallit laitoksen laajaiseen suorituskyvyn analytiikkaan

Kansainvälisen autoteollisuuden toimittajan standardisoitu yli 12 000 CNC-konetta 23 tehtaassa käyttäen AWS IoT SiteWise -palvelua, saavuttaen seuraavat tulokset:

• 25 % nopeampi juurisyyjen analyysi laatumuutoksille
• 18 % säästöt energiakulutuksessa keskitetyn kysyntäennusteen avulla
• Yhtenäiset KPI:t vanhoissa ja nykyaikaisissa PLC-ohjelmoitavissa logiikkakontrollereissa

Trendi: Monen eri valmistajan tietomuotojen standardisointi älykkäissä tehtaissa

Yli 76 % valmistajista käyttää nykyään OPC UA - ja MTConnect -standardeja normalisoidakseen tiedot yli 15 eri laitevalmistajalta (Manufacturing Data Survey 2024). AWS IoT SiteWise nopeuttaa tätä siirtymää valmiilla teollisuuden tietoyhteyksillä, vähentäen protokollakäännösten määrää 60 % monen eri laitemerkin ympäristöissä.

Kyber-fyysiset järjestelmät (CPS) ja automaatio älykkääseen ohjaukseen

Digitaalisten kaksosten, verkkoyhteyksien ja fyysisten prosessien integrointi

Nykyään älytehtaat luottavat kyberfysikaalisiin järjestelmiin (CPS) luodakseen kaksisuuntaisia viestintäkanavia digitaalisten mallien ja todellisen tehdaskaluston välille. Kun yritykset yhdistävät digitaalista kaksostaan koskevan teknologian standardiverkkoihin, kuten OPC UA:han, he saavat aikaan synkronoidut toiminnot, jotka tapahtuvat reaaliajassa koko tuotantoketjussa. Käytännössä tämä tarkoittaa sitä, että koneet voivat tehdä säätöjä ennen kuin ongelmia esiintyy, mikä vähentää hukkaan meneviä materiaaleja tarkissa valmistustehtävissä. Joidenkin tutkimusten mukaan materiaalisäästöt vaihtelevat noin 9–14 prosenttia viime vuonna Nature-julkaisussa julkaistun tutkimuksen mukaan. Valmistajille, joilla on tiukat katteet, tällaiset tehokkuudet ovat erittäin tärkeitä kilpailukyvyn ylläpitämiseksi samalla kun kustannukset pysyvät hallinnassa.

Älykkäiden valmistusympäristöjen CPS-arkkitehtuuri

Luotettava CPS-runko yhdistää kolme keskeistä komponenttia:

• Reuna-laskentasolmut paikalliseen päätöksentekoon
• Yhdenmukaistetut kokonaisuusmallit monen toimittajan laitetietojen standardoimiseksi
• Turvalliset MQTT/AMQP-protokollat koneen ja pilven väliseen viestintään

Viimeaikaiset toteutukset osoittavat, että tämä arkkitehtuuri vähentää viiveitä laadunvalvontaprosesseissa 800 ms verrattuna pilvipohjaisiin järjestelmiin.

Tapaus: Digitaalisen tehtaan toteutus virtuaalisten tuotantojärjestelmien kanssa

Maailmanlaajuinen kodinkonevalmistaja vähensi kokoonpanolinjan uudelleenkonfigurointiajan 32 % käyttämällä CPS-teknologiaan perustuvia digitaalisia kaksosia. Insinöörit testasivat 18 tuotantoskenaariota ennen optimaalisten asettelujen toteuttamista, ja AWS IoT SiteWise lähetti suorituskykytiedot sekä virtuaalisiin että fyysisiin ohjausjärjestelmiin.

Yhteistyörobottien (cobottien) parantama ihmisen ja koneen välinen työnkulku

CPS-kytketyt yhteistyörobottien hoitavat nykyisin 42 % toistuvista tehtävistä autoteollisuuden kokoonpanotehtaissa samalla kun ne säilyttävät <0,1 mm:n asennustarkkuuden. Nämä järjestelmät käyttävät reaaliaikaista lidar-dataa mukauttaakseen liikeratojaan, kun ihmistoimijat tulevat jaettuihin työtiloihin, mikä kuvastaa edistynyttä ihmisen ja CPS-järjestelmien välistä yhteistyötä.

Tekoäly ja koneoppiminen ennakoivassa analytiikassa älykkäässä valmistuksessa

Itseoptimoivien ja mukautuvien tuotantojärjestelmien kysyntä

Nykyään älytehtaiden tarvitsevat järjestelmiä, jotka pystyvät käsittelemään muuttuvia materiaalilaatuja, vaihtelevia laitekunnoissa olevia tiloja ja yllättäviä tilausten muutoksia omatoimisesti. Viimeisimmän McKinseyn vuoden 2023 raportin mukaan yritykset, jotka ovat ottaneet käyttöön tällaisia mukautuvia tekoälyratkaisuja, saivat tuotantolinjojensa nopeutuvan noin 18 % verrattuna niihin, jotka pitäytyivät perinteisissä automatisoiduissa säännöissä. Mikä tämän mahdollistaa? Nämä älykkäät järjestelmät käsittelevät jatkuvasti sekä aiempia suorituskykymittoja että reaaliaikaisia anturidataa, joka tulee kaikkialta tehdasalustalta. Ne tekevät sitten säätöjä esimerkiksi robottikäsien asentoihin, kuljettimien nopeuksiin ja jopa hyväksyttävien tuotevaatimusten tasoon – kaiken tämän aikana kukaan ei tarvitse puuttua manuaalisesti tai ohittaa mitään toiminnan aikana.

Tekoälyohjattavat laadun ennustamiseen ja poikkeamien tunnistamiseen tarkoitetut mallit

Nykyajan parhaissa autotehtaisissa koneoppimisjärjestelmät havaitsevat tuotantoviat noin 99,2 prosentin tarkkuudella analysoimalla useiden antureiden lukemia yhtaikaisesti. Näitä neuroverkkomalleja kehittyy ajan myötä, kun ne oppivat aiemmista vioista, ja ne huomaavat pienet muutokset koneiden värähtelyssä ja lämpenemisessä jo ennen kuin mitään menee pieleen. Tuloksena mahdolliset ongelmat havaitaan noin 47 % aiemmin kuin mitä vanhat tilastolliset menetelmät pystyivät saavuttamaan. Joidenkin tekstiiliteollisuutta käsittelevien tutkimusten mukaan nämä tekoälymallit vähentävät vääriä hälytyksiä noin 63 % verrattuna yksinkertaisiin raja-arvoihin perustuviin varoituksiin. Lisäksi ne tarkkailevat toimintoja jatkuvasti ilman taukoja päivän ja yön ajan.

Tapaus: Romukaudun vähentäminen puolijohdetehdastuotannossa koneoppimisen avulla

Piilevyn valmistaja toteutti joukkokonemallit ennustamaan reunan muodostumisen epätasaisuuksia, joita aiheuttavat nanomittakaavan lämpötilan vaihtelut. Yhdistämällä reaaliaikaisen lämpökuvauksen laitelokeihin järjestelmä säätää automaattisesti plasma-kaiverruksen parametreja 11 sekunnin välein, saavuttaen seuraavat tulokset:

Nouseva trendi: Federatiivinen oppiminen ristikkäisen tehdasvalmisteisten mallien koulutuksessa

Valmistajat käyttävät nyt tietosuojaavia federatiivisia oppimisratkaisuja yhteiseen poikkeaman tunnistamisen mallien koulutukseen yli 12:ssa globaalissa toimipisteessä jakamatta raakadataa. Vuoden 2024 Industrial AI Consortium -raportin mukaan tämä menetelmä parantaa mallin tarkkuutta 29 % verrattuna yhden tehtaan koulutukseen ja täyttää samalla GDPR- ja immateriaalioikeussuojavaatimukset.

UKK

Mikä on teollinen internet (IIoT)?

Teollinen internet (IIoT) tarkoittaa internetiin liitettävien teknologioiden integrointia teollisiin prosesseihin, mikä mahdollistaa saumattoman datavirran ja parantaa toiminnallista näkyvyyttä älykkäissä valmistusympäristöissä.

Kuinka reuna-laskenta parantaa valmistuksen tehokkuutta?

Reunakäsittely parantaa valmistuksen tehokkuutta käsittelemällä tietoja paikallisesti valmistuslaitteissa ja -antureissa, vähentämällä viiveitä, optimoimalla reagointiaikoja ja pienentämällä verkon kaistanleveyden käyttöä. Se mahdollistaa reaaliaikaiset säädöt kriittisiin tekijöihin, kuten lämpötilaan ja paineeseen, parantaen näin välitöntä reagointikykyä tuotantoympäristöissä.

Mikä on tekoälyn rooli älykkäässä valmistuksessa?

Älykkään valmistuksen tekoälimallit parantavat ennakoivaa analytiikkaa mukautuvilla järjestelmillä, jotka itseoptimoivat ja säätävät toimintoja reaaliaikaisen datan perusteella. Tekoälypohjainen analytiikka parantaa tehokkuutta, vähentää tuotantovirheitä ja auttaa poikkeamien havainnoinnissa, mikä johtaa nopeampiin ja luotettavampiin toiminnallisiin tuloksiin.

Miksi federated learning on tärkeää valmistajille?

Federoitu oppiminen on ratkaisevan tärkeää valmistajille, koska se mahdollistaa mallien yhteistyöllisen koulutuksen eri toimipisteissä samalla kun tietosuoja säilyy. Se parantaa mallien tarkkuutta ja edistää sääntöjen, kuten GDPR:n, noudattamista, mikä tekee siitä houkuttelevan lähestymistavan ristiriippuvaisen tehtaan datan analysointiin.