Ақылды зауыт салуға қандай негізгі жабдықтар қолдау көрсетеді?

Өнеркәсіптік Интернеті (IIoT) және нақты уақытта деректер байланысы

Ақылды өндірістегі байланысқа ие өнеркәсіптік құрылғылардың таралуы

Бүгінгі күндері зауыттар әрбір объектіде шамамен 15 мыңға жуық байланысқан құрылғыларды орналастырудады, оның ішінде ақылды сенсорлардан бастап өзі жүретін роботтарға дейінгі барлығы бар, бұл туралы өткен жылы Ponemon хабарламасында айтылған. Бұл қосымша байланыс шынында да өндірісте көп уақыт бойы мазалаған үлкен мәселені шешеді. Күтпеген өндірістік тоқтап қалулардың шамамен 57 пайызы жабдықтың ешкімнің назарынан тыс бұзылуынан болады. Өндірушілер машиналарын Интернет заттары технологиясы арқылы орталық басқару панеліне қосқан кезде, бұрын бүкіл жерге шашырып тасталған операциялар туралы тамаша жалпы көрініс алады. Негізінде, енді өндіріс процесінде көзге көрінбейтін аймақтар қалмайды.

IIoT ақылды зауыт жүйелері арқылы деректердің үздіксіз ағымын қалай қамтамасыз етеді

OPC UA және MQTT сияқты өнеркәсіптік IoT-хабарламалар ескі зауыт жабдықтарын жаңа сандық жүйелермен байланыстыруға көмектеседі. Мысалы, инъекциялық құю престерін алып қараңыз. Шеткі шлюздармен жұптастырылған кезде бұл машиналар өзінің жұмыс көрсеткіштерін тікелей бұлттық ERP жүйелеріне жібереді. Сонда зауыт менеджерлері материалдың қанша пайдаланылатыны немесе энергия тұтынуының белгілі бір уақытта қандай болатыны сияқты нәрселер бойынша нақты уақыт режиміндегі жаңартуларды алады. Әртүрлі жүйелер арасында байланыс орнату өндірістік тиімділікке нақты ықпал етті. Автокөлік зауыттарынан алынған бірнеше зерттеулерге сәйкес, өндірістің нақты желісінің конфигурациясына және техникалық қызмет көрсету тәжірибелеріне байланысты, мұндай жүйелерді интеграциялау әдетте 18%-дан 22%-ға дейін қалдықтарды азайтады.

Зерттеу жағдайы: AWS IoT Greengrass бағдарламасымен қашықтан бақылау

Алдыңғы орындағы автомобиль бөлшектерінің жеткізушісі 14 глобалды зауыт бойынша жабдықтардың тербеліс деректерін талдау үшін шеткі есептеу тораптарын енгізді. Бұл орнату кез келген уақытта күтпеген тоқтап қалуды 41%болжамды техникалық қызмет көрсету хабарламалары арқылы, сонымен қатар бұлттық деректерді беру құнын жылына 290 мың долларға азайтады. Техникалық қызмет көрсету топтары енді өндірістің сапасына әсер етуіне дейін аномалиялардың 83%-ын шешеді.

Стратегия: Қауіпсіз, масштабталатын және өзара әрекеттесетін ӨӨЖ желілерін құру

Бұл архитектураны қабылдаған өндірушілер хабарлайды жаңа IIoT қолданбалары үшін салыстырмалы түрде дамудың 3,1 есе тез циклы силонархитектурасымен салыстырғанда (PwC 2023).

Ақылды зауыттарда төмен кідіріспен шешім қабылдау үшін Edge Computing

Дәстүрлі тек бұлттық архитектуралар роботтандырылған жинақтау жолдары немесе химиялық партиялық бақылау сияқты уақытқа тәуелді өнеркәсіптік процестер үшін сенімсіз болып табылатын 100–500 миллисекундтық кідірудің тербелісімен күреседі. Edge computing өндірістік жабдықтар мен сенсорларда деректерді жергілікті түрде өңдеу арқылы осы кідіруді 1–10 миллисекундқа дейін қысқартады және температураға, қысымға және машина туралауына нақты уақыт режимінде түзетулер енгізуге мүмкіндік береді.

Таратылған интеллект үшін Edge және Cloud Computing-ті біріктіру

Гибридтік жүйелерді орнату кезінде барлық жұмыс істеу деректерінің шамамен үштен екісі тікелей edge-түйіндеріне жіберіледі, мұнда олар дереу өңделе алады, ал негізгі бұлттық серверлерге тек жинақталған нәтижелер жіберіледі, олар кейінірек тереңірек талдау жасау үшін қажет. Мысалы, CNC машиналарына орнатылған тербеліс сенсорларын қарастырайық — олар жергілікті процессорлармен жұмыс істейді және құралдардың тозуын шамамен 5 миллисекунд ішінде анықтайды, содан кейін автоматты түзетулер іске қосылып, жұмыстың үздіксіз орындалуы қамтамасыз етіледі. Сол уақытта бұл edge-шлюздер өнімділік деректерін уақыт бойы жинақтап, болжаулық техникалық қызмет көрсету жүйелеріне бұлттық негізде күн сайын шамамен бір рет жаңартулар жібереді. Бұл тәсіл нақты уақытта жауап беруді өндірістік операциялар бойынша ұзақ мерзімді стратегиялық жоспарлаумен теңестіреді.

Жергілікті өңдеу арқылы жауап беру уақыты мен жолақ енін оптимизациялау

Компаниялар бұлттық модельдерге ғана сүйенумен салыстырғанда жергілікті деректерді өңдеуді енгізгенде, тіпті желілік жолақтықты пайдалануды шамамен 90% азайтуға және аномалияларды табу жылдамдығын шамамен 20% арттыруға қол жеткізеді. Шекаралық есептеулерді қабылдаған өндірістік кәсіпорындар өндіріс орнында өз уақытында жабдық жағдайын бақылай алатындықтан, күтпеген тоқтап қалулар көп болмайды. Ірі бұлттық қызмет көрсету компаниялары авариялық жағдайларда жабдықтарды өшіруді, кейін ғана қарапайым техникалық қызмет көрсету журналдарын өңдеуді басымдық ретінде қарастыратын аналитикалық құралдары бар шекаралық платформалар ұсынады. Біз зауыт алаңынан түскен нақты видео сигналдарына негізделе отырып, адамдармен қатар жұмыс істейтін роботтардың ұстау күшін реттеу үшін реакция уақытын 10 миллисекундтан төмендету үшін шекаралық аппараттық құралдар мен 5G байланысын жинақтауға арналған жаңа орнатуларды көреміз. Тәуелсіз зерттеулер өндірушілердің тәжірибе жүзінде байқағанын растайды: гибридтік жүйелер ақылды камералар мен нақты роботтық иықтар арасындағы дер кезде байланыс арқасы компьютерлік чиптерді жасау сияқты өте дәлдікті талап ететін салаларда қалдық материалдарды шамамен 25% азайтады.

AWS IoT SiteWise және активтерді модельдеу арқылы өнеркәсіптік деректерді интеграциялау

Бірыңғай операциялық көрінетіндікті қамтамасыз ету үшін деректер қаптарын бөлшектеу

Ақылды зауыттар әдеттегі өндірістік орнатулармен салыстырғанда шамамен 2,5 есе көп деректер жасайды, бірақ көптеген компаниялар минималды уақытта нақты не болып жатқанын көруге кедергі жасайтын жекеленген жүйелермен шектеліп қалады, бұл туралы өткен жылғы Ponemon зерттеуінде айтылған. Жақсы жағы – AWS IoT SiteWise бұл мәселені шешуге көмектеседі, себебі ол машиналардың өнімділік көрсеткіштері, ERP жүйесі нәтижелері мен сапа бақылау жазбаларын қоса алaды және барлық зауыт деректерін бір орталықтандырылған деректер базасына біріктіреді. Осындай орнатудың арқасында басшылар электр энергиясының пайдаланылуы, жабдықтардың жалпы өнімділігі (OEE), өндірістің шығару көлемдері сияқты әртүрлі факторлардың қалай байланысып тұрғанын көрсететін барлық зауыт бойынша кең көлемді басқару панельдеріне қол жеткізе алады.

AWS IoT SiteWise қолданып, сенсорлар мен жабдықтар деректеріне контекст беру

Қазіргі заманның өндірістік орнатуларында әдетте әрбір жинау жолына 300-ден астам сенсор орнатылған, бірақ бұл сандар шын мәнінде цехта нақты не болып жатқаны туралы бізге ештеңе айтпайды. Дәл осы жерде AWS IoT SiteWise пайда болады. Платформа иерархиялық активтер модельдері арқылы деректерді ұйымдастыру арқылы барлық осы түйінді деректерге мағына береді. Нақты бір двигатель блогының діріл өлшемдерін байланыстыру немесе температураны өндірілетін нақты өнім партияларымен тікелей байланыстыру туралы ойлаңыз. Болжауыш техникалық қызмет көрсету жүйелері қай активтер ең маңызды екенін көре алатын болса, олар алдымен назар аударатын жерлерін біледі. 2024 жылғы соңғы өнеркәсіптік зерттеулерге сәйкес компаниялар өндірістік IoT шешімдерін қалай енгізетінін зерттегенде, SiteWise платформасын қабылдаған командалар аналитикалық каналдарды орнату уақытын өздері бәрін нөлден бастап құрған кезге қарағанда шамамен 40 пайызға дейін қысқартқан.

Зерттеу жағдайы: Кәсіпорынның жалпы өнімділігі бойынша бірыңғай активтер моделі

Глобалдық автомобиль жабдықтаушысы AWS IoT SiteWise пайдаланып, 23 зауыттағы 12 000-нан астам CNC машинасын стандарттады және мынадай нәтижелерге қол жеткізді:

• сапа көрсеткіштеріндегі ауытқулардың түбірлік себебін талдау үдерісі 25% жылдам орындалады
• орталықтандырылған сұранымды болжау арқылы 18% энергия үнемделеді
• Ескі және заманауи PLC (бағдарламалық логикалық басқару) жүйелері арасындағы бірыңғай KPI

Бағыт: Ақылды зауыттарда көптеген жабдықтаушыларға тән деректер пішімдерін стандарттау

Өндірушілердің 76%-ден астамы қазір 15 немесе одан да көп жабдықтаушылардан келетін деректерді нормалау үшін OPC UA және MTConnect стандарттарын қолданады (2024 жылғы Өндірістік деректер зерттеуі). AWS IoT SiteWise осы өзгерісті алдын ала дайындалған өнеркәсіптік деректер коннекторлары арқылы аралас отрядтық орталарда протоколдарды аудару жұмысын 60% қысқартып, ынталандырады.

Ақылды басқару үшін кибер-физикалық жүйелер (CPS) және автоматтандыру

Цифрлық егіздерді, желілеуді және физикалық үдерістерді интеграциялау

Бүгінгі таңда ақылды зауыттар цифрлық модельдер мен нақтылы зауыт жабдықтары арасында екі бағыттағы байланыс каналдарын орнату үшін киберфизикалық жүйелерді (CPS) пайдаланады. Компаниялар цифрлық егіздер технологиясын OPC UA сияқты стандартты өнеркәсіптік желілермен байланыстырған кезде, бүкіл өндірістік ортада нақты уақыт режимінде синхронданған операциялар жүзеге асады. Бұл практикалық тұрғыдан алғанда, дәл өндірістік міндеттерді орындау кезінде материалдардың кетуін азайту үшін машиналар мәселелер пайда болар алдында өзгерістер енгізе алады дегенді білдіреді. Кейбір зерттеулерге сәйкес, Nature журналында шыққан өткен жылғы зерттеулерде материалдарды үнемдеу көлемі шамамен 9%-дан 14%-ға дейін жетеді. Пайдасы төмен өндірушілер үшін осындай тиімділік шығындарды бақылау арқылы конкурентті қабілетті сақтау үшін үлкен маңызы бар.

Ақылды өндірістің киберфизикалық жүйелерінің негізгі архитектурасы

Надежді CPS негізі үш маңызды компонентті біріктіреді:

• Жергілікті шешім қабылдау үшін Edge computing түйіндері
• Бірнеше сатушылардың жабдықтары деректерін стандарттау үшін бірыңғай активтер моделі
• Машина мен бұлт арасындағы байланыс үшін қауіпсіз MQTT/AMQP протоколдары

Соңғы жүзеге асырулар бұл архитектураның тек бұлттық жүйелерге қарағанда сапа бақылау процестеріндегі кідірісті 800мс-ға азайтатынын көрсетеді.

Зерттеу мысалы: Виртуалды өндіріс жүйелерімен сандық зауытты енгізу

Дүниежүзілік тұрмыстық техника өндірушісі CPS негізіндегі сандық егіздерді пайдаланып, жинау жолағын қайта баптау уақытын 32% азайтты. Инженерлер оптималды орналасуды іске асырмас бұрын 18 өндірістік сценарийді виртуалды түрде тестіledі, ал AWS IoT SiteWise өнімділік деректерін виртуалды және нақты басқару жүйелеріне ағынды түрде жеткізді.

Адам мен машина арасындағы жұмыс процесстерін жақсарту үшін роботтармен (коботтармен) ынтымақтастық жасау

CPS-ке негізделген коботтар автомобиль жинау цехтарында қайталанатын тапсырмалардың 42%-ын <0,1 мм дәлдікпен орындайды. Адам операторлары ортақ жұмыс кеңістіктеріне кіргенде, бұл жүйелер нақты уақыт режиміндегі лидар деректерін пайдаланып, жолдарын динамикалық түрде реттейді, бұл адам мен CPS арасындағы алдыңғы қатарлы ынтымақтастықтың мысалы болып табылады.

Ақылды өндірістегі болжау аналитикасы үшін жасанды интеллект және машиналық үйрену

Өзін-өзі оптимизациялайтын және бейімделетін өндіріс жүйелеріне деген сұраныс

Бүгінгі таңда ақылды зауыттар материалдардың өзгеріп отыратын сапасын, жабдық күйлерінің айырмашылығын және лездік тапсырыс өзгерістерін өздері өңдей алатын жүйелерді қажет етеді. 2023 жылғы соңғы McKinsey есебіне сәйкес, осындай бейімдеушілік ИӘ шешімдерін енгізген компаниялар дәстүрлі автоматтандырылған ережелерге сүйеніп жұмыс істейтіндермен салыстырғанда өндіріс желілерінің жылдамдығын шамамен 18% арттырды. Бұл ненің арқасында мүмкін болды? Осындай ақылды жүйелер өткен уақыттағы жұмыс көрсеткіштері мен цех бойынша орналасқан сенсорлардан түскен нақты уақыттағы деректерді үнемі өңдейді. Содан кейін роботтық иіндердің орнын, конвейердің жылдамдығын, тіпті өнімнің сапасы бойынша қабылданатын стандарттарды да түзетулер енгізеді — бұның барлығы жүйе жұмыс істеп тұрған кезде ешкімнің қолмен тікелей араласуын немесе басқаруын қажет етпейді.

ИӘ негізіндегі сапаны болжау және аномалияларды анықтау модельдері

Бүгінгі күннің алдыңғы қатарлы автомобиль зауыттарында машиналық оқу жүйелері бірнеше сенсорлардың көрсеткіштерін талдау арқылы өндірістегі ақауларды шамамен 99,2% дәлдікпен анықтайды. Бұл нейрондық желілер өткен ақаулардан үйренген сайын уақыт өте келе одан әрі дамып, машиналардың жұмыс істеу кезіндегі тербелісі мен қызып кетуіндегі өте сәйкес өзгерістерді ақаулар болмай тұрып-ақ анықтай алады. Нәтижесінде потенциалды мәселелер ескі статистикалық әдістерге қарағанда шамамен 47% жылдамырақ анықталады. Мата өндірісіне арналған зерттеулердің кейбіреуі бұндай жасанды интеллект модельдері қарапайым порогтық ескертуден гөрі жалған тревожный сигналдарды шамамен 63% төмендететінін көрсетті. Сонымен қатар, олар тәуліктің тәулік бойы демалыссыз үздіксіз өндірісті бақылап отырады.

Зерттеу жағдайы: МЛ-мен жартылай өткізгіштерді өндірудегі қалдықтардың деңгейін төмендету

Нанометрлік температура өзгерістерінен пайда болатын шеткі түсіру ақауларын болжау үшін кремний пластинкасын өндіруші ансамблдік машиналық үйрену модельдерін енгізді. Нақты уақыттағы жылулық бейнелеуді жабдық журналдарымен интеграциялау арқылы жүйе плазмалық әбдендеу параметрлерін әр 11 секунд сайын автоматты түрде реттеді, нәтижесінде мынаны қамтамасыз етті:

Дамып келе жатқан бағыт: Фабрикалар арасындағы модельді оқытудағы федеративті оқыту

Өндірушілер қазір тұтынушылардың деректерін бөлісудің орнына 12-ден астам глобалдық объектілер бойынша аномалияны анықтау моделін бірлесіп оқыту үшін деректердің құпиялығын сақтайтын федеративті оқыту негіздерін қолданады. 2024 жылғы Industrial AI Consortium хабарламасында бұл тәсіл жеке фабрикадағы оқытумен салыстырғанда модельдің дәлдігін 29% жақсартатыны, сонымен қатар GDPR және IP қорғау талаптарына сай келетіні көрсетілген.

ЖИІ ҚОЙЫЛАТЫН СҰРАҚТАР

Өнеркәсіптік Интернет заттары (IIoT) дегеніміз не?

Өнеркәсіптік Интернет заттары (IIoT) интеллектуалды өндіріс ортасында деректер ағымын үздіксіз қамтамасыз етуге және операциялық көрінетіндікті арттыруға мүмкіндік беретін өнеркәсіптік процестерге интернетке қосылған технологияларды интеграциялау болып табылады.

Шеткі есептеу өндірістің тиімділігін қалай арттырады?

Edge computing деректерді өндірістік жабдықтар мен сенсорларда жергілікті түрде өңдеу арқылы өндірістің тиімділігін арттырады, кешігу уақытын азайтады, реакция жылдамдығын оптималдандырады және желілік жолақтың пайдаланылуын төмендетеді. Бұл температура мен қысым сияқты маңызды факторларға нақты уақыт режимінде түзетулер енгізуге мүмкіндік береді және өндірістік орталардағы оперативтілікті жақсартады.

AI-дың дәлме-дәл өндірісте қандай рөлі бар?

Дәлме-дәл өндіріс ортасындағы AI модельдері нақты уақыттағы деректерге негізделе отырып, өзін-өзі оптималдандыратын және операцияларды түзете алатын бейімделуші жүйелер арқылы болжау аналитикасын жақсартады. AI-мен жүргізілетін талдаулар тиімділікті арттырады, өндірістегі қателерді азайтады және аномалияларды анықтауға көмектеседі, нәтижесінде операциялық нәтижелер тезірек және сенімдірек болады.

Неліктен федеративті оқыту өндірушілер үшін маңызды?

Федеративті оқыту өндірушілер үшін маңызды, себебі ол деректердің жекелігін сақтай отырып, бірнеше құрылғылар бойынша модельдерді бірлесіп оқытуды мүмкіндік береді. Бұл GDPR секілді нормативтік талаптарға сәйкестікті және модельдің дәлдігін арттырады, сондықтан бірнеше зауыттағы деректерді талдау үшін бұл тәсіл өте тартымды.