製造における機械学習と人工知能の応用

より高品質の製品を最低コストでより多く生産することは、製造業の永遠の目標です。スマート製造革命により、メーカーはこの目標をこれまで以上にうまく達成できるようになりました。このイノベーションの波を推進するコアテクノロジーの 1 つは人工知能です。データは非常に貴重なリソースとなっており、データの取得と保存にかかるコストはかつてないほど低くなっています。今日、人工知能テクノロジー (特に機械学習) の導入のおかげで、ますます多くのメーカーがこのデータを活用して収益を大幅に増やしています。

多くの人にとって、これは、生産ロスやその他の関連コストの主な原因を排除することで、生産性とスループットを大幅に向上させることを意味します。もちろん、AI から具体的なビジネス価値を引き出すことは、言うは易く行うは難しです。これは、さまざまな用途に使用できる複雑なテクノロジーです。メーカーはどのようにして誇大宣伝や空約束を見抜き、本当に競争上の優位性をもたらす産業用 AI に投資できるでしょうか?

人工知能と機械学習の成功の鍵

製造業全般と製造業界の両方において、人工知能テクノロジーの急速な台頭を見逃すことはできません。その結果、AI に対する期待は、ビジネス上の問題に対する包括的なソリューションから、AI について言及しただけでの深い懐疑に至るまで、非常に的外れなものになる傾向があります。

適切な使用例を見つける

#しかし、他のテクノロジーと同様、真実はその中間にあります。適切な環境では、人工知能は非常に効果的です。これらの環境と、そこに適用できる AI テクノロジーを理解することが、AI アプリケーションの現実的なビジネス目標を設定する鍵となります。

人工知能は万能薬ではありません。どのような解決策も、問題のすべてまたはほとんどを解決することはできません。経験則として、AI は特定の問題、または非常に密接に関連する一連の問題を解決するために適用された場合に最も効果的に機能します。

一般的な AI には注意が必要です。AI ベンダーが何でもできると主張しても、おそらく何もできないでしょう。さて、製造業における人工知能の話題に戻りましょう。製造業における人工知能と機械学習には多くの潜在的なアプリケーションがあり、それぞれのユースケースには独自のタイプの人工知能が必要です。

次のガイドでは、特定の製造上の課題や目標に対処するために適切な産業用人工知能ソリューションを選択するためのシンプルで効果的な公式を提供します。

機械学習と人工知能に引き続き焦点が当てられるのは、最もエキサイティングで影響力のあるイノベーションが起こっている場所だからです。この公式は、「産業用 AI クアドラント」と呼ばれるシンプルな図と方法論に要約できます。

機械学習に基づく次世代の最適化

製造業における機械学習の 2 つの主な使用例は、品質と歩留まりの予測と性的維持の予測です。 。

(1) 必要な場合にのみメンテナンスを実行します。

2 つのうちのより一般的なのは、メンテナンスの問題とそれに関連する問題が発生する可能性があるため、予測メンテナンスです。かなりのコストがかかるため、現在では製造業者にとってこれがかなり一般的なターゲットとなっています。

予測メンテナンスは、事前に決定されたスケジュールに従ってメンテナンスを実行したり、手動でコード化されたしきい値、アラート ルール、構成された SCADA システムを使用したりするのではなく、アルゴリズムを使用してコンポーネント/マシン/システムの次の故障を予測します。その後、担当者は、障害を防ぐために集中的なメンテナンス手順を実行するよう通知されますが、不必要なダウンタイムを浪費するのに早すぎないように注意することができます。

対照的に、従来の手動および半手動の方法では、機械のより複雑な動的動作パターンや、製造プロセスに関連するシナリオ データが考慮されていません。たとえば、生産マシンのセンサーが温度の急激な上昇を検出する場合があります。静的ルールに基づくシステムは、マシンが滅菌されているという事実を考慮せず、誤検知アラートをトリガーし続けます。

予知保全には多くの利点があり、多くの場合、計画的なダウンタイムの必要性を排除しながら、コストを大幅に削減できます。

機械学習アルゴリズムを使用して障害を防止することで、システムは不必要な中断なしに動作を継続できます。修理が必要な場合、それは非常に集中化されており、技術者には、検査、修理、交換が必要な部品、使用するツール、および従うべき方法が通知されます。

予知メンテナンスは、メンテナンス手順にかかる労力を減らしながら二次被害を防止できるため、機械や装置の残存耐用年数 (RUL) を延長することもできます。

(2) 損失の隠れた原因を見つける

予測品質と歩留まり (予測品質とも呼ばれる) は産業用人工知能の 1 つですより高度な使用例として、製造業者が日々直面している長期的なプロセスベースの生産損失の隠れた原因が明らかになります。例には、品質、収量、廃棄物、スループット、エネルギー効率、排出量などが含まれ、本質的にはプロセスの非効率性によって引き起こされるあらゆる損失が含まれます。

各生産プロセスを詳しく理解するために独自にトレーニングされた機械学習アルゴリズムを活用した連続多変量分析を使用して品質と歩留まりを予測し、プロセス主導の生産損失の根本原因を自動的に特定します。

自動化された推奨事項とアラートを生成して、生産チームやプロセス エンジニアに差し迫った問題を通知し、損失が発生する前に防ぐ方法に関する重要な知識をシームレスに共有できます。

この種の損失を削減することは、すべてのメーカーにとって常に困難な問題です。しかし、今日の市場では、その使命は非常に重要です。一方で、消費者の期待はかつてないほど高まっており、人口増加が続いているにもかかわらず、世界の消費習慣は徐々に変化しています。

複数の調査によると、世界の人口は 2050 年までに 25% 増加します。一方で、消費者にとってこれほど多くの選択肢があったことはかつてなく、想像できるほぼすべての製品が入手可能です。

最近の調査によると、これほど豊富な選択肢があるということは、消費者がお気に入りのブランドを永久に捨てる可能性がますます高まっていることを意味しています。

これに関連して、メーカーはプロセスの非効率性とそれに伴う損失を許容できなくなりました。廃棄物、収量、品質、歩留まりがすべて失われると、収益が減少します。

多くの製造業者が直面している課題は、プロセスの最適化において最終的にボトルネックに遭遇することです。非効率の中には明らかな原因がなく、プロセスの専門家によって説明できないものもあります。ここで、機械学習、特に自動化された根本原因分析が重要な役割を果たします。

人工知能と機械学習の製造業へのメリット

人工知能と機械学習の導入は、大きな変化をもたらします。効率の向上をはるかに超えた多くのメリットがもたらされ、新たなビジネスチャンスへの扉が開かれます。

製造業における機械学習の直接的な利点には、次のようなものがあります。

• 歩留まり、無駄、品質、スループットなど、一般的で苦痛を伴うプロセス主導の損失を削減する
• 生産プロセスを最適化することで生産能力を向上します。
• より最適化されたプロセスを通じて、製品ラインの大規模な成長と拡大を実現します。
• 予知保全によってコストを削減し、その結果、メンテナンス作業が減り、人件費が削減され、在庫と材料の無駄が削減されます。残存耐用年数 (RUL) を予測します。マシンや機器の動作をより深く理解することで、マシンの健全性を維持しながらパフォーマンスを向上させる条件を作り出すことができます。予測 RUL は、計画外のダウンタイムにつながる「不快な予期せぬ出来事」を排除します。
• 効率的な在庫管理と、適切に監視され同期された生産プロセスを通じて、サプライ チェーン管理を改善します。
• 品質管理を改善し、製品の品質を継続的に向上させるための実用的な洞察を提供します。
• 人間と機械のコラボレーションを改善し、従業員の安全条件を改善し、全体的な効率を向上させます。
• 消費者中心の製造 - 市場需要の変化に迅速に対応できます。

産業用 AI/ML ソリューションを最大限に活用するには、メーカーは直面する課題に対処するのに最適な AI ソリューションを知る必要があります。

以上が製造における機械学習と人工知能の応用の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。