새로운 비정상 경제 내에서 제조에 관한 TIBCO

TIBCO의 디지털화 전략 이사인 Alessandro Chimera는 제조업체가 시스템을 모니터링하기 위해 데이터, AI 및 자동화를 사용하는 방식에 대해 설명합니다.

제조 시스템을 모니터링하고 제어하기 위해 데이터를 사용하는 방식이 변경되었습니다. TIBCO 의 디지털화 전략 이사 Alessandro Chimera 전자 작업복을 입고 디지털 그리스 총을 재충전하여 운영 성과 관리를 안내하는 이상 경제의 형태를 설명하고 디지털 트윈에서 AI, 자동화, 인간 감독에 이르기까지 모든 것에 대해 논의합니다.

제조업의 일부는 1900년대 전환기에 그랬던 것처럼 여전히 존재합니다. 작업복과 차 휴식과 함께 그리스, 기어 및 연삭기가 여전히 필요합니다. 인간은 모든 제조 시설을 운영하는 더 넓은 기본 내러티브에서 항상 역할을 하기 때문에 이러한 기본 사항은 자동화된 자율 미래에 멀리까지 퍼질 것입니다.

그러나 물론 우리는 제조 방식이 바뀌었다는 것을 알고 있습니다. 1차, 2차, 3차 산업 혁명 전반에 걸쳐 우리는 증기 동력 가속, 기계화 및 IT 기반 자동화가 이전 세대가 상상할 수 없었던 방식으로 제조 작업에 적용되는 것을 보았습니다.

이제 디지털 트윈과 데이터가 물리적 기계와 인간 작업자와 결합하여 고도로 제어되는 미래의 제조 시설에 들어서면서 우리는 이상 감지에 어떻게 접근해야 하는지 자문해야 합니다. 중요한 측정값을 보고하는 그래프에서 급락 또는 ​​급락을 찾는 것은 매우 쉽지만, 한 달 또는 그 이상 동안 품질이나 성능이 천천히 저하되면 어떻게 해야 합니까?

눈먼 인간의 감독

현대 제조 시설은 이제 한 사람(또는 그룹)이 공장 현장의 모든 지점에 동시에 있을 수 있는 능력을 능가하는 대량 생산 규모로 운영됩니다. 이러한 환경에서 우리는 인간의 관찰이 우리에게 필요한 완전한 그림을 제공한다고 믿을 수 없습니다. 오늘날의 현대적인 시설에서는 추적할 변수가 하나만 있는 경우가 거의 없으며 수백 또는 수천 개의 변수가 있을 가능성이 더 큽니다.

프로덕션 이상 현상이 우리 작업에 천천히 '들어온다'면 너무 늦어서 아무 조치도 취할 수 없을 때까지 눈에 띄지 않게 될 수 있습니다. 새로운 작업 방식에 대해 이야기해야 합니다.

제조 데이터 건초더미의 바늘

우리는 산업 데이터 세트가 매우 크고 매우 복잡하다는 것을 알고 있습니다. 따라서 이상을 감지하고 예측하는 것은 우리가 무엇을 찾고 있는지 모르는 경우가 많기 때문에 건초 더미에서 바늘을 찾는 것보다 어렵습니다. 그러나 이상 징후를 감지하면 비용을 절감할 수 있으며, 이는 곧 생산 수율을 높일 수 있습니다.

많은 제조업체가 방대한 데이터 세트를 가지고 있다는 것을 알고 있지만 이러한 데이터 저장소는 사일로화되어 여러 시스템에 분산되어 있는 경우가 너무 많습니다. 이러한 데이터 분산 및 분산으로 인해 이상이 언제 여러 데이터 시스템과 관련되거나 서로 다른 물리적 생산 단계와 관련되는지 이해하기 어렵습니다. 실제로, 때때로 작동 또는 기능 문제가 있는 이미 시장에 나와 있는 제품에서 데이터를 검색해야 합니다. 어느 쪽이든 첫 번째 단계는 모든 데이터 소스를 통합하는 것입니다.

오늘날 우리는 분석이 현대 공장의 기본적인 부분이 되고 있는 세상에서 일하고 있습니다. 이러한 가상 머신이 제공할 수 있는 예측 통찰력을 얻기 위해 정확하고 신속하며 지능적인 분석을 적용해야 하는 디지털 트윈의 개발이 강조하는 추세입니다.

데이터를 사용할 수 있고 액세스할 수 있게 되면 고급 분석을 통해 무엇을 찾아야 하는지 분석을 시작할 수 있습니다. 최신 데이터 과학 기술은 제품 품질에 영향을 줄 수 있는 수많은 매개변수로 인해 즉시 이해되지 않는 숨겨진 이상을 발견하는 데 도움이 됩니다.

머신 러닝 및 AI 스카우트 이상 현상

이것은 우리를 오늘날에 이르게 합니다. 우리는 이제 머신 러닝(ML)과 인공 지능(AI)이 생산 프로세스에도 적용되는 시점에 와 있습니다.

일부 제조업체는 처음에 ML을 사용하여 마케팅 이니셔티브를 이해하고 고객을 분류하고 특정 조치를 취했습니다. 그러나 최근 몇 년 동안 보다 진보적이고 선진화된 제조업체는 ML 및 AI 기술을 사용하여 이상 징후를 감지할 때의 이점을 이해하기 시작했습니다.

한 가지 예는 자동 인코더를 사용하여 데이터에서 학습하는 것입니다. 오토인코더는 ML에서 사용되는 인공 신경망 지능 기술입니다. 이는 우리가 일반적으로 비지도 학습(unsupervised learning)이라고 부르는 레이블이 지정되지 않은 데이터 세트를 코딩하고 기능을 학습하는 데 사용됩니다.

우리의 실시간 효율적인 제조 미래

훈련된 통계 모델을 실시간 데이터에 적용하면 언제 이상이 발생할지 예측할 수 있습니다. 이것은 우리를 효율적인 운영의 새로운 지점으로 이끕니다. 이 모든 것이 이제 우리가 이상에 대응하는 것에서 상당한 운영 비용 절감을 달성하는 이점과 함께 이상을 예측하는 것으로 전환할 수 있는 지점으로 이끕니다. 결함 및 불량률 감소와 예상치 못한 장비 다운타임 방지의 직접적인 결과로 비용을 절감합니다.

Hemlock Semiconductor(HSC)는 공정 제어, 예측 유지보수 및 이상 감지 솔루션을 활용하여 반도체 제조를 간소화하고 제어하는 ​​선도적인 제조업체 중 하나입니다.

개별 제조 프로세스에 대한 거의 실시간 경고를 도입하여 직원은 이제 기계 학습 및 AI 방법을 통해 발견된 사전 정의된 임계값, 통계 규칙 및 최적의 패턴과 주요 매개변수를 자동으로 비교할 수 있습니다. HSC는 프로세스가 허용 가능한 매개변수 범위를 벗어나는 즉시 자동으로 생성된 경고를 수신하여 주의가 필요한 사항이 있음을 제조 담당자에게 알립니다. 그런 다음 직원은 데이터에 쉽게 액세스하여 문제를 일으킨 변수를 정확하게 확인할 수 있습니다. 이러한 인과 관계가 식별되면 팀은 프로세스 결함이 다시 발생하지 않도록 조치를 취합니다.

이 모든 진전은 궁극적으로 우리를 우리의 내일과 지구의 미래로 이끕니다. 데이터 분석 및 ML의 적용과 함께 디지털 트윈의 사용이 확대됨에 따라 모든 제조업체는 점점 더 정밀해지는 이상 탐지에 중점을 둔 데이터 기반 공장이 됩니다. 이 시점에서 제조업체는 우리 모두의 이익을 위해 최적화된 에너지 소비로 보다 신속하게 작업할 수 있습니다.

플랜트 생산성은 항상 최우선이며 미래는 데이터 중심적이므로 논리적으로 취해야 하는 경로입니다. 결과적으로 우리는 더 나은 성능뿐만 아니라 더 잘 작동하고 더 오래 지속되는 제품을 시장에 출시할 수 있게 될 것입니다. 일정 기간이 지나면 품질이 '만료'되도록 조정되는 값싼 일회용품 시장에 어떤 영향을 미칠지는 또 다른 질문입니다.

이제 우리가 제품 및 관련 서비스를 제조하는 방식을 데이터 분석 및 인텔리전스에서 얻는 해당 엔진 성능과 이상 감지를 통해 개선할 수 있습니다. 그것이 우리의 작업복을 벗고 차를 마시기 위한 핑계가 아니라면 아무것도 아닙니다.