Bayangkan sebuah dunia di mana mesin tidak hanya membuat produk kita, tetapi juga berpikir dan belajar seperti kita. Dalam artikel ini, kami mengeksplorasi bagaimana kecerdasan buatan mengubah industri manufaktur. Mulai dari robot cerdas yang menyortir suku cadang hingga pemeliharaan prediktif yang menghemat waktu henti, AI mengubah proses produksi. Pembaca akan menemukan delapan aplikasi AI terobosan yang meningkatkan efisiensi, meningkatkan kualitas, dan mengurangi biaya di bidang manufaktur. Selami untuk melihat bagaimana teknologi mendorong batas-batas yang dapat dilakukan mesin.
Konsep kecerdasan buatan pertama kali diperkenalkan pada tahun 1950-an, lebih dari enam puluh tahun yang lalu.
Namun, baru beberapa tahun belakangan ini AI mengalami pertumbuhan yang eksplosif, terutama karena pematangan teknologi seperti Internet of Things (IoT), big data, dan komputasi awan.
IoT memungkinkan akuisisi data dalam jumlah besar secara real-time, sementara big data menyediakan sumber daya data dan dukungan algoritmik untuk pembelajaran mendalam. Komputasi awan menawarkan sumber daya komputasi yang fleksibel untuk AI.
Kombinasi organik dari teknologi-teknologi ini mendorong pengembangan AI yang berkelanjutan, yang menghasilkan kemajuan besar. Pertandingan antara AlphaGo dan Lee Sedol membawa AI ke garis depan, memicu gelombang baru semangat AI.
Peluncuran ChatGPT yang memecahkan rekor pada akhir tahun 2022, bersama dengan popularitas alat gambar AI seperti Stable Diffusion, telah menjadikan tahun 2023 sebagai tahun perdana demokratisasi AI!
Penelitian dan aplikasi kecerdasan buatan semakin berkembang di berbagai bidang. Dengan munculnya gelombang manufaktur cerdas, kecerdasan buatan telah diintegrasikan ke dalam setiap aspek industri manufaktur, termasuk desain, produksi, manajemen, dan layanan.
Teknologi dan produk kecerdasan buatan (AI), melalui pengujian praktis selama bertahun-tahun, kini diterapkan secara luas dan mempercepat integrasi AI di berbagai industri.
Dari perspektif teknis, sudah diterima secara umum di industri ini bahwa kemampuan inti kecerdasan buatan dapat dikategorikan ke dalam tiga tingkatan: kecerdasan komputasi, kecerdasan perseptual, dan kecerdasan kognitif.
Kecerdasan komputasi mengacu pada kapasitas penyimpanan mesin yang superior dan kemampuan komputasi yang sangat cepat. Kecerdasan komputasi dapat melakukan pembelajaran mendalam berdasarkan data yang sangat besar, menggunakan pengalaman historis untuk memandu lingkungan saat ini.
Dengan pengembangan daya komputasi yang terus menerus dan peningkatan metode penyimpanan yang terus-menerus, kecerdasan komputasi dapat dikatakan telah terwujud.
Misalnya, AlphaGo, menggunakan teknologi pembelajaran penguatan, mengalahkan juara dunia Go, dan platform e-commerce menggunakan pembelajaran mendalam berdasarkan kebiasaan pembelian pengguna untuk rekomendasi produk yang dipersonalisasi.
Kecerdasan perseptual mengacu pada kemampuan mesin untuk memiliki indera seperti penglihatan, pendengaran, dan sentuhan. Kecerdasan ini dapat menyusun data yang tidak terstruktur dan berinteraksi dengan pengguna dalam metode komunikasi manusia.
Dengan kemajuan berbagai teknologi, nilai dari data yang lebih tidak terstruktur diakui dan dieksploitasi. Kecerdasan perseptual yang terkait dengan indera seperti suara, gambar, video, dan sentuhan juga berkembang pesat.
Kendaraan otonom dan robot Boston Dynamics yang terkenal menggunakan kecerdasan perseptual; mereka melihat dan memproses lingkungan sekitar melalui berbagai sensor, yang secara efektif memandu operasi mereka.
Dibandingkan dengan kecerdasan komputasi dan perseptual, kecerdasan kognitif lebih kompleks; kecerdasan ini mengacu pada kemampuan mesin untuk memahami, menginduksi, menalar, dan memanfaatkan pengetahuan layaknya manusia.
Saat ini, teknologi kecerdasan kognitif masih dalam tahap penelitian dan eksplorasi.
Misalnya, di sektor keamanan publik, mengekstraksi fitur dan analisis pola perilaku mikro dan makro penjahat, mengembangkan model dan sistem kecerdasan buatan untuk prediksi kejahatan, penetrasi dana, dan simulasi evolusi kejahatan perkotaan.
Dalam industri keuangan, kecerdasan ini digunakan untuk mengidentifikasi transaksi yang mencurigakan dan memprediksi fluktuasi ekonomi makro. Masih ada jalan panjang yang harus ditempuh untuk mempercepat pengembangan kecerdasan kognitif.
Dari perspektif aplikasi, penerapan satu teknologi kecerdasan buatan dapat mencakup berbagai tingkatan kemampuan inti seperti kecerdasan komputasi dan kecerdasan perseptual.
Robot industri, ponsel pintar, mobil tanpa pengemudi, drone, dan produk cerdas lainnya berfungsi sebagai pembawa kecerdasan buatan.
Produk-produk ini, melalui kombinasi perangkat keras dan berbagai jenis perangkat lunak, memiliki kemampuan untuk memahami, membuat penilaian, dan berinteraksi secara real-time dengan pengguna dan lingkungan, sekaligus mengintegrasikan berbagai kemampuan inti kecerdasan buatan.
Misalnya, di bidang manufaktur, berbagai robot cerdas digunakan secara luas: Robot penyortir/pemilih dapat secara mandiri mengenali dan memahami objek yang tidak beraturan.
Robot kolaboratif mampu memahami dan merespons lingkungan sekitarnya. Gerobak pengikut otomatis dapat mengenali wajah untuk memulai pelacakan otonom.
Dengan bantuan teknologi SLAM (Simultaneous Localization and Mapping), robot bergerak otonom dapat memanfaatkan sensor onboard untuk mengidentifikasi penanda fitur di lingkungan yang tidak diketahui, dan kemudian memperkirakan koordinat global robot dan penanda fitur ini berdasarkan lokasi relatif dan pembacaan odometer.
Teknologi mengemudi otonom, dalam hal penentuan posisi, persepsi lingkungan, perencanaan rute, pengambilan keputusan perilaku, dan kontrol, juga mengintegrasikan berbagai teknologi dan algoritme kecerdasan buatan.
Aplikasi kecerdasan buatan saat ini di industri manufaktur terutama mencakup produk interaksi suara cerdas, pengenalan wajah, pengenalan gambar, pencarian gambar, pengenalan sidik suara, pengenalan teks, penerjemahan mesin, pembelajaran mesin, penghitungan data besar, dan visualisasi data.
Teks berikut ini merangkum delapan skenario aplikasi AI yang umum digunakan di bidang manufaktur.
Skenario Satu: Penyortiran Cerdas
Banyak tugas di bidang manufaktur yang memerlukan penyortiran. Jika dilakukan secara manual, prosesnya lambat, mahal, dan bergantung pada pemeliharaan lingkungan suhu kerja yang sesuai. Menerapkan robot industri untuk penyortiran cerdas dapat secara signifikan mengurangi biaya dan meningkatkan kecepatan.
Pertimbangkan contoh penyortiran komponen. Komponen yang perlu disortir sering kali tidak tersusun dengan rapi, dan meskipun robot memiliki kamera untuk melihat komponen tersebut, robot tidak tahu bagaimana cara mengambilnya dengan benar. Dalam situasi ini, teknologi pembelajaran mesin dapat digunakan.
Robot melakukan tindakan penyortiran secara acak, kemudian diinformasikan apakah tindakan tersebut berhasil mengambil suatu bagian atau terlewatkan.
Setelah beberapa kali iterasi pelatihan, robot mempelajari urutan tindakan penyortiran dengan tingkat keberhasilan tertinggi, posisi optimal untuk digenggam agar pengambilan berhasil, dan urutan penyortiran yang menghasilkan tingkat keberhasilan tertinggi.
Setelah beberapa jam belajar, tingkat keberhasilan penyortiran robot dapat mencapai 90%, setara dengan tingkat pekerja terampil.
Skenario Dua: Manajemen Kesehatan Peralatan
Dengan melakukan pemantauan waktu nyata terhadap pengoperasian mesin data, analisis fitur, dan teknik pembelajaran mesin, kami dapat memprediksi kegagalan peralatan sebelum kecelakaan terjadi, sehingga mengurangi waktu henti yang tidak terjadwal.
Di sisi lain, dalam menghadapi kegagalan peralatan yang tiba-tiba, kami dapat dengan cepat mendiagnosis masalah, menentukan penyebabnya, dan memberikan solusi yang sesuai.
Hal ini umumnya diterapkan dalam industri manufaktur, terutama dalam teknik kimia, alat berat, pemrosesan perangkat keras, manufaktur 3C, tenaga angin, dan sektor lainnya.
Ambil Peralatan mesin CNC sebagai contoh. Dengan menggunakan algoritme pembelajaran mesin dan sensor cerdas untuk memantau informasi seperti daya, arus, dan tegangan alat pemotongspindel utama, dan motor umpan selama proses pemesinan, kami dapat mengidentifikasi kondisi tegangan, keausan, dan kerusakan alat, serta status stabilitas pemrosesan alat mesin.
Berdasarkan status ini, kami dapat menyesuaikan parameter pemesinan (kecepatan spindel, kecepatan umpan) dan instruksi pemrosesan dalam waktu nyata, memprediksi kapan harus mengganti alat untuk meningkatkan akurasi pemesinan, mengurangi waktu henti lini produksi, dan meningkatkan keamanan peralatan.
Skenario Tiga: Deteksi Cacat Permukaan Berbasis Penglihatan
Penerapan visi mesin untuk deteksi cacat permukaan sekarang sudah umum di bidang manufaktur.
Machine vision dapat dengan cepat mengidentifikasi cacat permukaan produk yang kecil dan kompleks dalam hitungan milidetik dalam kondisi yang terus berubah, dan mengklasifikasikannya, seperti mendeteksi kontaminan permukaan, kerusakan, dan retakan.
Beberapa perusahaan intelijen industri telah menggabungkan deep learning dengan mikroskop 3D untuk meningkatkan akurasi deteksi cacat hingga tingkat nanometer.
Untuk produk cacat yang terdeteksi, sistem dapat secara otomatis menentukan apakah produk tersebut dapat diperbaiki, merencanakan jalur dan metode perbaikan, lalu mesin melakukan tindakan perbaikan.
Sebagai contoh, pipa PVC adalah salah satu bahan bangunan yang paling umum digunakan dan dikonsumsi dalam jumlah besar.
Ini rentan terhadap goresan permukaan, lubang, riak air, dan permukaan matte selama proses produksi dan pengemasan, sehingga memerlukan banyak tenaga kerja untuk pemeriksaan.
Setelah menerapkan deteksi otomatis visual cacat permukaan, kotoran pada permukaan pipa secara otomatis terdeteksi dengan mengatur ukuran area minimum dan maksimum, dengan presisi deteksi minimum 0,15 mm² dan tingkat deteksi lebih besar dari 99%.
Goresan pada permukaan pipa dideteksi secara otomatis dengan mengatur panjang dan lebar minimum dan maksimum, dengan presisi deteksi minimum 0,06 mm dan tingkat deteksi lebih besar dari 99%.
Kerutan pada permukaan pipa dideteksi secara otomatis dengan mengatur panjang minimum dan maksimum, lebar, panjang segmen, dan ambang batas perbedaan warna, dengan ketepatan deteksi minimum 10mm dan tingkat deteksi yang lebih besar dari 95%.
Skenario Empat: Pemeriksaan Kualitas Produk dan Penentuan Kesalahan Berdasarkan Pengenalan Sidik Suara
Memanfaatkan teknologi pengenalan sidik suara, kami dapat secara otomatis mendeteksi suara yang tidak normal, mengidentifikasi produk yang cacat, dan membandingkannya dengan basis data sidik suara untuk menentukan kesalahan.
Misalnya, sejak akhir tahun 2018, pabrik Faurecia (Wuxi) memulai kolaborasi komprehensif dengan tim Ilmu Pengetahuan Data Besar grup, yang didedikasikan untuk menerapkan teknologi AI pada evaluasi kinerja NVH (Kebisingan, Getaran, dan Kekasaran) pada penyetel jok.
Pada tahun 2019, pabrik Faurecia (Wuxi) menggabungkan teknologi AI ke dalam pendeteksian suara anomali pada penyetel, mewujudkan otomatisasi seluruh proses mulai dari pengumpulan sinyal, penyimpanan data, analisis data hingga pembelajaran mandiri. Efisiensi dan presisi pendeteksian jauh melebihi inspeksi manual tradisional.
Dengan penerapan sistem pendeteksi kebisingan berdasarkan teknologi AI di pabrik Wuxi, jumlah staf telah berkurang dari 38 menjadi 3. Secara bersamaan, kapasitas untuk kontrol kualitas telah meningkat secara signifikan, dengan manfaat ekonomi tahunan mencapai 4,5 juta RMB.
Adegan Lima: Pengambilan Keputusan yang Cerdas
Perusahaan manufaktur dapat menerapkan teknologi kecerdasan buatan seperti pembelajaran mesin bersama dengan analisis data besar untuk mengoptimalkan metode penjadwalan, meningkatkan kemampuan pengambilan keputusan mereka di berbagai bidang seperti kualitas produk, manajemen operasional, manajemen konsumsi energi, dan manajemen alat.
Misalnya, sistem manajemen produksi cerdas dari FAW Jiefang Wuxi Diesel Engine Factory memiliki kemampuan seperti pengumpulan data anomali dan penjadwalan produksi, diagnosis penyebab abnormal berdasarkan pohon keputusan, prediksi waktu henti peralatan berdasarkan analisis regresi, dan optimasi keputusan penjadwalan berdasarkan pembelajaran mesin.
Dengan menggunakan data proses keputusan penjadwalan historis dan indikator kinerja produksi aktual pasca-penjadwalan sebagai kumpulan data pelatihan, dan menggunakan algoritme jaringan saraf, parameter algoritme evaluasi keputusan penjadwalan disetel dengan baik untuk memastikan bahwa keputusan penjadwalan memenuhi persyaratan produksi aktual.
Adegan Enam: Kembaran Digital
Kembaran digital adalah pencerminan entitas fisik di dunia virtual. Penciptaan kembaran digital mengintegrasikan kecerdasan buatan, pembelajaran mesin, dan data sensor untuk membuat model "nyata" yang diperbarui secara real-time yang mendukung pengambilan keputusan di seluruh siklus hidup produk fisik.
Dalam mengejar pemodelan orde tereduksi dari entitas kembar digital, model kompleksitas dan nonlinier dapat ditempatkan dalam jaringan saraf. Dengan memanfaatkan pembelajaran mendalam, tujuan yang terbatas ditetapkan, yang menjadi dasar pemodelan orde tereduksi.
Sebagai contoh, dalam model tradisional, simulasi fluida dan termal dari saluran keluar pipa air panas dan dingin, dengan menggunakan server 16-core, membutuhkan waktu 57 jam per perhitungan. Setelah menerapkan pemodelan orde rendah, setiap perhitungan hanya membutuhkan waktu beberapa menit.
Adegan Tujuh: Desain Generatif
Desain generatif adalah proses yang interaktif dan inovatif. Ketika para insinyur merancang produk, mereka hanya perlu menetapkan parameter yang diinginkan dan batasan kinerja di bawah panduan sistem, seperti bahan, berat, volume, dll.
Menggabungkannya dengan algoritme kecerdasan buatan, ratusan hingga ribuan solusi yang layak dapat dihasilkan secara otomatis sesuai dengan keinginan perancang. Semua ini kemudian dibandingkan secara mandiri dan desain yang optimal dipilih dan direkomendasikan kepada perancang untuk keputusan akhir.
Desain generatif telah menjadi bidang interdisipliner baru, yang terintegrasi secara mendalam dengan teknologi komputer dan kecerdasan buatan, menerapkan algoritme dan teknologi canggih pada proses desain.
Algoritme generatif yang banyak digunakan termasuk sistem parametrik, Shape Grammars (SG), sistem-L, Cellular Automata (CA), algoritme pengoptimalan topologi, sistem evolusioner, dan algoritme genetik.
Adegan Delapan: Peramalan Permintaan dan Optimalisasi Rantai Pasokan
Dengan memanfaatkan kecerdasan buatan, kami membuat model prakiraan permintaan yang tepat, sehingga memungkinkan bisnis membuat prediksi penjualan, mengantisipasi kebutuhan suku cadang, dan membuat keputusan berdasarkan permintaan.
Secara bersamaan, melalui analisis data eksternal dan berdasarkan prediksi permintaan, kami merumuskan strategi pengisian ulang inventaris, evaluasi pemasok, dan pemilihan suku cadang.
Sebagai contoh, dalam upaya pragmatis untuk mengendalikan biaya manajemen produksi, American Honda Motor Company bertujuan untuk memahami kapan permintaan pelanggan di masa depan akan terjadi.
Oleh karena itu, mereka membuat model prediksi dengan menggunakan data penjualan dan perawatan dari 1.200 dealer. Model ini memperkirakan jumlah kendaraan yang kembali ke dealer untuk perawatan selama beberapa tahun ke depan.
Informasi ini kemudian digunakan untuk menetapkan tolok ukur untuk persiapan awal berbagai suku cadang. Transformasi ini memungkinkan American Honda mencapai akurasi perkiraan hingga 99% dan mengurangi waktu keluhan pelanggan hingga tiga kali lipat.
Saat ini, dengan semakin banyaknya bisnis, universitas, dan organisasi sumber terbuka yang memasuki bidang kecerdasan buatan, gelombang besar perangkat lunak dan platform sumber terbuka AI yang sukses mengarah pada ledakan kecerdasan buatan yang belum pernah terjadi sebelumnya.
Namun, dibandingkan dengan sektor-sektor seperti keuangan, penerapan AI di bidang manufaktur, meskipun banyak, tidak terlalu menonjol dan dapat dikatakan bahwa perkembangannya relatif lambat.
Alasan utama untuk masalah ini berasal dari tiga area berikut:
1. Pengumpulan, pemanfaatan, dan pengembangan data selama proses manufaktur menghadirkan tantangan yang signifikan. Selain itu, sebagian besar perusahaan terutama mengandalkan basis data pribadi berskala terbatas, yang mengakibatkan kurangnya sampel pembelajaran mesin yang berkualitas tinggi. Hal ini membatasi proses pembelajaran mandiri mesin.
2. Terdapat berbagai perbedaan di antara sektor manufaktur, yang meningkatkan kompleksitas solusi kecerdasan buatan dan meningkatkan permintaan untuk penyesuaian.
3. Di berbagai industri, ada kekurangan perusahaan terkemuka yang dapat mendorong tren integrasi kecerdasan buatan secara mendalam dengan manufaktur.
Dengan mengatasi tiga masalah kritis ini, teknologi kecerdasan buatan dapat diterapkan dengan lebih baik dalam industri manufaktur.
Sebagai pendiri MachineMFG, saya telah mendedikasikan lebih dari satu dekade karier saya untuk industri pengerjaan logam. Pengalaman saya yang luas telah memungkinkan saya untuk menjadi ahli di bidang fabrikasi lembaran logam, permesinan, teknik mesin, dan peralatan mesin untuk logam. Saya terus berpikir, membaca, dan menulis tentang subjek-subjek ini, terus berusaha untuk tetap menjadi yang terdepan di bidang saya. Biarkan pengetahuan dan keahlian saya menjadi aset bagi bisnis Anda.
ID 
EN 
AR 
DE 
ES 
FR 
IT 
JA 
NL 
PT 
PT_BR 
RU 
KO 
TR