Stel je een wereld voor waarin machines niet alleen onze producten maken, maar ook denken en leren zoals wij. In dit artikel onderzoeken we hoe kunstmatige intelligentie de productie-industrie transformeert. Van intelligente robots die onderdelen sorteren tot voorspellend onderhoud dat stilstand bespaart, AI geeft een nieuwe vorm aan productieprocessen. Lezers ontdekken acht baanbrekende AI-toepassingen die de efficiëntie verhogen, de kwaliteit verbeteren en de kosten in de productie verlagen. Duik in het boek om te zien hoe technologie de grenzen verlegt van wat machines kunnen doen.
Het concept van kunstmatige intelligentie werd voor het eerst geïntroduceerd in de jaren 1950, meer dan zestig jaar geleden.
AI heeft echter pas de laatste jaren een explosieve groei doorgemaakt, voornamelijk door de ontwikkeling van technologieën zoals het Internet of Things (IoT), big data en cloud computing.
Het internet van de dingen maakt het mogelijk om in realtime enorme hoeveelheden gegevens te verzamelen, terwijl big data gegevensbronnen en algoritmische ondersteuning voor deep learning biedt. Cloud computing biedt flexibele computermiddelen voor AI.
De organische combinatie van deze technologieën stimuleert de voortdurende ontwikkeling van AI, wat resulteert in substantiële vooruitgang. De wedstrijd tussen AlphaGo en Lee Sedol bracht AI op de voorgrond en bracht een nieuwe golf van AI-vurigheid op gang.
De recordbrekende lancering van ChatGPT eind 2022, samen met de populariteit van AI-tekentools zoals Stable Diffusion, hebben van 2023 het inaugurele jaar van de AI-democratisering gemaakt!
Het onderzoek naar en de toepassingen van kunstmatige intelligentie nemen op verschillende gebieden een hoge vlucht. Met de komst van de smart manufacturing golf is kunstmatige intelligentie geïntegreerd in elk aspect van de productie-industrie, inclusief ontwerp, productie, management en diensten.
Kunstmatige intelligentie (AI)-technologie en -producten worden nu, na jaren van testen in de praktijk, op grote schaal toegepast en versnellen de integratie van AI in verschillende bedrijfstakken.
Vanuit een technisch perspectief wordt in de industrie algemeen aangenomen dat de kerncapaciteiten van kunstmatige intelligentie kunnen worden onderverdeeld in drie niveaus: computationele intelligentie, perceptuele intelligentie en cognitieve intelligentie.
Computationele intelligentie verwijst naar de superieure opslagcapaciteit en ultrasnelle rekencapaciteiten van een machine. Het kan diep leren op basis van enorme hoeveelheden gegevens, waarbij historische ervaring wordt gebruikt om de huidige omgeving te sturen.
Met de voortdurende ontwikkeling van rekenkracht en de voortdurende verbetering van opslagmethoden, kan worden gezegd dat computationele intelligentie is gerealiseerd.
Zo versloeg AlphaGo met behulp van technologie voor versterkingsleren de wereldkampioen Go en maken e-commerceplatforms gebruik van deep learning op basis van koopgewoonten van gebruikers voor gepersonaliseerde productaanbevelingen.
Perceptuele intelligentie verwijst naar het vermogen van machines om zintuigen zoals zicht, gehoor en tastzin te bezitten. Het kan ongestructureerde gegevens structureren en met gebruikers communiceren via menselijke communicatiemethoden.
Met de vooruitgang van verschillende technologieën wordt de waarde van meer ongestructureerde gegevens erkend en benut. Perceptuele intelligentie met betrekking tot zintuigen zoals spraak, beeld, video en aanrakingspunten ontwikkelt zich ook snel.
Autonome voertuigen en de befaamde robots van Boston Dynamics maken gebruik van perceptuele intelligentie; ze nemen hun omgeving waar en verwerken deze via verschillende sensoren, waardoor ze hun handelingen effectief kunnen sturen.
Vergeleken met computationele en perceptuele intelligentie is cognitieve intelligentie complexer; het verwijst naar het vermogen van de machine om kennis te begrijpen, in te voeren, te redeneren en te gebruiken zoals een mens.
Op dit moment bevindt de technologie voor cognitieve intelligentie zich nog in de onderzoeks- en exploratiefase.
In de openbare veiligheidssector bijvoorbeeld, het extraheren van kenmerken en patroonanalyse van micro- en macrogedrag van criminelen, het ontwikkelen van modellen en systemen met kunstmatige intelligentie voor misdaadvoorspelling, fondspenetratie en simulatie van stedelijke criminaliteitsevolutie.
In de financiële sector wordt het gebruikt om verdachte transacties te identificeren en macro-economische schommelingen te voorspellen. Er is nog een lange weg te gaan om de ontwikkeling van cognitieve intelligentie te versnellen.
Vanuit het oogpunt van toepassing kan de inzet van één kunstmatige intelligentietechnologie meerdere niveaus van kerncapaciteiten omvatten, zoals computationele intelligentie en perceptuele intelligentie.
Industriële robots, smartphones, zelfrijdende auto's, drones en andere intelligente producten dienen als dragers van kunstmatige intelligentie.
Deze producten beschikken door de combinatie van hardware en verschillende soorten software over het vermogen om waar te nemen, te oordelen en in realtime te interageren met gebruikers en de omgeving, terwijl ze verschillende kerncapaciteiten van kunstmatige intelligentie integreren.
In de productie worden bijvoorbeeld allerlei intelligente robots gebruikt: Sorteer-/verzamelrobots kunnen autonoom onregelmatige objecten herkennen en vastpakken.
Collaboratieve robots zijn in staat om hun omgeving te begrijpen en erop te reageren. Geautomatiseerde volgwagens kunnen gezichten herkennen om autonoom volgen te starten.
Met behulp van SLAM-technologie (Simultaneous Localization and Mapping) kunnen autonome mobiele robots sensoren aan boord gebruiken om kenmerkmarkeringen in onbekende omgevingen te identificeren en vervolgens de globale coördinaten van de robot en deze kenmerkmarkeringen schatten op basis van de relatieve locatie en kilometerstanden.
Autonoom rijden technologie, in termen van positionering, omgevingsperceptie, routeplanning, gedrag besluitvorming en controle, integreert ook verschillende kunstmatige intelligentie technologieën en algoritmen.
De huidige toepassingen van kunstmatige intelligentie in de verwerkende industrie omvatten voornamelijk intelligente steminteractieproducten, gezichtsherkenning, beeldherkenning, beeldzoekopdrachten, stemafdrukherkenning, tekstherkenning, automatische vertaling, machine learning, big data computation en datavisualisatie.
De volgende tekst vat acht veelvoorkomende AI-toepassingsscenario's samen die vaak worden gebruikt in de productiesector.
Scenario één: Intelligent sorteren
Veel taken in de productie vereisen sorteren. Als dit handmatig gebeurt, is het proces traag, duur en afhankelijk van het handhaven van een geschikte omgevingstemperatuur. De implementatie van industriële robots voor intelligent sorteren kan de kosten aanzienlijk verlagen en de snelheid verhogen.
Neem het voorbeeld van het sorteren van onderdelen. De onderdelen die gesorteerd moeten worden zijn vaak niet netjes gerangschikt en hoewel de robot een camera heeft om de onderdelen te zien, weet hij niet hoe hij ze succesvol moet oppakken. In deze situatie kan machine learning technologie worden gebruikt.
De robot voert een willekeurige sorteeractie uit en wordt vervolgens geïnformeerd of de actie erin geslaagd is een onderdeel op te pakken of niet.
Na meerdere trainingsiteraties leert de robot de opeenvolging van sorteeracties met het hoogste succespercentage, de optimale grijpposities voor succesvol picken en de sorteervolgorde die het hoogste succespercentage oplevert.
Na enkele uren leren kan het sorteersucces van de robot 90% bereiken, gelijk aan het niveau van een geschoolde arbeider.
Scenario twee: Gezondheidsbeheer van apparatuur
Door real-time monitoring van machinebediening Met behulp van gegevens, functieanalyse en machine-learningtechnieken kunnen we storingen in apparatuur voorspellen voordat er ongelukken gebeuren, waardoor ongeplande stilstandtijd wordt beperkt.
Aan de andere kant kunnen we bij plotselinge uitval van apparatuur snel een diagnose stellen van het probleem, de oorzaak vaststellen en passende oplossingen bieden.
Dit wordt vaak toegepast in de verwerkende industrie, met name in de chemische industrie, zware apparatuur, hardwareverwerking, 3C-productie, windenergie en andere sectoren.
Neem CNC werktuigmachines als voorbeeld. Door algoritmes voor machinaal leren en intelligente sensoren te gebruiken om informatie te controleren, zoals het vermogen, de stroom en het voltage van snijwerktuigenTijdens het bewerkingsproces kunnen we de spanning, slijtage en schade van de gereedschappen identificeren, evenals de stabiliteit van de bewerkingsmachine.
Op basis van deze toestanden kunnen we bewerkingsparameters (spindelsnelheid, voedingssnelheid) en bewerkingsinstructies in realtime aanpassen en voorspellen wanneer het gereedschap moet worden vervangen om de nauwkeurigheid van de bewerking te verbeteren, stilstand van de productielijn te beperken en de veiligheid van de apparatuur te verbeteren.
Scenario drie: Op visie gebaseerde oppervlaktedetectie
De toepassing van machine vision voor het detecteren van oppervlaktedefecten is nu gebruikelijk in de productie.
Machine vision kan in milliseconden en onder constant veranderende omstandigheden snel kleine en complexe defecten aan het productoppervlak identificeren en classificeren, zoals het detecteren van oppervlaktevervuiling, schade en scheuren.
Sommige industriële informatiebedrijven hebben deep learning gecombineerd met 3D-microscopen om de nauwkeurigheid van defectdetectie te verhogen tot op nanometerniveau.
Voor defecte producten die worden gedetecteerd, kan het systeem automatisch bepalen of ze kunnen worden gerepareerd, het reparatiepad en de reparatiemethode plannen en vervolgens voert de machine de reparatie uit.
PVC-buizen zijn bijvoorbeeld een van de meest gebruikte bouwmaterialen en worden in grote hoeveelheden gebruikt.
Het is gevoelig voor oppervlaktekrassen, putjes, waterrimpelingen en matte oppervlakken tijdens het productie- en verpakkingsproces, wat een aanzienlijke hoeveelheid werk vereist voor de inspectie.
Na de implementatie van visuele automatische detectie van oppervlaktedefecten worden onzuiverheden op het buisoppervlak automatisch gedetecteerd door de minimale en maximale oppervlaktegrootte in te stellen, met een minimale detectieprecisie van 0,15 mm² en een detectiesnelheid groter dan 99%.
Krassen op het buisoppervlak worden automatisch gedetecteerd door de minimale en maximale lengte en breedte in te stellen, met een minimale detectieprecisie van 0,06 mm en een detectiesnelheid groter dan 99%.
Rimpels op het buisoppervlak worden automatisch gedetecteerd door de minimale en maximale lengte, breedte, segmentlengte en drempelwaarde voor kleurverschil in te stellen, met een minimale detectieprecisie van 10 mm en een detectiesnelheid groter dan 95%.
Scenario vier: Productkwaliteitsinspectie en foutdetectie op basis van stemherkenning
Met behulp van voiceprintherkenningstechnologie kunnen we automatisch afwijkende geluiden detecteren, defecte producten identificeren en vergelijken met een voiceprintdatabase om fouten vast te stellen.
Zo is de fabriek van Faurecia (Wuxi) sinds eind 2018 een uitgebreide samenwerking aangegaan met het Big Data Science-team van de groep om AI-technologie toe te passen op de evaluatie van de NVH-prestaties (Noise, Vibration, Harshness) van stoelverstellers.
In 2019 heeft de Faurecia (Wuxi) fabriek AI-technologie geïntegreerd in de detectie van afwijkende geluiden van verstellers, waardoor het hele proces van signaalverzameling, gegevensopslag, gegevensanalyse tot zelflering wordt geautomatiseerd. De detectie-efficiëntie en precisie overtreffen de traditionele handmatige inspectie ruimschoots.
Met de implementatie van het geluidsdetectiesysteem op basis van AI-technologie in de fabriek in Wuxi is het aantal personeelsleden gedaald van 38 naar 3. Tegelijkertijd is de capaciteit voor kwaliteitscontrole aanzienlijk verbeterd, met een jaarlijks economisch voordeel van 4,5 miljoen RMB.
Scène vijf: Intelligente besluitvorming
Productiebedrijven kunnen kunstmatige intelligentietechnologieën zoals machine learning toepassen in combinatie met big data-analyse om planningsmethoden te optimaliseren, waardoor hun besluitvormingsmogelijkheden op gebieden zoals productkwaliteit, operationeel beheer, energieverbruikbeheer en gereedschapsbeheer worden verbeterd.
Het intelligente productiebeheersysteem van FAW Jiefang Wuxi Diesel Engine Factory heeft bijvoorbeeld mogelijkheden zoals het verzamelen van gegevens over afwijkingen en productieplanning, diagnose van abnormale oorzaken op basis van beslisbomen, voorspelling van stilstand van apparatuur op basis van regressieanalyse en optimalisatie van planningsbeslissingen op basis van machinaal leren.
Door de historische gegevens van het planningsbeslissingsproces en de indicatoren van de werkelijke productieprestaties na de planning te gebruiken als trainingsdataset en door neurale netwerkalgoritmen te gebruiken, worden de parameters van het evaluatiealgoritme voor planningsbeslissingen verfijnd om ervoor te zorgen dat planningsbeslissingen voldoen aan de werkelijke productievereisten.
Scène zes: Digitale jumelage
Digital twinning is het spiegelen van fysieke entiteiten in de virtuele wereld. De creatie van digitale tweelingen integreert kunstmatige intelligentie, machinaal leren en sensorgegevens om een levendig, real-time bijgewerkt "echt" model te creëren dat de besluitvorming ondersteunt tijdens de hele levenscyclus van fysieke producten.
Bij het streven naar gereduceerde-orde-modellering van digitale tweelingentiteiten kunnen complexiteit en niet-lineaire modellen in neurale netwerken worden geplaatst. Door gebruik te maken van deep learning wordt een eindig doel vastgesteld, waarop het modelleren met gereduceerde orde is gebaseerd.
In het traditionele model bijvoorbeeld, vergt de vloeistof- en thermische simulatie van een uitlaat van een warm- en koudwaterleiding, met behulp van een 16-core server, 57 uur per berekening. Na het implementeren van een model met gereduceerde orde neemt elke berekening slechts een paar minuten in beslag.
Scène zeven: Generatief ontwerp
Generatief ontwerp is een interactief, zelfinnovatief proces. Wanneer ingenieurs producten ontwerpen, hoeven ze alleen de gewenste parameters en prestatiebeperkingen in te stellen onder leiding van het systeem, zoals materiaal, gewicht, volume, enz.
Door dit te koppelen aan algoritmen van kunstmatige intelligentie kunnen automatisch honderden tot duizenden levensvatbare oplossingen worden gegenereerd op basis van de intentie van de ontwerper. Deze worden dan autonoom vergeleken en het optimale ontwerp wordt geselecteerd en aanbevolen aan de ontwerper voor de uiteindelijke beslissing.
Generatief ontwerp is een nieuw interdisciplinair vakgebied geworden dat diep geïntegreerd is met computer- en kunstmatige intelligentietechnologieën, waarbij geavanceerde algoritmen en technologieën worden toegepast op het ontwerpproces.
Veel gebruikte generatieve algoritmen zijn parametrische systemen, Shape Grammars (SG), L-systemen, Cellular Automata (CA), topologie optimalisatie algoritmen, evolutionaire systemen en genetische algoritmen.
Scène Acht: Vraagvoorspelling en optimalisatie van de toeleveringsketen
Door gebruik te maken van kunstmatige intelligentie stellen we nauwkeurige vraagvoorspellingsmodellen op waarmee bedrijven verkoopvoorspellingen kunnen doen, kunnen anticiperen op de behoefte aan reserveonderdelen en vraaggestuurde beslissingen kunnen nemen.
Tegelijkertijd formuleren we op basis van de analyse van externe gegevens en vraagvoorspellingen voorraadaanvulstrategieën, leveranciersevaluaties en onderdelenselecties.
In een pragmatische poging om de kosten van productiebeheer te beheersen, probeerde American Honda Motor Company bijvoorbeeld te begrijpen wanneer de toekomstige vraag van klanten zou optreden.
Daarom hebben ze een voorspellend model gemaakt met verkoop- en onderhoudsgegevens van 1.200 dealers. Dit model schat het aantal auto's dat de komende jaren terugkeert naar dealers voor onderhoud.
De informatie werd vervolgens gebruikt om benchmarks vast te stellen voor de voorbereiding van verschillende onderdelen. Deze transformatie stelde American Honda in staat om een voorspellingsnauwkeurigheid tot 99% te bereiken en de klachttijd voor klanten te verdrievoudigen.
Nu steeds meer bedrijven, universiteiten en open-source organisaties zich op het gebied van kunstmatige intelligentie begeven, leidt een grote toestroom van succesvolle AI open-source software en platforms tot een ongekende hausse in kunstmatige intelligentie.
In vergelijking met sectoren als de financiële wereld zijn de toepassingen van AI in de productiesector echter niet bijzonder prominent en je zou kunnen zeggen dat de ontwikkeling ervan relatief traag verloopt.
De belangrijkste redenen voor deze problemen zijn de volgende drie gebieden:
1. Het verzamelen, gebruiken en ontwikkelen van gegevens tijdens het productieproces vormt een grote uitdaging. Bovendien vertrouwen de meeste bedrijven voornamelijk op privédatabases van beperkte omvang, wat resulteert in een gebrek aan hoogwaardige samples voor machinaal leren. Dit beperkt het zelflerende proces van de machine.
2. Er is een verscheidenheid aan verschillen tussen productiesectoren, wat de complexiteit van kunstmatige intelligentie-oplossingen verhoogt en de vraag naar maatwerk vergroot.
3. Binnen verschillende industrieën is er een gebrek aan toonaangevende ondernemingen die de trend van diepgaande integratie van kunstmatige intelligentie met productie kunnen aanjagen.
Door deze drie kritieke punten aan te pakken, kan kunstmatige intelligentie technologie beter worden toegepast in de productie-industrie.