人工知能が製造業を改善する3つの方法

製造業者は、AI を、適切に機能するために会社全体にわたるエンドツーエンドのシステムを必要とする、非常に複雑で高価なソフトウェアと見なすことがよくあります。現実には、AI ははるかに焦点が絞られており、実現可能です。最小限の構造で工場現場で動作し、産業用モノのインターネット (IIoT) を通じて機械に接続できます。この記事では、製造インテリジェンスを実際の環境でどのように使用できるかについて、重要な推奨事項と 3 つのシナリオを紹介します。

[[319659]]

最近のManufacturing Insightsによる人工知能（AI）に関する調査では、自動車および製造業の回答者の44%が、今後5年間でAIが製造機能にとって「非常に重要」であると評価し、ほぼ半数（49%）がAIは「成功に絶対不可欠」であると考えていました。

しかし、多くの場合、AI は製造業者にとって理解しにくいものです。テクノロジー業界でこのツールが広く使用されているため、ビジネス成果を向上させるためのいくつかの包括的なリソース以外に、AI をどのようにインスタンス化できるかを実際に理解している人はほとんどいません。

製造業者は、AI は複雑で高価であり、会社全体のエンドツーエンドのシステムを適切に機能させる必要があり、IT/OT 運用全体の更新にコストがかかると実際に考えている可能性があります。実際のところ、AI はより焦点が絞られており、実装も簡単です。 AI は工場内の最小限の構造で動作し、産業用 IoT (IIoT) を通じて機械と接続できます。

AI の実装に関して、OEM が最初に理解する必要があるのは、重点を置くべきユースケースの種類です。モノのインターネットの一環として、製造現場のほとんどのエッジマシンは、ワイヤレスセンサー経由でデータを送信できるように改造されています。このデータはその後、処理のためにソフトウェア スイートに送られます。データ入力プロセスは、拡大し続けるデータ ネットワークを作成するための継続的なプロセスになります。このデータはすべてクラウドに保存して洞察を得ることができ、AI 駆動型モデルが可能になります。

ここでは、AI の機能に関するメーカーの懸念を和らげるのに役立つ 3 つのユースケースを紹介します。

1. マシンの稼働時間

消費財パッケージ生産ラインは 24 時間 365 日稼働しており、さまざまな消費財をパッケージするためのさまざまなサイズのカートンを何百万個も生産しています。不具合や品質の問題が発生することなく生産を継続することが重要です。スピードと品質が最も重要です。手動による監視はエラーが発生しやすく、コストがかかり、非効率的です。

IIoT システムを通じて収集されたデータは、カスタマイズされた視覚化とアラートを通じて、生産ラインのスループットと機器の故障に関する 24 時間 365 日のリアルタイムの洞察を提供できます。 AI は、最終的に、収集した膨大な量のデータの意味を理解するのに役立ちます。このデータはエッジ ゲートウェイで処理され、異常を迅速に識別して即座にアラートを送信します。より大きなデータはクラウドベースの IoT プラットフォームに集約され、定義された動作モデルやルールベースのモデルとともに、さらなる予測分析が行われます。 このシステムは、カスタマイズされたダッシュボードを提供し、機械のアイドル時間、故障理由コード、全体的な OEE データに関するレポートを提供します。これにより、管理者は運用スケジュールをより適切に計画し、機械のアイドル時間を回避し、予測メンテナンスを実行できるようになります。

2. コスト最適化

米国のセンサーメーカー SpectraSymbol は、エネルギー市場向けに業界最高クラスのリニアセンサーとポテンショメータを製造しています。プロセスとして、遠隔地の油井では、油と水がタンクに送り込まれる際に、そのレベルを測定する必要があります。この石油掘削作業に関して、同社は IIoT データを活用して限界油井の寿命をより経済的に延ばし、コストを継続的に最適化する必要に迫られています。最大の問題は、これらの油井がデータ センサーへの統合投資を正当化するのに十分な量の石油を生産していないため、コスト モデルを削減する必要があることです。井戸は遠隔地に位置しているため、コストと時間の課題がさらに増しています。これらの井戸用のセンサーの設置も非常に高価で、コストが 60% 増加しました。小規模な事業や遠隔地にある放棄された井戸の場合、迅速な ROI が IoT 実装の鍵となります。

SpectaSymbol の複数の油井のすべての機械データを保存および処理するための IIoT ソフトウェア プラットフォームが構築されました。関連データがクラウドに保存される「データ レイク」を作成します。 AI 駆動型機械学習を通じて分析されたデータは、AI 分析を通じて井戸のパフォーマンスを評価し、状態監視を実行するために特別に設計された、ビジネス向けのカスタム アプリケーションの原動力となっています。その結果、すべての関係者が特定のレポートを利用できるようになり、限界井戸の稼働時間とパフォーマンスが最適化されます。

3. 予測の質を向上させる

化学会社である SRF は、IoT ベースのデジタル変革を通じて生産性と製造業務を改善したいと考えていました。これを実現するために、SRF は包装フィルムとテクニカル テキスタイルの生産における主要なプロセスを連携させる必要がありました。 目標は、製造プロセスに重要なパラメータを分析して品質を向上させ、燃料消費を改善し、電力消費を削減し、ラインの中断を減らすことです。状態監視を使用してダウンタイムを予測することで、SRF のプラントの生産性を向上させることができます。製造プロセスからの入力で作成された「データ レイク」は、SRF の ERP と統合され、製造バリュー チェーン全体のループが閉じられます。

柔軟な多変量統計分析をサポートするために機械学習技術が活用されており、人工知能がこのプロジェクトの中核となっています。具体的には、リアルタイムの機械データをフィードバック ループとして使用し、機械の最適な設定をより正確に定義して、製品の品質と機械の信頼性を確保します。その結果、SRF は機械の健全性にとって重要なパラメータを監視および分析し、障害が発生する前に予測することで機械のダウンタイムを最適化できるようになります。

達成可能な実験や試行から始める

AI が製造インテリジェンスをどのように改善できるかを正確に考える場合、ここで示す 3 つのユースケースに示すように、達成可能な方向から始めることが重要です。マシンの稼働時間の向上、コストの最小化、運用効率の向上など、どのような目的であっても、クラウドでホストされるデータに対する機械学習は重要な役割を果たすことができます。