Искусственный интеллект в производственной сфере

2020: Siemens: Решения на базе ИИ будут принимать ключевые решения и помогут сделать производство безопасным

Кроме того, в исследовании уделяется внимание типам контекстуальных данных, которые, по мнению лидеров, можно на момент проведения опроса считать наиболее полезными. Больше всего голосов (71%) в вопросе о важнейших и незначительных преимуществах участники отдали в пользу данных от производителей оборудования. За ними идут внутренние данные других подразделений, регионов или департаментов (70%), данные поставщиков (70%) и показатели производительности проданной продукции при использовании заказчиками (68%).

Другой сценарий применения — выявление неисправностей на ранних стадиях, снижение простоев, оптимизация плановых ремонтов. Система, оснащенная ИИ, можно обнаружить и устранить критичные неисправности существенно раньше, когда они еще не способны принести производству серьезный урон — например, выйти из строя. Часто это приводит к простоям, отнимает у производства деньги и время ответственных сотрудников.

Исследование показало, что уровень доверия к ИИ уже на 2020 год очень высок: 56% респондентов предпочитают внедрить идеальную модель ИИ вместо поиска опытного сотрудника (44%). Это означает, что остальные 44%, вероятно, больше доверяют решениям, принимаемым людьми, даже если факты свидетельствуют в пользу ИИ.

Таким образом можно решать две задачи: первая — минимизация брака, если сотрудники не добавили нужное количество ферросплавов, и партия вышла с браком; вторая — минимизация затрат, если они добавили ферросплавы «с запасом», и получили перерасход дорогих присадок.

Этот сценарий также основан на возможности строить прогнозные модели, учитывающие множество факторов. Это может быть полезно при планировании выпуска готовой продукции, планировании закупок, продаж и логистики. Благодаря такому сценарию использования появляется возможность более гибко планировать, повышать рентабельность, оптимизировать производство в целом.

В разработанной базе наборы данных будут разбиты на две группы: дефекты с низкой и высокой плотностями. В массиве информации представлены, в основном, дефекты замещения, вакансии и их сочетания. Обнародованная библиотека включает приблизительно 3000 посчитанных материалов и 7000 дефектов с высокой плотностью. В дальнейшем планируется разработать модели машинного обучения для более точного и эффективного прогнозирования свойств материалов. [2] Как с помощью EvaProject и EvaWiki построить прозрачную бесшовную среду для успешной работы крупного холдинга

Выявление неисправностей и аномалий

Например, для технологического процесса важно, чтобы параметры, отвечающие за процесс, находились в требуемых диапазонах. На крупном производстве отклонения от технологии способны привести к нежелательным последствиям — заводскому браку, отзыву партии продукции и остановке производственных процессов. Контроль и выявление аномалий с помощью искусственного интеллекта позволяет выпускаемым продуктам сохранять свои идеальные характеристики.

Один из кейсов использования этого сценария — внедрение прогнозной системы с ИИ на мельнице, перерабатывающей руду. Часто бывает, что подаваемая руда меняется, это меняет режим работы мельницы и может привести к ее перегрузке. В то же время перегрузки могут быть началом аварийной ситуации, которая способна привести к остановке всего производства на часы или даже дни, а это существенные финансовые потери. Человек, при наличии опыта и экспертизы, способен обнаруживать такие ситуации, но часто это происходит слишком поздно или постфактум.

По итогам 2023 года приблизительно 80,9% использовавшихся в российском производстве ИИ-решений были созданы в РФ или значительно модифицированы отечественными разработчиками. Для сравнения, в 2020-м показатель незначительно превышал 73%. Такие данные приводятся в обзоре Института статистических исследований и экономики знаний НИУ ВШЭ, опубликованном 1 июля 2024-го.

В перечисленных отраслях многие сценарии использования предполагают возможность применения ИИ для того, чтобы избежать несчастных случаев и сделать рабочие места безопаснее. В этой связи стоит отметить, что, по мнению 44% респондентов, в течение следующих пяти лет системы на базе ИИ будут автономно контролировать машинное оборудование, эксплуатация которого несет потенциальные риски травм или гибели персонала. Еще больше респондентов – 54% – считают, что в те же сроки ИИ будет автономно контролировать отдельные активы большой ценности их компаний. Но для того, чтобы передать промышленному ИИ такую ответственность, он, как полагают участники опроса, должен выйти на следующий уровень. В большинстве случаев этому будут способствовать новые подходы к управлению, сбору, отображению и обмену данными.

К примеру, в металлургии производитель хочет достигнуть определенных физико-химических свойств готового продукта — получить марку стали определенного качества. Тогда на этапе добавки ферросплавов система рекомендует количество присадок исходя из задания и текущих кондиций металла.

Свыше половины лидеров в сфере промышленности считают, что в течение следующих пяти лет мир передаст решениям на основе искусственного интеллекта управление активами большой ценности – в частности, заводами, оборудованием и станками. Такая тенденция глобального масштаба была выявлена в совместном исследовании «Сименс» и Longitude Research. В опросе, посвященном вопросам развития и внедрения ИИ, приняли участие более 500 топ-менеджеров из энергетического, производственного, инфраструктурного, транспортного секторов, а также из сектора тяжелой промышленности, сообщили 26 октября 2020 года в «Сименс».

В обзоре также сказано, что в России практика использования ППТ ИИ как самостоятельной технологии при производстве продукции ограничена: в 2023 году только 634 организации применяли такие решения в своей деятельности. Из них 372 предприятия (почти 60%) работают в области информации и связи. Число используемых ППТ ИИ с 2020-го увеличилось в 1,8 раза (с 582 до 1030), но их удельный вес в общем числе применяемых в производстве ППТ не превышает 0,5%. А более 60% используемых ИИ-решений были внедрены организациями в течение 2021–2023 гг. [1]

Такой сценарий Softline Digital внедрили на крупном молочном производстве. Искусственный интеллект строит прогнозы содержания жира и белка в молоке для каждого поставщика на недели и месяцы вперед, а от этого, в свою очередь, зависит план-график выпуска продукции на конкретном заводе. Если для производства нужны конкретные показатели молока, туда отправляют сырье поставщика, который может это обеспечить. Кроме того, модели позволяют прогнозировать стоимость сырого молока на полтора года вперед, что учитывается при бюджетировании. Подробнее об опыте внедрения на молочном производстве рассказывали здесь.