Коммутационная модель для умного производства

Путем обеспечения максимальной гибкости контроля ошибок, отдел НИОКР Nanotronics использует искусственный интеллект для оптимальной интеграции.

Эндрю Сундстрем, старший инженер по НИОКР, Нанотроника

В связи с ограниченностью возможностей человека , а также статического управления процессом, производственные ошибки часто остаются незамеченными или не сообщаются руководству. Чтобы сделать заводы более эффективными, устойчивыми и безопасными, необходимо начать с пересмотра того, как выявляются и исправляются ошибки в сборочной линии с использованием более динамичного подхода. Управление процессами искусственного интеллекта (AIPC) способно находить решения по устранению дефектов  процессе производствапрактически в реальном времени.

В обычных процессах сборки мы полагаемся на оператора для обнаружения производственных ошибок и определения способов их устранения. Даже высококвалифицированным и опытным операторам часто не хватает времени и скорости отклика, необходимых для того, чтобы сделать правильные и часто тонкие изменения достаточно быстрыми, чтобы внести необходимые корректировки в систему.

Операторы также могут не заметить дефект в детали на ранней стадии производственного цикла и продолжить последующую обработку. Если дефект не устраняется до финальной проверки, мы получаем брак готовой продукции и ненадлежащий расход производственных материалов, времени и рабочей силы — потенциальная потеря производства достигает миллионов долларов.

Отходы производства — это не только время и материал сборки неисправной детали, но и отсутствие общесистемной обратной связи о причине и возможных решениях одного дефекта. Многие ошибки не являются результатом однократного случайного возникновения, а скорее являются результатом не выявленного действия, которое происходит из-за человеческих факторов, таких как усталость человека или изменения окружающей среды.

Типичный подход, заключающийся в замене склонных к ошибкам низкоэффективных операторов на сотрудников с более высокой производительностью, является неустойчивым и не решает более сложную, непризнанную проблему. То же самое можно сказать и об изменениях в окружающей среде, вызванных нетипичными условиями окружающей среды, например изменениями климата, которые выходят за рамки контрольных спецификаций, но начинают становиться все более частыми. При отсутствии решения одного дефекта мы можем пропустить решение по шаблону.

Чтобы учесть эти ограничения и проиллюстрировать основные принципы и проблемы, мы с командой разработали систему и модель глубокого обучения для обнаружения и контроля  внутренних ошибок производственного процесса и действий обратной связи для исправления ошибок. Вместе мы называем этот подход контролем процессов искусственного интеллекта (AIPC).

Наша первая заявка на AIPC — складывание бумажного самолета — может показаться простой в описании. Тем не менее, мы обнаружили, что задача складывания бумажного самолета содержит прямые параллели со сложными ручными сборочными линиями, состоящими из большего количества узлов.

AIPC — это динамический интервенционный подход к управлению процессом, при котором каждый узел, следующий за узлом, вызывающим обнаруженную ошибку, вплетается в задачу оптимизации — проблему восстановления ошибки — и активно управляется для создания экземпляра решения для нее. С помощью модели складывания самолета мы вставили различные ошибки на ранней стадии процесса и дали вычислительную модель, в которой используется целевая Gated Recrective Unit (GRU), изучающая задачу для эффективного поиска огромного пространства возможных путей восстановления через оставшиеся шаги в процессе сборки и поиска оптимального.

Мы решили использовать модель GRU вместо модели Deep Enforming Learning из-за ее очевидной прогностической способности для структурного восстановления и производительности и относительно короткого времени обучения. Разрабатывая и тестируя модель ГРУ на упрощенной задаче, мы использовали моделирование, которое мы разработали для этой задачи, которое не обязательно было бы доступно для более сложной задачи, но модель может быть применена к сложным системам посредством трансферного обучения, с более мелкой кривой обучения, чем если бы она была разработана изначально.

Наши результаты показали, что обученная прогностическая модель ГРУ может давать целевые корректирующие реакции на широкий спектр ошибок, вносимых или обнаруженных на ранней стадии формирования сложного производимого объекта. Эти корректирующие ответы значительно превосходили те, которые давались разумной корректирующей стратегией применения значений последующих за ошибкой параметров непосредственно из канонической спецификации объекта.

Более того, эти результаты обнадеживают с точки зрения Deep Learning, поскольку они демонстрируют, что модель GRU может хорошо работать над проблемой, когда генерируемая последовательность выбирается из обширного комбинаторного пространства, возникающего из процесса производства, обусловленного последовательностью, который не имеет аналитического решения. Это подчеркивает практическое применение Deep Learning для производства и подтверждает подход AIPC, который находит решения почти в реальном времени, в то время как каждый цикл продолжается, а не в конце данного цикла.

Nanotronics R & D работает с несколькими промышленными сотрудниками над развертыванием прототипов решений AIPC в различных заводских масштабах и типах. Одной из многообещающих областей применения AIPC, возникающих в результате наших исследований и разработок, является обеспечение промышленного производства от сложных кибератак — тема нашей следующей колонки.

Эндрю Сундстрем получил степень бакалавра в области компьютерных наук в Корнеллском университете, а также степень доктора наук в области компьютерных наук и доктора наук в области вычислительной биологии в Институте математических наук Куранта в Нью-Йорке. Он был старшим научным сотрудником в Институте Куранта, научным сотрудником в Медицинской школе Икан на горе Синай и доцентом кафедры генетики и геномики на горе Синай. Эндрю присоединился к Nanotronics в 2018 году в качестве старшего инженера по исследованиям и разработкам, исследуя, как использовать машинное обучение и другие методы из искусственного интеллекта, чтобы сделать фабрики и промышленные процессы более умными, устойчивыми, более производительными и более безопасными. Эндрю имеет 28-летний профессиональный опыт, 18 из которых находятся вне научных кругов, где он сделал вклад в качестве инженера-программиста и исследователя в Prime Factors, Nortel Networks, IBM T.J. Watson Research Center и Morgan Stanley. Эндрю имеет 9 рецензируемых публикаций (5 как первый автор) и 2 выданных патента. Его полная биография доступна по адресу aesundstrom.com.

1

Автор публикации

не в сети 7 дней

Integration24.ru

22
Комментарии: 1Публикации: 163Регистрация: 28-06-2017
Автор: Integration24.ru
Темы

Добавить комментарий

Ваш e-mail не будет опубликован. Обязательные поля помечены *

Авторизация
*
*
Регистрация
*
*
*
Пароль не введен
*
Укажите согласие на обработку персональных данных.
captcha
Генерация пароля

Login

Register | Lost your password?
X