新しい異常経済の中での製造に関するTIBCO

TIBCOのデジタル化戦略担当ディレクターであるAlessandroChimeraが、メーカーがデータ、AI、自動化を使用してシステムを監視する方法について説明します

データを使用して製造システムを監視および制御する方法が変更されました。 TIBCO のデジタル化戦略担当ディレクターAlessandroChimera 電子オーバーオールを着用し、デジタルグリースガンを充電して、運用パフォーマンス管理を導く異常経済の形を説明し、デジタルツインからAI、自動化から人間による監視まで、あらゆることについて話し合います。

製造業のいくつかの部分は、1900年代の変わり目に存在していたようにまだ存在しています。オーバーオールやティーブレイクと並んで、グリース、ギア、グラインダーがまだ必要です。人間は常にあらゆる製造施設を運営するより広い基本的な物語に参加するため、これらのファンダメンタルズはおそらく自動化された自律的な未来にまで浸透するでしょう。

しかし、もちろん、製造業が変わったことは知っています。第1、第2、そして現在は第3の産業革命を通じて、蒸気を動力源とする加速、機械化、そして今ではIT主導の自動化が、前任者が想像もしなかった方法で製造業務に適用されてきました。

明日の高度に制御された製造施設に入ると、デジタルツインとデータが物理的な機械と人間の労働者に加わり、異常検出にどのように取り組むかを自問する必要があります。重要な測定値を報告するグラフで落ち込みや急上昇を見つけるのはかなり簡単ですが、品質やパフォーマンスの低下が1か月以上、場合によってはそれ以上続く場合はどうすればよいでしょうか。

盲目的な人間の監視

現代の製造施設は現在、大量生産規模で稼働しており、工場フロアのあらゆる場所に一度にいることができる個人（またはグループ）の能力を上回っています。これらの環境では、人間の観察が必要な全体像を提供することを信頼することはできません。今日の最新の施設では、追跡する変数が1つしかないことはめったになく、数百または数千の変数になる可能性が高くなります。

生産の異常がゆっくりと私たちの業務に「忍び寄る」場合、手遅れになるまで気付かれない可能性があり、私たちはそれについて何もできません。新しい働き方について話し合う必要があります。

製造データの干し草の山の中の針

産業用データセットは非常に大きく、非常に複雑であることを私たちは知っています。したがって、異常を検出して予測することは、干し草の山で針を探すよりも困難です。何を探しているのかわからないことがよくあるからです。しかし、異常を検出することは節約を意味し、それは今度はすぐにそしてさらに下流の両方でより高い生産歩留まりにつながります。

多くのメーカーは、膨大なデータセットがあることを知っていますが、多くの場合、これらのデータストアはサイロ化され、複数のシステムに分散しています。このデータの分散と発散により、異常が複数のデータシステムに関連している場合、または異なる物理的な生産フェーズに関連している場合を理解するのが困難になります。実際、運用上または機能上の問題を示した、すでに市場に出ている製品からデータを取得する必要がある場合があります。いずれにせよ、最初のステップはすべてのデータソースを統合することです。

今日、私たちは分析が現代の工場の基本的な部分になりつつある世界で働いています。これらの仮想マシンが提供できる予測的洞察を得るために、正確で迅速かつインテリジェントな分析を適用する必要があるデジタルツインの開発によって強調された傾向。

データが利用可能になり、アクセスできるようになると、高度な分析が行われ、何を探すべきかを分析し始めます。最新のデータサイエンス技術は、製品の品質に影響を与える可能性のある膨大な数のパラメータのためにすぐには理解されない隠れた異常を発見するのに役立ちます。

機械学習とAIスカウトの異常

これが今日に私たちをもたらします。現在、機械学習（ML）と人工知能（AI）が生産プロセスにも取り入れられつつあります。

一部のメーカーは当初、MLを使用して、マーケティングイニシアチブを理解し、顧客をセグメント化し、特定のアクションをトリガーしました。しかし、近年、より進歩的で先進的なメーカーは、異常を検出するためにMLおよびAI技術を使用することの利点を理解し始めています。

一例は、データから学習するためのオートエンコーダーの使用です。オートエンコーダは、MLで使用される人工ニューラルネットワークインテリジェンス技術です。これは、一般に教師なし学習と呼ばれる、ラベルのないデータセットからのコーディングと機能学習に使用されます。

リアルタイムで効率的な製造の未来

訓練された統計モデルをリアルタイムデータに適用することにより、異常がいつ発生するかを予測することができます。これにより、効率的な運用の新しいポイントにたどり着きます。これらすべてが、異常への対応から、大幅な運用コストの削減を実現するという利点を備えた異常の予測に移行できるようになりました。欠陥率とスクラップ率の削減、および計画外の機器のダウンタイムの防止の直接的な結果として、コストを削減します。

ヘムロックセミコンダクター（HSC）は、プロセス制御、予知保全、異常検出ソリューションを利用して、半導体製造を合理化および制御する大手メーカーの1つです。

個々の製造プロセスにほぼリアルタイムのアラートを導入することで、従業員は主要なパラメーターを、機械学習やAI手法で明らかになった事前定義のしきい値、統計ルール、最適なパターンと自動的に比較できるようになりました。 HSCは、プロセスが許容可能なパラメータバンドの範囲外になるとすぐに、自動的に生成されたアラートを受信し、製造担当者に注意が必要であることを通知します。その後、担当者はデータに簡単にアクセスして、問題の原因となった可能性のある変数を正確に確認できます。これらの因果関係が特定されると、チームはプロセスの欠陥が再発しないように行動を起こします。

この進歩のすべては、最終的に私たちを私たちの明日と私たちの惑星の未来に導きます。データ分析とMLの適用に合わせてデジタルツインの使用が拡大するにつれて、すべてのメーカーは、ますます正確な異常検出に焦点を合わせたデータ駆動型の工場になります。この時点で、メーカーは私たち全員のために最適化されたエネルギー消費でより鋭敏に取り組むことができます。

プラントの生産性は常に最優先事項であり、将来は間違いなくデータ主導であるため、これは論理的に取らなければならない道です。その結果、パフォーマンスが向上するだけでなく、動作が向上し、長持ちする製品を市場に投入できるようになります。一定期間後に品質が「期限切れ」になるように調整されている安価な使い捨て商品市場にどのような影響があるかは、別の日の別の質問です。

商品と関連サービスの製造方法は、異常検出と、データ分析とインテリジェンスから得られる対応するエンジン出力によって改善できるようになりました。それが私たちのオーバーオールを脱いでお茶の休憩のために座る言い訳でなければ、何もありません。