Álláshirdetések
Events / Courses
Legfrissebb híreink
Duális egyetemi mentor programot indít a szombathelyi Schaeffler
2024.05.02 12:22Alapfelszereltség lesz a vészfék az új járművekben?
2024.05.02 10:16A Lean módszer elsajátításában segít az MTM
2024.05.02 09:25Kell-e félnünk az intelligens autópályáktól?
2024.05.02 08:18Autopro Blog
Autopro a Facebookon
Galériáink
Így reformálja meg a gyártást a gépi tanulás
A karbantartás, a minőségellenőrzés, vagy éppen az ellátási láncok optimalizálása ma ugyanannyira fontos kérdés a termeléssel foglalkozó vállalatok számára, mint akár száz vagy több éve. A mai globalizált piacon ráadásul ezek sokkal komplexebb feladatok, amiknek ellátása nem kis kihívást jelent a gyártók számára.
A gépi tanulás (machine learning) technológiájának hála a karbantartással, a minőségellenőrzéssel és az ellátási láncokkal felmerülő feladatok ellátása még ebben a kihívásokkal teli, globális környezetben is elvégezhető.
Swami Sivasubramanian, az AWS mesterséges intelligenciával és gépi tanulással foglalkozó területének alelnöke az Industry Week című szaklapban foglalt össze négy olyan területet, amiben a gépi tanulás komoly előrelépést hozott.
Megelőző karbantartás
Korábban a karbantartási munkálatok akár megelőző, akár utólagos jellegűek voltak, mindig költséges, és szinte sohasem hatékony eljárásnak számítottak. A legjobb megoldás viszont az, ha előre látjuk, mikor lesz szükség beavatkozásra, ezt pedig el tudjuk végezni olyankor, amikor egyébként is állnak a gépek.
A gépi tanulás alkalmazásai a különböző szenzoroknak hála lehetővé teszik ezt a módszert a gyártók számára. Sokszor már egy minimális rezgésváltozásból, vagy a hőmérséklet apró eltéréséből kiderül, hogy baj lesz, ezt pedig szenzorokkal szűrhetjük ki.
A hibák kiszűrése minél előbb
A gépi tanulás abban is segít, hogy a lehető leghamarabb észleljük a hibákat a gyártósorokon, így minimalizálhatjuk a selejtek számát. A számítógépes ellenőrzés során a hibákat gyorsan és hatékonyan észlelhetjük, ezzel még az előtt javítható a hiba – vagy legalább megállítható a gyártósor -, mielőtt selejt keletkezne. Korábban, csak a kész termékek ellenőrzésével ez nem volt lehetséges.
Működési hatékonyság
A szerző ide sorolja azokat a megoldásokat is, amik a működés hatékonyságát növelik azzal, hogy megmutatják az üzemeltetőnek az egyes gyártósorok, munkafolyamatok hibáit, leállásait. Az adatbázisok elemzésével rengeteg olyan pontot találhatunk, amik kijavításával hatékonyabbá válik a működés.
Előrejelzés az ellátási láncok optimalizálásáért
A mai ellátási láncok rendkívül összetett, komplex, globális rendszerek, amikben egy-egy láncszem kiesése vagy hibája is súlyos következményekkel járhat – erre jól rámutatott az elmúlt egy év és a koronavírus-járvány is.
A gépi tanulás itt különböző modellfuttatásokra használható, amik alapján meg lehet jósolni, mi fog történni a beszerzésekkel. Akár a chiphiány okozta károk enyhítésében is sokat segíthet egy ilyen alkalmazás, hiszen hamarabb alkalmazkodhat a termelés a kevesebb beérkező alapanyag mennyiségéhez, azelőtt, hogy az igazán nagy baj beütne.