Paano ito magagamit ang gintong fingerprint upang magamit ang iot

Para sa mga kagawaran ng IT na aktibong naghahangad na magamit ang teknolohiya ng Internet of Things (IoT) upang makagawa ng isang positibong epekto sa proseso ng pagmamanupaktura, mayroong isang mahalagang term na kailangan nilang malaman, at hindi lamang dahil ito ay tulad ng isang bagay na maaaring hinabol ni Indiana Jones: Ang Ginto Fingerprint. Nakipag-usap ako kay Bart Schouw, Bise Presidente ng Teknolohiya at Digital Alliances sa Software AG, sa palabas sa kalakalan ng CEBIT na nagaganap ngayong linggo sa Hannover, Alemanya tungkol sa eksakto kung bakit ang fingerprint na ito ay hued na ginto at kung ano ang ibig sabihin nito para sa IT.

"Ang gintong daliri ay isang talinghaga, " paliwanag ni Schouw, at sinabi na ito ay tulad ng isang pangunahing piraso ng katibayan sa isang nobelang tiktik. Ngunit sa negosyo, maaari itong mailapat sa isang proseso ng pagmamanupaktura upang matukoy kung kailan natutugunan ang mga kundisyon upang makabuo ng tinatawag na Schouw na isang perpektong produkto.

Ang paghahanap ng gintong daliri ay isang proseso ng pag-iingat, isang plano ng plano na nangyayari kapag ang data ay naitala sa panahon ng paggawa at nai-save upang ang isang serye ng mga tumatakbo sa pagmamanupaktura ay maaaring ihambing sa paglipas ng panahon. Kasabay nito, ang output ng pabrika ay nasuri upang ang tagumpay ng bawat manufacturing run ay naitala, kasama ang data na naitala habang ang paggawa ay naganap. Tapos nang tama, kung ano ang mga resulta ay isang uri ng fingerprint na binubuo ng kabuuan ng mga input mula sa mga kagamitan sa pagmamanupaktura - sensor na naitala ang estado ng produkto sa panahon ng pagmamanupaktura - at isang labis na tagumpay na sukatan para sa kinalabasan ng proseso.

Ang proseso ng fingerprinting ay orihinal na binuo para sa industriya ng kemikal, ngunit sinabi ni Schouw na karaniwang naaangkop ito sa karamihan sa mga uri ng pagmamanupaktura. Halimbawa, ang isang tagagawa ng sasakyan, ay magkakaroon ng mga talaan kung saan nagmula ang bawat sangkap, temperatura sa panahon ng pagpipinta, pagbabasa ng metalikang kuwintas para sa bawat tornilyo o bolt, at mga pagbabasa mula sa mga welders ng robot habang itinayo nila ang tsasis. Pagkatapos, kapag ang kotse ay ginawa, ang kalidad ng produksyon ay sinusubaybayan kapag ang kotse ay naka-serbisyo o kapag ang mga depekto ay naayos.

Pag-aaral ng Machine sa Paggawa ng Auto

Ilapat natin ang senaryo sa isang pabrika ng hypothetical na sasakyan. Habang ang bawat kotse ay ginawa, ang mga pagbabasa ay sinusubaybayan sa proseso ng pagtatapos ng end-to-end at kumpara sa mga nakaraang tumatakbo sa produksyon. Sabihin nating nangyayari ang isang problema, tulad ng isang bolt na masikip sa maling setting ng metalikang kuwintas, halimbawa. Ang problemang iyon ay naitala at ngayon maaari itong maitama bago ibenta ang kotse. Kalaunan, ang makinarya ng produksiyon ay maaaring mai-calibrate upang hindi mangyari ang mga pagkakamaling iyon at ang mga sasakyan ay naipadala nang walang makabuluhang mga depekto.

"Minsan, lalo na sa industriya ng proseso, hindi malinaw kung aling mga kondisyon ang talagang humahantong sa perpektong produkto, " sabi ni Schouw. "Kaya sa pag-aaral ng makina at mga bagong tool ng visualization data, maaari mong aktwal na kunin ang data ng isang run run na humantong sa perpektong batch ng produkto. Pagkatapos ay maaari mong tanungin ang mga tool sa pag-aaral ng makina upang bumalik at makahanap ng mga katulad na pattern sa data."

Tulad ng inaasahan mo, ang anumang uri ng kumplikadong pagmamanupaktura ay mangangailangan ng libu-libong mga indibidwal na puntos ng data para sa bawat tumatakbo sa pagmamanupaktura na magkaroon ng sapat na data para sa isang makabuluhang fingerprint. Ito naman, ay nangangailangan ng mga sensor na sumusukat sa estado ng produkto sa anumang oras, pati na rin ang estado ng mga tool sa pagmamanupaktura at makinarya habang ginagamit ito. Iyon ay kung saan ang IoT teknolohiya at ang departamento ng IT ay lumiwanag.

Habang nakumpleto ang bawat tumakbo sa pagmamanupaktura, ang data mula sa pagtakbo ay maaaring maisalarawan bilang isang pattern ng mga kaganapan na humahantong sa produkto. Nangangailangan ito ng mga naka-network na sensor at tool at paraan ng pagtatala ng mga kaganapang iyon. Nangangailangan din ito ng dalubhasang software upang patakbuhin ang mga pagsusuri. Sinabi ni Schouw na ang bahaging ito ay nagiging isang mahalagang kaso ng paggamit para sa artipisyal na intelektwal (AI) at pag-aaral ng makina.

Data ng Produksyon sa Pagsubaybay sa Real Time

Ito ang punto kung saan magkasama ang IT at pagmamanupaktura. Ang departamento ng IT ay kailangang pagsamahin ang malawak na dami ng data mula sa bawat tumakbo sa pagmamanupaktura at pagkatapos ay gamitin ito upang ihambing ang bawat pagtakbo laban sa ginintuang daliri ng perpektong tumakbo. Tulad ng pagtakbo ay nasuri sa totoong oras, inihambing din ito sa mga nakaraang pagtakbo upang posible na matukoy nang mabuti nang maaga kapag ang isang pagtakbo ay malamang na hindi matagumpay.

Sa proseso ng pagmamanupaktura, posible na gumawa ng mga pagsasaayos sa mga parameter ng pagmamanupaktura kahit na nangyayari ang mga ito upang mapalapit ang gintong daliri. Ang kakayahang mailarawan ang isang pagtakbo sa panahon ng paggawa at matukoy nang maaga kung ang isang pagtakbo ay hindi matagumpay ay maaaring makagawa ng makabuluhang mga pagtitipid-sa pamamagitan ng hindi pag-aaksaya ng karagdagang materyal sa isang pagtakbo na hindi magiging matagumpay at hindi mag-aaksaya ng karagdagang oras.

Itinuro ni Schouw kay Trendminer bilang isang halimbawa ng isang kumpanya na gumagawa ng AI-powered software na makahanap ng gintong fingerprint at subaybayan din ang proseso ng paggawa sa real time. Ibinahagi din niya na ang Software AG ay gumawa ng mga plano upang makakuha ng Trendminer.

Mas Ginagawa ang Paggawa ng Mas Mahusay

Gayunpaman, ang mga pagtitipid ng gastos at mas mataas na kalidad na mga aspeto ay hindi lahat doon sa IoT at pagmamanupaktura. Ipinaliwanag ni Schouw na ang isa pang aspeto ng paggamit ng pag-aaral ng makina sa pagmamanupaktura ay kasangkot sa pagsubaybay sa F-curve (ang "F" ay nakatayo para sa mga pagkabigo, na sinusubaybayan para sa isang pabrika sa paglipas ng panahon). Kapag sinusubaybayan mo ang F-curve, mabisa mong fingerprint ang pabrika sa halip na ang produkto, nagsisimula kapag ang pabrika ay unang itinayo, at pagkatapos ay inatasan ito, at pagkatapos ay matapos itong matapos dahil ang porsyento ng mga pagkabigo ay umabot sa hindi katanggap-tanggap na mga antas ng ang edad ng mga pasilidad sa paggawa.

Sa pamamagitan ng pagsubaybay sa mga kundisyon na nag-aambag sa mga pagkabigo sa produksyon sa paglipas ng panahon, posible na mabawasan ang mga ito sa mga katanggap-tanggap na antas hanggang sa maabot mo ang punto ng pagbawas ng mga pagbalik: Kapag napakamahal upang panatilihing maayos ang pag-aayos ng mga bagay at, sa halip, mas makatuwiran na muling itayo ang pabrika.

Ang mahalaga ay, sa pamamagitan ng pagkuha ng IT nang direkta sa proseso ng pagmamanupaktura, ang paggawa ay nagiging mas mahusay, at may mas kaunting basura at mas kaunting mga depekto. At ang kumpanya ay nakakatipid ng pera. Gawin nang maayos, lumilitaw agad ang mga resulta. Para sa mga departamento ng IT sa mga negosyo sa pagmamanupaktura, ang gintong fingerprint ay mahusay na kahulugan bilang isang panimulang punto para sa pagsasama ng IoT sa mismong puso ng negosyo.