Roboty już od dawna zajmują się fizycznymi operacjami i powtarzalnymi zadaniami. Wszystko jest w porządku, dopóki na hali produkcyjnej nie zaczyna się tworzyć zator – materiał czeka na załadowanie do maszyny, wycięte elementy leżą nieposortowane, a kolejne etapy produkcji stoją w miejscu.
Właśnie wtedy na scenę może wkroczyć sztuczna inteligencja (AI), która z czasem może naprawdę zmienić zasady gry. Co może wnieść do procesu? Możliwość wykorzystania danych produkcyjnych do wspierania decyzji. Jak Sheet Metal Industries , sztuczna inteligencja może przekształcić „dane w siłę decyzyjną”, wykorzystując informacje do identyfikowania zmian i usprawniania reakcji. Brzmi to banalnie lub jak coś, co doświadczony operator potrafi zrobić z czystego instynktu, ale tak nie jest.
Automatyzacja sprawdza się świetnie, gdy proces jest przewidywalny. Dopóki wszystko pozostaje bez zmian, nie ma żadnych problemów. Sytuacja komplikuje się, gdy kolejność czynności ulega zmianie. Zlecenia napływają z różnymi priorytetami, maszyny stają się niedostępne, dostawy materiałów się opóźniają lub kolejna operacja w procesie trwa dłużej niż przewidywano. Harmonogram sporządzony na początku zmiany może wówczas nie odzwierciedlać już tego, co dzieje się na hali produkcyjnej kilka godzin później.
Sztuczna inteligencja potrafi rozpoznawać te zmiany w czasie rzeczywistym i odpowiednio dostosowywać harmonogram. To samo potrafią Twoi najbardziej doświadczeni pracownicy. Nie są jednak w stanie przewidzieć, kiedy i gdzie pojawią się problemy. Badania nad zastosowaniami sztucznej inteligencji w obróbce blach opisują, w jaki sposób dane mogą być wykorzystywane do identyfikacji wzorców, zanim odchylenia w procesie staną się widoczne, co pozwala przejść w kierunku bardziej proaktywnej kontroli produkcji.
Konserwacja predykcyjna opiera się na tej samej zasadzie. Dane z czujników, takie jak wibracje, temperatura czy wzorce użytkowania, mogą ujawnić zmiany, zanim doprowadzą one do nieoczekiwanej awarii, co pozwala zaplanować konserwację, zamiast reagować dopiero po wystąpieniu usterki.
Mówimy tu o przejściu od produkcji reaktywnej do produkcji predykcyjnej, która nie wymaga wysiłku. Jest to coś, co do tej pory brzmiało raczej jak science fiction lub pobożne życzenie niż rzeczywistość.
Jeśli chodzi o przykłady, nasza branża stanowi szczególnie bogate źródło, ponieważ obejmuje szereg ściśle powiązanych ze sobą czynności: składowanie, układanie w stosy, cięcie, rozładunek, sortowanie i dalsze przetwarzanie.
A samo cięcie laserowe jeszcze bardziej uwidacznia te zależności. Wraz ze wzrostem prędkości cięcia czas potrzebny na załadowanie kolejnego arkusza i wyjęcie poprzedniego nabiera ogromnego znaczenia.
Jakie miejsce zajmuje sztuczna inteligencja w samym procesie cięcia? Oprogramowanie do zagnieżdżania może wykorzystywać algorytmy w celu poprawy wykorzystania materiału. Systemy monitorujące mogą wykrywać nietypowe warunki lub pojawiające się wąskie gardła. Kolejnym przykładem jest kontrola jakości. Systemy wizyjne wspierane przez sztuczną inteligencję mogą analizować obrazy i przetwarzać dane na bieżąco podczas produkcji, zamiast czekać na kontrolę gotowej partii. W zastosowaniach związanych z formowaniem bada się systemy uczenia maszynowego pod kątem przewidywania wad, takich jak pękanie, marszczenie, sprężystość powrotna i nadmierne przerzedzenie. Efektem jest system, w którym poszczególne maszyny są mniej odizolowane od otaczających je operacji.
Jako „The Fabricator” wskazuje, producent może dysponować wysoce wydajnym sprzętem, a mimo to tracić wydajność w innych ogniwach łańcucha produkcyjnego. W tym przypadku sztuczna inteligencja może pomóc, robiąc to, co potrafi najlepiej: przetwarzając ogromne ilości informacji w ciągu kilku sekund, co po prostu przekracza możliwości ludzkiego umysłu. Może ona analizować dane dotyczące sprzedaży i ofert lub wykorzystywać wiedzę produkcyjną do wspierania prac związanych z kosztorysowaniem i inżynierią. Rozszerza to koncepcję produkcji połączonej poza samą sferę maszyn. Celem jest również skrócenie opóźnień między etapami handlowymi, planistycznymi i produkcyjnymi.
Oczywiście skuteczność sztucznej inteligencji zależy wyłącznie od jakości danych, które jej dostarczasz. Rozdrobnione lub źle zorganizowane dane ograniczają wartość, jaką może wygenerować sztuczna inteligencja, niezależnie od jej zaawansowania (i kosztów).
Oprogramowanie, maszyny i urządzenia transportowe muszą zatem prawidłowo wymieniać informacje, a operatorzy i technicy muszą również na tyle dobrze rozumieć działanie tych systemów, aby w razie potrzeby kwestionować ich wyniki.
Ta sama zasada dotyczy inżynierii. Sztuczna inteligencja może pomóc w wykryciu przeoczonych szczegółów lub przyspieszyć rutynowe zadania, ale doświadczeni specjaliści nadal muszą zweryfikować uzyskane wyniki.
Ogólny kierunek nie polega po prostu na zwiększaniu liczby robotów czy sztucznej inteligencji. Chodzi o lepszą wymianę informacji między człowiekiem a maszyną. W ten sposób właśnie NIST określa rozwój sztucznej inteligencji w inteligentnej produkcji: postęp zależy nie tylko od algorytmów, ale także od interoperacyjności i integracji.
Dla producentów wyrobów z blachy oznacza to, że wartość sztucznej inteligencji będzie w coraz większym stopniu mierzona pod kątem praktycznym: czy pomaga ona w płynnym przepływie materiałów, informacji i zamówień przez proces produkcji przy mniejszej liczbie zakłóceń.
