Egy váratlan gépleállás, egy lassan növekvő selejtarány vagy a folyamatosan változó termelési terv olyan problémák, amelyek kezelésében ma is fontos szerepe van a tapasztalatnak. Az AI trendek a gyártásban ott válnak valódi üzleti kérdéssé, ahol a vállalatok gyorsabban és pontosabban szeretnék felismerni az eltéréseket, előre jelezni bizonyos eseményeket vagy támogatni a napi döntéseket. A technológia értéke nem önmagában a mesterséges intelligencia használatából adódik, hanem abból, hogy egy konkrét üzemi problémára ad használható választ.
A következő időszakban több jól körülhatárolható AI alkalmazási terület fejlődik párhuzamosan a gyártásban: a minőségellenőrzés, a karbantartás, a termelési tervezés és az üzemi tudás kezelése. A közös pont minden esetben az adat. Ha az adatok hiányosak, nem megbízhatók, vagy több rendszerben maradnak elszigetelve, az AI sem fog megbízható eredményt adni.
AI trendek a gyártásban: a pilotoktól az üzemi alkalmazásig
Az ipari AI-ról sokáig főként kísérleti projektek jutottak eszünkbe. Kamerával ellenőrzött termékek, előre jelzett meghibásodások, chatbotok, amelyek válaszolnak a karbantartási dokumentáció alapján. Ezek ma is releváns példák, de egyre világosabb: a pilot önmagában nem eredmény.
Egy megoldás akkor lép át üzemi szintre, ha beilleszthető a meglévő folyamatokba. A minőségellenőr tudja, mikor bízhat a kamerarendszer jelzésében. A karbantartó megkapja a riasztást, még mielőtt az alkatrészellátás vagy a termelési terv kárát látná. A termelésirányító pedig nem egy külön képernyőn lát elemzést, hanem az MES-, ERP- vagy SCADA-rendszerből érkező információk mellett kap használható javaslatot.
A technológia bevezetésénél ezért az integráció és a meglévő adatok minősége legalább olyan fontos, mint maga az AI modell. Magyarországi gyártóvállalatoknál ezt tovább nehezítheti a különböző korú gépekből álló géppark és a részben digitalizált folyamatok. Érdemes arra is figyelni, hogy az új AI megoldás ne egy új adatszigetet hozzon létre, hanem kapcsolódjon a már működő rendszerekhez és az azokban rendelkezésre álló adatokhoz.
Négy terület, ahol az AI gyorsan üzleti értéket teremt
1. Gépi látás a minőségbiztosításban
A vizuális minőségellenőrzés az ipari AI egyik jól körülhatárolható alkalmazási területe. A kamerák és a képfeldolgozó modellek képesek felismerni felületi hibákat, hiányzó alkatrészeket, helytelen összeszerelést vagy címkézési eltéréseket. Az előny nem csak a gyorsabb ellenőrzés lehet. Egy megfelelően kialakított rendszer ugyanazokat az előre meghatározott ellenőrzési szabályokat alkalmazza minden műszakban.
A megtérülés bizonyos esetekben jól mérhető: csökkenhet a kiszállított hibás termékek száma, a válogatásra fordított munkaidő vagy az újramegmunkálás költsége. Ugyanakkor a technológia nem helyettesíti automatikusan az emberi döntést. Kis sorozatú, sokféle terméket gyártó üzemben a modell betanítása és folyamatos karbantartása jelentős erőforrást igényelhet. Akkor érdemes elindulni, ha a hibatípusok kellően ismétlődnek, a vizsgálati környezet kontrollálható, és rendelkezésre áll elegendő, megfelelően címkézett minta.
2. Prediktív karbantartás, de nem csak rezgésadatból
A prediktív karbantartás célja, hogy a vállalat a meghibásodás bekövetkezése előtt felismerje a beavatkozás szükségességét. Ehhez azonban általában többféle információra van szükség. Egy algoritmusnak nem elég azt látnia, hogy egy rezgésérték megváltozik. Az értelmezéshez szükség lehet a gép terhelésére, az üzemállapotra, a korábbi javításokra, az alkatrészcserékre vagy akár a környezeti feltételekre is.
Ezért lehet hasznos a többforrású adatok használata. A szenzoradatok mellé bekerülhetnek a SCADA események, a karbantartási munkalapok, az alkatrészfelhasználás és a kezelői megjegyzések. Ezek együtt pontosabb képet adhatnak arról, hogy milyen eltérés jelent meg, milyen hiba lehet mögötte, és mikor érdemes beavatkozást tervezni.
A legnagyobb buktató a pontatlan üzemi kontextus. Ha a rendszer minden terhelésváltásra vagy normál működési eltérésre riasztást ad, a karbantartók rövid időn belül kevésbé fognak támaszkodni a jelzésekre. A cél ezért nem a lehető legtöbb riasztás, hanem az, hogy a rendszer a valóban releváns eltérésekre adjon használható jelzést.
3. Termelési tervezés és ütemezés változó feltételek mellett
Sok gyártási környezetben a tervezés táblázatok, vállalatirányítási rendszerek és a tapasztalt kollégák által ismert szabályok kombinációjára épül. Ez addig kezelhető, amíg kevés változóval kell számolni. Amikor egyszerre jelenik meg rendelésmódosítás, anyaghiány, gépkiesés, szerszámcsere vagy kapacitáskorlát, a manuális újratervezés egyre több időt igényel.
Az AI alapú optimalizálás ebben a helyzetben nem feltétlenül veszi át a döntést a termelésirányítótól. Inkább több lehetséges forgatókönyvet hasonlíthat össze, és megmutathatja azok várható következményeit: melyik terv teljesíti jobban a határidőket, melyik csökkenti az átállások számát, vagy melyik mérsékli a túlórát. A végső döntés továbbra is a termelésért felelős szakembereknél marad, de több információ alapján hozható meg.
Ennek előfeltétele, hogy az alapadatok megfelelő minőségűek legyenek. Hibás műveleti idők, pontatlan készletadatok vagy nem karbantartott gyártási paraméterek mellett az optimalizáló rendszer is hibás kiindulási adatokkal dolgozik. Egy AI projekt ezért arra is rámutathat, hogy mely törzsadatokat és adatkezelési folyamatokat kell először rendbe tenni.
4. Generatív AI az üzemi tudás megtartására
A generatív AI a gyártásban akkor lehet hasznos, ha a nehezen kereshető műszaki információkat gyorsabban elérhetővé teszi. Egy karbantartó például természetes nyelven kérdezhet rá egy berendezés korábbi hibáira, egy jóváhagyott javítási eljárásra vagy egy gépkönyv adott részére.
Ez különösen olyan környezetben lehet értékes, ahol a műszaki tudás jelentős része tapasztalt munkatársaknál van, és nem minden információ kereshető vissza egyszerűen a rendelkezésre álló dokumentációból. A rendszer azonban csak annyira megbízható, amennyire a felhasznált dokumentáció és adatforrások azok. Munkabiztonsági, minőségi vagy gépbiztonsági következménnyel járó kérdésekben ezért szükség van hiteles forrásokra és emberi ellenőrzésre.
Nem az AI projekt az első lépés
Egy AI bevezetésnél célszerű először a megoldandó problémát meghatározni, és csak utána kiválasztani a technológiát. Melyik üzemi veszteség ismétlődik? Mekkora pénzügyi vagy szolgáltatási hatása van? Milyen döntést kellene gyorsabban vagy pontosabban meghozni? Van e ehhez megfelelő mennyiségű és minőségű adat?
Egy jó kezdőprojekt szűk, de üzletileg fontos problémára épülhet. Ilyen lehet például egy kritikus berendezés nem tervezett állásideje, egy visszatérő hibakategória vagy a termelési terv napi újraütemezése. Fontos, hogy már a kezdetkor legyen kijelölt üzleti felelős, mérőszám és egyértelmű folyamat arra, mi történik a rendszer jelzése után. Enélkül az AI könnyen érdekes elemzést készít, amely nem épül be a napi működésbe.
A mérésnél nem elég a modell technikai pontosságát figyelni. Üzemi szempontból azt kell vizsgálni, csökkent e a selejt, az állásidő, a sürgős beavatkozások száma vagy a tervezésre fordított munka. Ugyanilyen fontos a felhasználói elfogadás: használják e a műszakvezetők és karbantartók a javaslatokat, és beépülnek e azok a napi döntésekbe?
A következő versenyelőny: jobb döntési rendszer
Az AI önmagában nem jelent teljes digitalizációs stratégiát. Egy olyan adat és döntéstámogató környezet része lehet, amelyben a gépektől érkező jelek, az MES és ERP adatok, a raktári információk, valamint az emberi tapasztalat együtt használható fel.
Ezért az AI bevezetése előtt érdemes azt megvizsgálni, hogy mely ismétlődő döntések igényelnek sok időt, okoznak jelentős költséget vagy nagy bizonytalansággal járnak. Ha ehhez rendelkezésre állnak a szükséges adatok, már sokkal pontosabban meghatározható, hogy hol érdemes AI megoldást alkalmazni, és milyen eredményt várhat tőle a vállalat.