(图源:William / stock.adobe.com;使用AI生成)
生产过程中的质量控制绝非易事,经常需要事后总结经验教训。当零件从生产线上下来接受检查时,发现问题可能已经来不及了。如果等到生产流程的最后阶段再去设法确保产品无瑕疵,会浪费大量的资源、时间和金钱。
不过,现在出现了一种有效替代方法。
比如说,想象一下,在焊接过程中,热像仪密切跟踪产品制造过程中的热信号。如果产品焊接不当,系统会立即发出警报,以便实时纠正错误。随着机器学习 (ML) 等先进技术的发展,这种颠覆性的生产效率已经开始崭露头角,并且成为预防性解决方案总体投资的一部分。
预防性维护的发展
如果您觉得“预防性解决方案”这个词很耳熟,那是因为它与另一个更熟悉的词“预防性维护”密切相关。
数据驱动型技术在短短几年内就改变了制造业,其速度令人惊叹。数字化转型的更新迭代,如工业4.0和工业5.0,为制造业提供了诸多好处,特别是在促进预防性维护方面。
预防性维护是工业4.0的主要基石之一,其理论基础是可以利用设备的健康数据来预防严重故障的发生。通过研究机器的振动或热信号,并将这些数据输入机器学习模型,制造商可以预测设备何时出现故障,并采取措施避免发生灾难性后果。这种主动纠错可以避免代价高昂的停机时间,而这一直是制造业的一大难题。
了解预防性解决方案
预防性维护是预防性解决方案的一部分。预防性维护带来的诸多优势同样适用于预防性解决方案。但两者又存在一些根本性的区别。
预防性维护可告知制造商设备何时发生故障。预防性解决方案则是更进一步,提出解决问题的方法建议。所以预防性维护是回答是否以及何时的问题,而预防性解决方案则是回答如何解决的问题。
预防性维护的关注重点更明确,着眼于生产设备。预防性解决方案则要涉及大多数的业务运营环节,包括供应链管理、员工排班、流程改进以及设备健康状况。前面提到的使用热像仪进行焊接操作修复,就是预防性解决方案解决流程低效的一个例子。配备实时监控装置的机器可以立即解决生产线延迟问题,消除瓶颈,满足每天甚至每小时的产量要求。
预防性解决方案不仅能发现生产设备的问题,还能发现相关业务运营中存在的问题,并提出解决办法。
推动产业发展的技术和基础架构
以前,生产过程是不透明的,但数字化转型和数据使现在的生产运营更加透明。因此,发现和解决低效率问题变得更加容易。
大规模开发和部署IIoT传感器可以说是汽车行业最大的变革之一。当机器有了传感器,它们就可以“交流”,制造商则可以利用这些信息做出数据驱动型决策。但只有IIoT是不够的。IIoT产生的海量数据很容易让制造商淹没在过多的信息中。不过AI等技术可以帮助OEM厂商理解数据。当数据输入预见性ML模型后,可以提供预防性维护结果。
现在,打破制造企业各部门之间的数据孤岛后,再加上读取非结构化数据的能力,正在通过预防性解决方案,进一步推动行业以数据为依据做出决策。
生产效率的提高已经不是仅取决于生产车间的机器。生成式AI模型可以使用各种手册、设备维护日志、电子邮件等存储的专有信息进行训练,并利用自然语言处理 (NLP) 技术为员工创建培训模块。经验不足的工人可以查询生成式AI模型以获取维修说明,并在中心位置记录日志,这样数据就不会被锁定和孤立。
预防性解决方案对未来的影响
制造业面临的最大挑战之一向来是相关数据的可用性。现在技术已经到位,期待预防性解决方案能够以各种新颖独特的方式帮助制造商。
预防性解决方案的应用案例不胜枚举
比如,产品服务化(OEM厂商租赁而非销售设备)可以利用预防性解决方案获得更稳定的收入来源。制造商可以从租赁的设备中获取数据,进一步优化预见性AI模型。
结语
通过预防性维护,制造商已经减少了停机时间并节约了成本。除了根本原因分析和预防性维护,预防性解决方案在发现和解决机器以外的问题方面也有着广阔的应用空间。那些已经通过数字化转型铺平了道路的OEM厂商将率先从这种整体方法中获益。
作者简介
Poornima Apte是一位从工程师转型的撰稿人,其B2B专长是机器人、人工智能、网络安全、智能技术和数字化转型。