Miten tuotantotehokkuutta voidaan parantaa? Tuotantolinjojen merkittävä tehostaminen on entistä haastavampaa. Älykkään automaation tuominen työpaikoille on innovatiivinen ratkaisu tähän ongelmaan, mutta kaiken takana on suuri määrä dataa.
|
Artikkelin on kirjoittanut Omron Europen tutkimusjohtaja Tim |
Foreman. Hän aloitti yhtiössä jo vuonna 1993 ohjelmistojen suunnittelijana. Koulutukseltaan hän on fysiikan tohtori Utrechtin yliopistosta. Omronin tutkimusta Euroopassa hän on johtanut vuodesta 2007 lähtien. Tutustutaan ensin Omronin Forpheus-pöytätennisrobottiin. Se ilmentää erinomaisesti Omronin konefilosofiaa, sillä se on integroitu, interaktiivinen ja älykäs. Mutta miten Forpheuksen kaltainen kone pystyy pelaamaan tennistä?
Forpheuksessa yhdistyy useita tekniikoita, jotka mahdollistavat ihmisen ja koneen välisen vuorovaikutuksen, mutta "älykkääksi" sen tekee data. Tiedonkeruu, dataan perustuva mallinnus, mallien soveltaminen ja loppukädessä mallien käyttäminen ja arvioiminen koneen oman toiminnan säätämiseksi, eli koneoppiminen.
Ensimmäisessä vaiheessa tietoa kerätään yksittäisistä koneista tai mieluiten koko tuotantolinjasta. Näin saadaan suuri määrä dataa, jota kutsutaan massadataksi. Tiettyyn pisteeseen saakka tätä dataa voidaan käsitellä tehokkaasti ja edullisesti nykyisellä käsittelyteholla ja pilvitallennuksen avulla. Puhdas data on ensiarvoisen tärkeää käsittelyn tehostamisessa ja parhaiden tulosten saavuttamisessa. Jo pelkän kerätyn datan esittäminen näytöllä helposti ymmärrettävässä muodossa voi auttaa käyttäjiä tunnistamaan ja korjaamaan prosessin ongelmat.
Datan analysointi auttaa käyttäjiä
Esittämällä prosessin toimintaan liittyvät tiedot tällä tavalla voimme parantaa tehokkuutta jopa 20-30 prosenttia. Kun datan määrä kasvaa, ihminen ei pysty yhtä helposti tulkitsemaan sitä tai havaitsemaan toimintamalleja. Suuren tietomäärän kanssa apuun tulevat ihmistä tarkemmat datan analysointiohjelmistot. Ne voivat tunnistaa suorituskykytiedoissa esiintyvät epäsäännöllisyydet ja raportoida mahdollisista ongelmista käyttäjälle.
Kun yhä suurempi tietomassa analysoidaan entistä "älykkäämmin", myös siitä saadut tulokset ja huomiot ovat aiempaa kattavampia ja tarkempia. Esimerkiksi pelkän ongelman tunnistamisen sijaan järjestelmä pystyy paikantamaan ongelman tarkan sijainnin linjastossa ja se myös tietää, mitä on tehtävä ongelman korjaamiseksi. Käyttäjän työ helpottuu ja linjasto tehostuu entisestään.
Kun tiedon määrä kasvaa, tiedonhallinnasta tulee tärkeää. Kerätty data lähetetään usein tarkempaan tutkintaan, jolloin mallit tunnistetaan paremmin. Tämän jälkeen tunnistetut mallit lähetetään takaisin tehtaalle, jossa kone ottaa ne käyttöön reaaliajassa.
Datan käyttäminen automaation lisäämiseen
Automaation voi viedä myös asteen pidemmälle. Älyjärjestelmät voivat tunnistaa ongelman tai mahdollisen ongelman, raportoida siitä ja sen jälkeen automaattisesti säätää tuotantolinjan osia niin, että linjasto pystyy kompensoimaan ongelman korjaamisen aikana mahdollisesti syntyvää vajetta – ja koneet tekevät kaiken tämän luonnollisesti turvallisten käyttöparametrien rajoissa. Kaikki tämä parantaa tuotantotehokkuutta.
Mitä tämä tarkoittaa yksittäisen koneen tasolla? Älykkäät koneet, jotka pystyvät analysoimaan tietoja, voivat optimoida toimintansa mihin tahansa tilanteeseen, sillä ne "tietävät", kuinka niiden normaalisti tulisi toimia. Ne valvovat omaa suoritustaan ja varmistavat, että toiminta on odotetun mukaista. Jos kone havaitsee vian tai tavallisesta toimintamallista poikkeavan toiminnan, se raportoi ongelmasta koko järjestelmälle ja mahdollisuuksien mukaan säätää toimintaansa kompensoidakseen ongelmaa. Järjestelmän kannalta on tärkeää, että kaikkia muutoksia tasapainotetaan linjastossa, jotta koneiden välinen toiminta säilyy yhtenäisenä.
Todellista älytehdasautomaatiota
Datan monipuolisuus on yksi suurimmista älytehtaisiin siirtymistä vaikeuttavista tekijöistä. Tästä syystä Omron ottaa omissa prosesseissaan käyttöön älyjärjestelmiä tarkastellakseen niiden vaatimuksia ja kehittääkseen parhaita käytäntöjä. Ja opittavaa on paljon: kun Omron aloitti omien prosessiensa tutkimisen noin kaksi vuotta sitten, ensimmäinen datatutkija käytti 80 prosenttia ajastaan pelkästään datan siivoamiseen.
Nyt Omron hyödyntää kaikkea oppimaansa järjestelmissään ja tuotteissaan tuodakseen älykkään automaation hyödyt myös asiakkailleen. Omron tekee yhdessä useiden asiakkaidensa kanssa testejä älykkään automaation parissa nähdäkseen, missä prosessien pullonkaulat sijaitsevat. Tutkimuksen todellinen arvo nähdään vasta silloin, kun se tehdään oikeissa tehtaissa.
Ihmisen ja koneen välinen vuorovaikutus
Tiedonkeruun ja analysoinnin tukemana älykäs automaatio voidaan tuoda myös ihmisen ja koneen väliseen vuorovaikutukseen. Hyvä esimerkki on jo aiemmin mainittu Omronin pöytätennismestari Forpheus, joka pystyy havainnoimaan pöydän toisella puolella olevan vastustajan liikkeitä samalla kun sen kamerat seuraavat myös pallon liikettä. Analysoimalla antureista saamansa tiedot kone laskee liikkeet tarkasti ja nopeasti ja pystyy siten ennakoimaan, miten vastustaja lyö palloa ja mihin suuntaan pallo lähtee. Sen jälkeen Forpheus liikuttaa mailaansa osuakseen palloon ja lyö sen takaisin pöydän toiselle puolelle.
Se, miten helppoa tai vaikeaa pallon palauttaminen sille on, on merkki yhdestä tavasta, jolla älykästä konetta voi hyödyntää yleisessä käytössä. Forpheus arvioi vastustajansa taitotason tämän pelitavan perusteella ja mukauttaa oman pelinsä vastustajan tason mukaan. Jos kone pelaa hieman vastustajaa paremmin, se tarjoaa vastustajalleen haastavan pelin ilman turhautumista. Älykkäitä koneita voi siis myös käyttää ihmisten koulutukseen.
Koulutusta työn lomassa
Koneen koulutusosaamista voi hyödyntää kaikissa konesovelluksissa ja se soveltuu erinomaisesti tuotantoteollisuuteen. Älykkäät robotit pystyvät arvioimaan käyttäjän osaamistason töissä, jotka tämä tekee robottien kanssa tai robottien ohjaamissa järjestelmissä, esimerkiksi kun kone nostaa raskaan kuorman ja käyttäjä hienosäätää sen sijoituksen. Tässä tilanteessa robotti hyödyntää käyttäjästä tekemäänsä arviota tämän koulutukseen tai työn helpottamiseen lisäohjeita antamalla.
Paremman tehokkuuden lisäksi älykäs automaatio voi tehdä työstä hauskempaa sekä robottien että muiden koneiden kanssa. Koneet tunnistavat tuotantolinjalla työskentelevän henkilön ja ovat henkilökohtaisessa vuorovaikutuksessa tämän kanssa tarjoten hyviä vinkkejä ja neuvoja työskentelyyn.
Ilman perinteistä konetekniikkaa meillä ei olisi tämän päivän integroituja ja interaktiivisia koneita. Älykkäitä niistä saadaan lisäämällä vähän datatieteeseen pohjautuvaa tekniikkaa.
STMicroelectronics on tehnyt merkittävän teknologisen läpimurron julkaisemalla uuden sukupolven älyanturin, joka yhdistää kaksi erillistä kiihtyvyysanturia samaan poikkeuksellisen pieneen (3 x 2,5 mm) koteloon. Tämä on ensimmäinen kerta, kun samassa moduulissa yhdistyy laajalle G-voima-alueelle skaalautuva mittauskyky, sulautettu tekoäly ja erittäin tarkka liikkeentunnistus.
Perinteinen elektroniikan valmistus perustuu prosesseihin, jotka johtavat usein materiaalihävikkiin, korkeisiin työkalukustannuksiin ja merkittäviin varastointikuluihin. Viime vuosina lisäävä valmistus (additive), erityisesti 3D-tulostus, on kuitenkin alkanut nousta varteenotettavaksi vaihtoehdoksi elektroniikan valmistuksessa, sillä se tarjoaa lisää suunnittelun joustavuutta sekä mahdollisia ympäristö- ja taloudellisia etuja.
Vaikka monet organisaatiot ovat jo ottaneet käyttöön perinteisiä tekoälyagentteja, tie täysin autonomisiin tekoälyagentteihin voi sisältää haasteita. Tekemällä strategisia investointeja ja omaksumalla metodisen lähestymistavan agenttien skaalaamiseen, sekä niiden erityisten roolien määrittelyyn, teollisuusyritykset voivat päästä loputtomalta tuntuvien kokeilujen yli ja alkaa nauttia tekoälyagenttien hyödyistä todellisessa elämässä, kirjoittaa teollisuuden ohjelmistoja kehittävän IFS:n tekoälyjohtaja Bob De Cuax.
BeagleBoard.orgin tunnettu PocketBeagle-kehittäjäkortti on saanut merkittävän päivityksen uudessa PocketBeagle 2 -versiossa. Uudistuksessa laitteeseen on lisätty neliytiminen suoritin ja ensimmäistä kertaa myös grafiikkaprosessori, mikä avaa entistä laajempia mahdollisuuksia sulautettujen järjestelmien kehittämiseen.
