Według Instytutu Gertnera obecny rok upłynie pod hasłem sztucznej inteligencji i uczenia maszynowego. Jak ten strategiczny trend wpływa na przemysł i w jaki sposób może wyznaczyć dalsze kierunki jego rozwoju?
Podstawę Przemysłu 4.0 stanowi zaawansowana cyfryzacja oraz wykorzystywanie oprogramowania uczącego się. Nic więc dziwnego, że sztuczna inteligencja i związane z nią uczenie maszynowe ma szerokie zastosowanie również w przemyśle. W jakim kierunku będzie się rozwijać czwarta rewolucja przemysłowa?
Prewencja kontra predykcja
Większość zakładów przemysłowych z góry ustala harmonogram konserwacji prewencyjnej. Z jednej strony takie działania pozwalają zapobiegać dodatkowym kosztom, wynikającym z nieplanowanych przestojów maszyn. Z drugiej – mogą generować spore straty finansowe, związane z prewencyjną wymianę części.
Dzięki technologiom wykorzystującym rozwiązania z zakresu sztucznej inteligencji, miejsce prewencji zaczyna zajmować predykcja. Jej zastosowanie pozwala na stały monitoring pracy maszyn i reagowanie tylko po otrzymaniu wcześniej wygenerowanego komunikatu. Wyodrębnione wskaźniki diagnostyczne umożliwiają ciągle śledzenie anomalii i diagnozowania sytuacji awaryjnych.
Predykcję wspierają rozwiązania z zakresu Edge Computing, czyli implementowane na urządzeniach brzegowych algorytmy. Pozwalają one na detekcję odstępstw od „normalnej” pracy maszyny w oparciu o automatycznie wyuczony profil pracy.
Cyfrowe bliźniaki
Według przewidywań Instytutu Gartnera do 2021 połowa dużych przedsiębiorstw przemysłowych będzie korzystała z rozwiązań oferowanych w ramach “digital twins”, czyli tzn. cyfrowych bliźniaków. Są one wiernymi, wirtualnymi kopiami fizycznych modeli, systemów czy urządzeń. W teorii oznacza to, że wirtualne symulacje będą zachowywać się tak samo i ulegać awariom w tym samym czasie, co fizycznie istniejący model. Główną zaletą wdrażania cyfrowych bliźniaków w przemyśle jest generowanie wysokich oszczędności. Według prognoz Gartnera ich zastosowanie pozwoli na zwiększenie wydajności maszyn nawet o 10%.
Kontrola jakości
Sztuczna inteligencja znalazła również zastosowanie w produkcji przemysłowej. W tradycyjnym modelu kontrola jakości opiera się na eliminacji wadliwej sztuki, bez kompleksowej analizy przyczyn zaistniałego defektu. SI pozwala na płynną kontrolę jakości w całym procesie produkcyjnym. Umożliwi to dokładną analizę i wyciągnięcie wniosków, prowadzących do ulepszania całych partii wybrakowanych produktów. W ten sposób możliwa będzie redukcja kosztów, wynikających m.in. z opóźnień, strat produkcyjnych czy nadmiernego angażowania zespołu specjalistów.
Kooperacja między robotem i człowiekiem
Według raportu Międzynarodowej Federacji Robotyki w ciągu najbliższych 3 lat liczba robotów przemysłowych będzie wzrastać średnio o 15% w skali roku. Tym samym szacuje się, że do 2020 roku w fabrykach na całym świecie zostanie zainstalowanych ponad 1,7 miliona nowych robotów przemysłowych. Dzięki sztucznej inteligencji nie będą to jednak nieme, skupione na powtarzalnych czynnościach automaty. Roboty będą inteligentniejsze, a kooperacja z nimi łatwiejsza, efektywniejsza i znacznie bezpieczniejsza dla pracujących z nimi osób. Dodatkowo dzięki uczeniu maszynowemu będą w stanie pracować nie tylko według schematów, ale też dostosowywać się do sytuacji.
Perspektywa na kolejne lata
W kontekście diagnostyki maszyn, wykorzystanie najnowszych technik SI będzie pozwalało na coraz skuteczniejsze diagnozy oraz predykcję możliwych awarii. – Dostępność zweryfikowanych metod, mocy obliczeniowej i danych – zarówno pomiarowych, jak i kontekstowych – pozwoli na zasilanie autonomicznych systemów wnioskujących, działających bez nadzoru inżyniera w stopniu znacznie przewyższającym dzisiejsze rozwiązania. Wymagane będzie jedynie dostarczenie źródła danych, które nie będą nawet wymagały wstępnego przetwarzania lub potwierdzania przez człowieka – tłumaczy Wojciech Czuba – R&D Division Manager w Elmodis.
Nowe rozwiązania nie oznaczają jednak, że tradycyjne podejście nie jest uwzględniane. Wręcz przeciwnie, część logiki realizowana będzie w oparciu o klasyczne analizy inżynierskie z zakresu diagnostyki maszyn – dodaje Wojciech Czuba.
Według amerykańskiej firmy analitycznej International Data Corporation (IDC) w latach 2016-2020 roku wydatki, związane z wdrażaniem rozwiązań z zakresu sztucznej inteligencji i uczenia maszynowego wzrosną z 8 do 47 mld USD, przy ponad 50% rocznej stopie wzrostu, co pokazuje, że trendy te zdominują najbliższe kilka lat.