Przed podaniem przykładów wykorzystania sztucznej inteligencji w przemyśle usystematyzujemy podstawowe informacje na temat tej rozwijającej się obecnie w bezprecedensowo szybkim tempie dziedziny. SI (AI) to technologia umożliwiająca komputerom i innym maszynom symulowanie ludzkich zdolności do uczenia się, rozumienia, rozwiązywania problemów, podejmowania decyzji, naszej kreatywności i autonomii. Dzięki temu oparte na niej urządzenia są w stanie rozpoznawać obiekty na obrazach, rozumieć oraz generować ludzki język, uczyć się na podstawie nowych informacji i doświadczeń, formułować wnioski i tworzyć treści, działając niezależnie, bez potrzeby interwencji ludzi.
W tych celach wykorzystywane są różne techniki, stanowiące zagnieżdżone podzbiory AI. Główną podgrupą sztucznej inteligencji jest uczenie maszynowe (machine learning, ML). Jego podzbiorem są sztuczne sieci neuronowe. Na tych opiera się podkategoria ML, jaką jest uczenie głębokie (deep learning, DL).
ML vs. DL
Uczenie maszynowe (ML) polega na trenowaniu algorytmów pod kątem prognozowania lub decydowania na podstawie danych. W przeciwieństwie do systemów opartych na regułach wykonujących dane zadanie za każdym razem w taki sam sposób, te bazujące na uczeniu maszynowym doskonalą się, ucząc się przez doświadczenie. Nabierają go, analizując dostarczane im informacje. ML obejmuje wiele technik, w tym uczenie nadzorowane, nienadzorowane oraz przez wzmacnianie (patrz ramki: Uczenie maszynowe oraz Algorytmy ML).
Inspiracją dla głębokiego uczenia (DL) jest natomiast ludzki mózg, a dokładniej sposób, w jaki są w nim zorganizowane połączenia synaptyczne między neuronami. Algorytmy DL poddają dane analizie w sposób podobny do tego, w jaki człowiek wyciąga wnioski, efektywniej niż standardowe algorytmy uczenia maszynowego. By to osiągnąć, wykorzystują sztuczne sieci neuronowe. Składają się one z warstw: wejściowej, wyjściowej i środkowych, wykorzystywanych w wewnętrznych obliczeniach. Wyróżnić można kilka ich typów.
Najpopularniejsze są: splotowe sieci neuronowe (Convolutional Neural Network, CNN), składające się z jednej albo więcej warstw konwolucyjnych (warstw filtrujących), po których następują w pełni połączona wielowarstwowa sieć neuronowa oraz rekurencyjne sieci neuronowe RNN (Recurrent Neural Network). Te drugie bazują na algorytmach wykorzystujących do prognoz dane sekwencyjne (lub historyczne).
SI ma w przemyśle wiele zastosowań. Upowszechnia się m.in. w predykcyjnym utrzymaniu ruchu i kontroli jakości.
Uczenie maszynowe
Terminy "uczenie maszynowe" i "sztuczna inteligencja" są często nieprawidłowo używane zamiennie, ponieważ to pierwsze jest podgrupą AI. Definiuje się je jako zdolność algorytmu do uczenia się bez jego wyraźnego zaprogramowania. ML wykorzystuje algorytmy analizujące dane wejściowe w celu przewidzenia wartości wyjściowych. W miarę dostarczania nowych danych algorytmy uczą się i optymalizują swoje działanie, aby poprawiać wyniki, z czasem rozwijając "inteligencję". Wyróżnić można cztery typy algorytmów ML: nadzorowane, półnadzorowane, nienadzorowane i przez wzmacnianie.
Czym jest uczenie nadzorowane?
W uczeniu nadzorowanym algorytm uczy się na danych treningowych z etykietami stanowiącymi rozwiązanie problemu, dążąc do wykrycia zależności występujących między danymi wejściowymi i wyjściowymi. Następnie na ich podstawie dokonuje przewidywań i jest korygowany do czasu, aż osiągnie zakładany poziom dokładności. Do tej grupy zaliczane są techniki regresji i klasyfikacji. Pierwsze przewidują wartości liczbowe, takie jak wiek czy cena, a drugie – wartości dyskretne, jak prawda albo fałsz, mężczyzna lub kobieta.
Klasyfikacja vs regresja
Podczas szkolenia algorytmy klasyfikacji przydzielają dane treningowe do różnych kategorii, ucząc się je grupować. Przykład problemu klasyfikacji stanowi wykrywanie spamu w wiadomościach e-mail. Regresja to proces znajdowania korelacji pomiędzy zmiennymi. Algorytmy regresji trenowane na danych z przeszłości m.in. prognozują trendy na rynkach, zmiany cen nieruchomości czy pogodę. Generalnie, w uproszczeniu, w regresji szukana jest linia najlepszego dopasowania, która pozwala przewidywać wyniki, a w klasyfikacji – granica decyzyjna umożliwiająca kategoryzowanie danych.
Uczenie półnadzorowane
Przygotowanie danych treningowych z etykietami staje się czasochłonne i kosztuje. W związku z tym w uczeniu półnadzorowanym algorytm jest szkolony na danych, z których tylko część pozostaje oznaczona. Na tej podstawie uczy się, jak przypisywać etykiety danym nieoznaczonym.
Na czym polega uczenie nienadzorowane?
W uczeniu nienadzorowanym algorytm szkoli się wyłącznie na danych bez etykiet. Jego zadaniem jest wyszukanie w nich wzorców i korelacji w celu ich ustrukturyzowania. Do tej kategorii zalicza się techniki klasteryzacji, czyli grupowania podobnych obiektów, asocjacji, polegające na szukaniu powiązań i redukcji wymiarów, czyli zmniejszania liczby zmiennych branych pod uwagę.
Co wyróżnia uczenie przez wzmacnianie?
W uczeniu przez wzmacnianie – w przeciwieństwie do uczenia nadzorowanego i nienadzorowanego – algorytmowi nie są dostarczane żadne dane treningowe z wyprzedzeniem. Zamiast tego uczy się on w locie metodą prób i błędów, wchodząc w interakcję ze środowiskiem i opierając się na informacjach zwrotnych, które z niego otrzymuje.
Predykcyjne utrzymanie ruchu
Tytułowe pojęcie oznacza strategię konserwacji opierającą się na przewidywaniu awarii, nim do nich dojdzie. Jest to nowoczesna alternatywa klasycznych podejść: reaktywnego – zakładającego interwencję dopiero po wystąpieniu problemu, oraz konserwacji zapobiegawczej – opierającej się na przeprowadzaniu w regularnych odstępach czasu z góry zaplanowanych przeglądów, niezależnie od aktualnego stanu urządzeń. W przeciwieństwie do nich, w razie wdrożenia koncepcji predykcyjnego utrzymania ruchu czynności konserwacyjne wykonywane są tylko wówczas, gdy jest to konieczne. Takie podejście nie tylko ogranicza nieplanowane przestoje, ale także optymalizuje wykorzystanie zasobów, sprzętowych i ludzkich, obniżając koszty konserwacji i wydłużając czas eksploatacji sprzętu. Poprawia to efektywność operacyjną, zwłaszcza w zakładach, których specyfika produkcji wymaga ciągłej i niezawodnej pracy maszyn i systemów.
Popularyzację predykcyjnego utrzymania ruchu napędza postęp technologiczny, głównie rozwój czujników i upowszechnianie się Przemysłowego Internetu Rzeczy, które wspólnie dostarczają danych o stanie i wydajności urządzeń w czasie rzeczywistym oraz algorytmów uczenia maszynowego. Te ostatnie analizują zgromadzone informacje w celu przewidywania potencjalnych awarii. Dzięki temu ta strategia jest coraz skuteczniejsza i zarazem bardziej opłacalna.
AI w konserwacji predykcyjnej
W predykcyjnym utrzymaniu ruchu zastosowanie mają różne algorytmy ML. W pewnych zadaniach niektóre sprawdzają się lepiej niż inne.
Przykładowo, z modeli uczenia nadzorowanego korzysta się w przewidywaniu wyników, opierając się na danych historycznych i bieżących. W tej dziedzinie szczególnie popularne są takie algorytmy, jak: regresja liniowa, drzewa decyzyjne i maszyny wektorów nośnych (patrz ramka: Algorytmy ML). Kluczowe znaczenie ma zwłaszcza ta pierwsza.
Regresja liniowa jest użyteczna w modelowaniu zależności występujących pomiędzy parametrami, które charakteryzują działanie maszyn, jak wibracje i temperatura, a trendami ich awarii. Analizując dane historyczne, algorytm ten pozwala zrozumieć, w jaki sposób wskaźniki te są skorelowane z pogorszeniem się stanu urządzenia. Regresja liniowa może np. pomóc w zidentyfikowaniu parametrów, które są najsilniej powiązane z konkretnymi problemami w funkcjonowaniu danego sprzętu. Dzięki temu da się stworzyć model predykcyjny do prognozowania pozostałego czasu eksploatacji, zanim dojdzie do usterki. Znajomość zależności pomiędzy wskaźnikami stanu maszyny a awariami pozwala na wykrywanie wczesnych oznak uszkodzeń i przeprowadzanie konserwacji zapobiegawczej przed wystąpieniem poważniejszych problemów. Oprócz tego algorytm regresji liniowej może być wykorzystywany w weryfikowaniu skuteczności działań konserwacyjnych przez wykrycie zależności między nimi a poprawą stanu sprzętu.
Algorytmy ML
Regresja liniowa pozwala przewidywać wartość zmiennej (zależnej) na podstawie wartości innych zmiennych (niezależnych). Celem algorytmu jest określenie współczynników równania liniowego, które wiąże zmienne niezależne i prognozuje zmienną zależną – tak aby różnice między wartościami przewidywanymi a rzeczywistymi były jak najmniejsze. Jako metoda statystyczna regresja liniowa ma ugruntowaną pozycję. Modele tego typu można szybko wytrenować. Wynikiem ich działania jest łatwy do interpretacji wzór matematyczny.
Drzewo decyzyjne ma strukturę hierarchiczną. Składa się z węzła głównego (przykład: Czy pada deszcz?), który się rozgałęzia na węzły decyzyjne (w przykładzie: Tak i Nie), które mogą się dalej rozdzielać (Czy pada deszcz? → Tak → Czy masz parasol?), prowadząc do węzłów końcowych, które oznaczają konkretne decyzje (Czy pada deszcz? → Tak → Czy masz parasol? → Tak → Wyjdź z domu, Nie → Nie wychodź z domu; Czy pada deszcz? → Nie → Wyjdź z domu). Uczenie się drzewa decyzyjnego opiera się na strategii "dziel i zwyciężaj" oraz zachłannym wyszukiwaniu w celu zidentyfikowania optymalnych punktów rozgałęzienia. Podział jest powtarzany, aż sklasyfikowane zostaną wszystkie dane wejściowe.
Celem algorytmu maszyn wektorów nośnych SVM (Support Vector Machines) staje się znalezienie optymalnej hiperpłaszczyzny, która dzieli dane na klasy. Jest to granica decyzyjna, która klasyfikuje dane w przestrzeni wielowymiarowej. W 2D będzie nią linia, a w 3D płaszczyzna. W obu przypadkach punkty danych dzielone są na dwie grupy. Hiperpłaszczyzna wykorzystywana jest do dokonywania przewidywań dotyczących nowych punktów danych przez ocenę, po której z jej stron się znajdują. Wektory nośne to punkty danych najbliżej granicy decyzyjnej. Są ważne, gdyż określają położenie i orientację hiperpłaszczyzny (podtrzymują, definiują granicę decyzyjną), przez co mają wpływ na dokładność klasyfikacji.
Uczenie nienadzorowane w predykcji
Drzewa decyzyjne, które pozwalają na modelowanie decyzji i ich możliwych konsekwencji, wykorzystuje się w ocenie prawdopodobieństwa zagrożenia awarią w określonych okolicznościach. Maszyny wektorów nośnych umożliwiają natomiast klasyfikację stanu urządzeń, przypisując je do kategorii takich jak "sprawne" albo "potencjalnie awaryjne".
Jeżeli chodzi o modele uczenia nienadzorowanego, w predykcyjnym utrzymaniu ruchu popularne są techniki klasteryzacji i redukcji wymiarów (patrz ramka: Uczenie maszynowe). Pierwsze grupują podobne punkty danych. To umożliwia identyfikację nietypowych wzorców mogących wskazywać na potencjalne usterki sprzętu. Jest to przydatne szczególnie wówczas, kiedy urządzenia pracują w zmiennych warunkach, w których trudno normalne działanie odróżnić od anomalii.
Z kolei techniki redukowania wymiarów ułatwiają wizualizację dużych, złożonych zbiorów danych i identyfikację wśród nich wartości odstających, które wskazują na nieprawidłowości. Koncentrując się na najistotniejszych zmiennych, algorytm ten pomaga we wczesnej detekcji oznak pogorszenia się stanu sprzętu.
CNN i RNN w konserwacji predykcyjnej
Coraz częściej w predykcyjnym utrzymaniu ruchu wykorzystywane są także modele uczenia przez wzmacnianie. Ich głównym zastosowaniem jest optymalizacja strategii konserwacji. Dzięki temu, że uczą się przez wchodzenie w interakcję ze środowiskiem, w którym są uruchamiane, pozwalają na opracowywanie adaptacyjnych harmonogramów przeglądów, które minimalizują nieplanowane przestoje i koszty eksploatacji, zarazem maksymalizując niezawodność sprzętu. Są one szczególnie przydatne w dynamicznych środowiskach przemysłowych, w których warunki operacyjne często się zmieniają.
Modele uczenia głębokiego, jak splotowe (CNN) i rekurencyjne (RNN) sieci neuronowe, są natomiast używane w analizie ogromnych ilości danych pomiarowych z czujników. CNN okazują się szczególnie skuteczne w przetwarzaniu obrazów, dzięki czemu sprawdzają się w inspekcji wizyjnej. RNN, projektowane pod kątem obróbki danych sekwencyjnych, są natomiast wykorzystywane głównie we wnioskowaniu o potencjalnych awariach sprzętu, opierając się na szeregach czasowych pomiarów z czujników. Ucząc się skomplikowanych wzorców w danych, dostarczają prognoz usprawniających harmonogramowanie konserwacji.
SI w kontroli jakości
Kolejny ważny obszar zastosowań sztucznej inteligencji w przemyśle stanowi kontrola jakości. W tej dziedzinie AI współpracuje głównie z systemami wizyjnymi. Dzięki niej wykrywanie defektów staje się szybsze i dokładniejsze. Algorytmy przetwarzania obrazów wykorzystujące techniki SI znajdują nawet najmniejsze skazy, których ludzkie oko nie jest w stanie zauważyć.
W inspekcji jakości na podstawie obrazów popularne są takie algorytmy, jak: klasyfikacja obrazów, detekcja obiektów, segmentacja i detekcja anomalii. Każda technika ma swoje zalety i ograniczenia, w zależności od złożoności, zmienności i rozmiaru obrazów oraz specyfiki obiektów kontroli.
Klasyfikacja obrazów polega na kategoryzowaniu i przypisywaniu etykiet do grup pikseli w obrazie według określonych kryteriów. W tym zastosowaniu sprawdzają się splotowe sieci neuronowe.
W zakresie lokalizowania i identyfikacji obiektów na obrazach też popularne są techniki głębokiego uczenia. Są to zwykle algorytmy jedno- lub dwuetapowe, zależnie od tego, czy zadania rozpoznania obiektu, jego sklasyfikowania oraz określenia jego granic są realizowane w jednym czy w dwóch krokach.
Zaletą pierwszych jest duża wydajność, uzyskiwana jednak kosztem precyzji. Są projektowane pod kątem szybkości wnioskowania, dzięki czemu sprawdzają się w aplikacjach czasu rzeczywistego. Trudność sprawia im niestety rozpoznawanie obiektów o nieregularnych kształtach i grup małych obiektów. W algorytmach dwustopniowych najpierw wyszukiwany jest obszar zainteresowania, a dopiero potem następuje klasyfikacja obiektu, oparta na cechach wyodrębnionych z danego fragmentu obrazu za pomocą metody regresji obwiedni. Są one dokładniejsze, ale wolniejsze.
Segmentację wykorzystuje się w wyodrębnianiu elementów pierwszego planu lub innych obszarów zainteresowania z tła. Wykrywanie anomalii pozwala z kolei znaleźć nieprawidłowe albo nietypowe wzorce na obrazach wskazujące na defekty. Algorytmy sztucznej inteligencji analizują informacje z systemów wizyjnych również w systemach sterowania robotami przemysłowymi.
Czym są cyfrowe bliźniaki?
Cyfrowy bliźniak (digital twin) to wirtualna reprezentacja, odpowiadająca atrybutom i zachowania obiektu, którym może być urządzenie, linia produkcyjna lub system. Replika taka powinna spełniać wymagania danego zestawu przypadków użycia, od których zależy stopień skomplikowania odwzorowania. W związku z tym implementacje cyfrowych bliźniaków czasem wykorzystują złożone modele obliczeniowe, a niekiedy mały zestaw atrybutów i informacji. W praktyce są to jednak zawsze kompletne i gotowe do użytku środowiska, złożone ze wzajemnie ze sobą powiązanych danych, modeli i interfejsów. Te ostatnie udostępniają dane, pozwalają wywoływać polecenia i uruchamiać modele, zapewniając łączność i interakcje między odrębnymi wirtualnymi reprezentacjami oraz nimi a innym oprogramowaniem. Źródłem danych jest rzeczywisty obiekt, którego odwzorowaniem staje się cyfrowy bliźniak. Modele z kolei mogą być oparte na ogólnych zasadach matematyki, fizyki, chemii, inżynierii materiałowej czy statystyce, a opracowane z wykorzystaniem technik sztucznej inteligencji. Niezbędne są także te zorientowane na wizualizację, jak modele 3D i wykorzystujące rzeczywistość wirtualną albo rozszerzoną. Cyfrowe repliki mają szereg zastosowań (patrz ramka: Cyfrowe bliźniaki – aplikacje).
Przemysłowy IoT
Główne źródło danych do trenowania algorytmów sztucznej inteligencji w przemyśle stanowi Internet Rzeczy (IoT). Jest to sieć węzłów, które przez Internet komunikują się ze sobą i przesyłają dane do systemu centralnego. Przemysłowy Internet Rzeczy (IIoT) jest podzbiorem IoT.
Typowa platforma IoT/IIoT składa się z: inteligentnych (smart) czujników, rozwiązań w zakresie transmisji i przetwarzania danych oraz zabezpieczeń. Pierwsze to urządzenia, które mierzą wartości wielkości fizycznych charakteryzujących obiekt pomiaru – ich przykłady w przemyśle to: wibracje, temperatura i ciśnienie. Następnie, wykorzystując wbudowane zasoby obliczeniowe, sprzętowe oraz programowe, wykonują one na surowych wynikach pomiarów wstępne obliczenia – przetwarzanie lokalne może np. obejmować odfiltrowanie szumów i konwersję sygnału analogowego do postaci cyfrowej – i przekazują ich wynik dalej. Transmisja danych odbywa się za pośrednictwem protokołów komunikacyjnych, które dzięki standaryzacji formatu danych i sposobu ich przesyłania zapewniają interoperacyjność urządzeń w sieci.
IIoT a IoT
IoT i IIoT różnią się pod kilkoma względami. Internet Rzeczy (IoT) jest zorientowany na poprawę jakości życia użytkowników końcowych, dla których liczą się łatwość instalacji i użytkowania oraz korzyści pod względem ich komfortu i/lub oszczędności (czasu, środków finansowych). Przemysłowy Internet Rzeczy (IIoT) z kolei jest mniej skoncentrowany na użytkowniku, za priorytetowe uznając cele biznesowe, np. redukcję kosztów eksploatacji maszyn i/lub ograniczenie ich przestojów. Odwrotnie, jeśli chodzi o dostępność. Wymagania stawiane pod tym względem Przemysłowemu Internetowi Rzeczy są bardziej rygorystyczne, bo jeżeli jest on wykorzystywany w monitorowaniu i sterowaniu produkcją, nawet krótka awaria może skutkować drogimi przestojami.
W IIoT większe wymagania dotyczą również dużej precyzji, głównie czujników, małych opóźnień transmisji oraz wytrzymałości urządzeń na trudne warunki pracy. Wobec tych ostatnich oczekuje się, że będą niezawodne dłużej niż sprzęt konsumencki. Zwykle ilość danych w sieciach Przemysłowego Internetu Rzeczy jest większa niż w IoT, a do ich przetwarzania potrzeba większych zasobów. Wymagania bezpieczeństwa są priorytetem zarówno w sieciach Internetu Rzeczy, jak i jego wersji dla przemysłu.
Zdalny monitoring
Można podać wiele przykładów wykorzystania Internetu Rzeczy w różnych gałęziach przemysłu. Jest wśród nich zdalne monitorowanie. Skorzystać mogą z niego przedsiębiorcy, którzy chcą nadzorować zasoby w terenie. Przykładem są producenci maszyn/pojazdów, którzy ich zdalny monitoring wdrażają w ramach obsługi posprzedażowej. Pozwala to przejść z podejścia reaktywnego na predykcyjne. Zamiast wysyłać ekipę serwisową po tym, jak awaria już wystąpi, lepiej śledzić, analizować i zarządzać wydajnością sprzętu oraz diagnozować problemy w czasie rzeczywistym, na odległość. Ogranicza to nieplanowane przestoje i poprawia wydajność operacyjną w terenie. Mając dostęp do danych o działaniu sprzętu w warunkach rzeczywistych, producent może je również analizować pod kątem ulepszeń, które wprowadzi w jego przyszłych modelach.
Z takiego rozwiązania korzysta m.in. firma Caterpillar, producent sprzętu ciężkiego. Większość nowych maszyn budowlanych, maszyn górniczych i silników tej marki, jak też znaczna część starszej floty po modernizacji, ma możliwość zbierania, wstępnego przetwarzania i transmisji danych. Liczba i typy czujników, w jakie się je wyposaża, zależą od rodzaju i modelu sprzętu. Najwięcej instaluje się ich w zaawansowanych maszynach budowlanych i górniczych, mniej w małych maszynach i silnikach. Sensory dostarczają różnych danych. Dzieli się je na dwie grupy: alarmujące i diagnostyczne.
Pierwsze obejmują np. informacje o zużyciu paliwa, dane z systemu GPS i kody błędów. Drugie to mierzone z dużo większą częstością parametry, takie jak ciśnienie w oponach i napięcie akumulatora. Opierając się na tych informacjach, przewidywane są awarie i spadki wydajności. Można np. wykryć sytuację, w której, gdy operator naciska hamulec, ciśnienie w układzie hamulcowym nie zmienia się tak szybko, jak powinno. W takim przypadku zaleca się przeprowadzenie inspekcji, żeby sprawdzić, czy nie ma wycieku. Jeżeli zostanie wykryty, można dokonać naprawy, zanim pojawi się poważniejszy problem.
Śledzenie zasobów
Kolejne zastosowanie IIoT to śledzenie zasobów, polegające na monitorowaniu lokalizacji, stanu i statusu obiektów fizycznych, takich jak: narzędzia, maszyny i różne inne sprzęty wykorzystywane w produkcji, podzespoły i surowce, pracownicy, ładunki i pojazdy floty transportowej. Celem jest zapewnienie ich efektywnego wykorzystania, minimalizowanie strat i usprawnienie realizacji zadań i przebiegu procesów, w których są niezbędne.
Dzięki wyposażeniu zasobów w znaczniki IoT wiadomo, gdzie się w danym momencie znajdują i jak są używane. Zapobiega to ich niewłaściwemu wykorzystywaniu, marnotrawieniu, zgubieniu czy kradzieży. Przykładowo, pracownicy nie tracą czasu na szukanie narzędzi w zakładzie, jeżeli w każdej chwili to, które jest im w danym momencie potrzebne, są w stanie znaleźć – sprawdzając, czy korzysta z niego ktoś inny, czy zostało już zwrócone do magazynu, czy jest sprawne. Z kolei służby utrzymania ruchu uzyskują dostęp do informacji o tym, jak często i przez kogo sprzęt jest używany. Dzięki temu są też w stanie przewidywać stopień jego zużycia, by zaplanować konserwację lub wymianę czy też np. zorganizować ładowanie ręcznych narzędzi zasilanych akumulatorowo, tak by zawsze były gotowe do użytku. Analizując częstość i miejsce użytkowania poszczególnych sprzętów, można też np. zdecydować o konieczności dokupienia dodatkowych sztuk, jeżeli na dostęp do nich trzeba czekać w kolejce, lub o zmianach w ich rozmieszczeniu w zakładzie, np. bliżej konkretnych stanowisk.
Wiele korzyści przynosi również śledzenie podzespołów i surowców produkcyjnych. W przypadku tych ostatnich, jeśli określono termin ich przydatności, śledzenie ułatwia dopilnowanie, żeby zostały zużyte przed jego upływem, co zmniejsza ilość odpadów. Można ponadto wyeliminować sytuację, w której podzespoły pobrane z magazynu pozostają niewykorzystane. Śledzenie stanu zapasów surowców i komponentów zapobiega zarówno ich niedoborom, jak i niepotrzebnemu gromadzeniu nadmiaru zapasów.
Monitorowanie lokalizacji pracowników pozwala m.in. poprawić ich bezpieczeństwo. Przykładowo, w razie wypadku łatwiej znaleźć jego ofiary. W ramach kontroli dostępu można też reagować, gdy w strefie zagrożenia znajdzie się osoba niepowołana. Ponadto analizując trasy, jakimi przemieszcza się personel, da się zoptymalizować rozmieszczenie stanowisk. Węzły IIoT śledzące pracowników są z reguły zintegrowane z ich ubraniem roboczym, np. wbudowane w kask.
Inne zastosowania Przemysłowego Internetu Rzeczy to wspomniane monitorowanie stanu maszyn, które w połączeniu z technikami sztucznej inteligencji pozwala wdrożyć predykcyjne podejścia w utrzymaniu ruchu i śledzenie przebiegu procesów pod kątem ich optymalizacji. IIoT jest również źródłem danych do tworzenia cyfrowych bliźniaków (patrz ramka: Czym są cyfrowe bliźniaki).
Case study – cyfrowy bliźniak ułatwia wdrożenie robota
Pewne przedsiębiorstwo z branży mleczarskiej szukało sposobu na uproszczenie rozbudowy parku maszynowego. Chodziło o uzyskanie możliwości wcześniejszego sprawdzenia, czy konkretny sprzęt będzie pasował do już zainstalowanego wyposażenia linii produkcyjnej – przed podjęciem decyzji o zakupie, zanim jeszcze zostaną zaangażowani integratorzy i bez ingerowania w działanie fabryki, co mogłoby powodować przestoje. Rozwiązaniem okazało się cyfrowe odwzorowanie obiektów produkcyjnych.
Na podstawie odczytów ze skanerów laserowych w specjalnym oprogramowaniu stworzona została cyfrowa replika zakładu. W celu przetestowania jej użyteczności w zakresie planowania rozbudowy naniesiono na nią wizualizację zrobotyzowanego stanowiska, o które zamierzano uzupełnić linię pakowania w chłodni. Pozwoliło to na przeanalizowanie tego, ile miejsca ono zajmie, czy będzie kolidować z innymi elementami wyposażenia, jak wpłynie na przepływ ładunków i na trasy, którymi do tej pory przemieszczali się pracownicy, a także, czy z powodu zamontowania w tym miejscu robota pogorszy się bezpieczeństwo personelu. Wykorzystując cyfrowego bliźniaka, wszystkie te kwestie przedstawiciele firmy, producent robota i jego integrator mogli przedyskutować, komunikując się zdalnie, bez konieczności wizyty w zakładzie, zanim wszystko zostało ustalone i bez poświęcania czasu na wykonywanie dokumentacji fotograficznej.
Jakie są zalety chmury?
Dane pozyskiwane w sieciach IIoT tworzą zwykle ogromne i złożone zbiory, dla których nie sprawdzają się tradycyjne metody zarządzania nimi, ich magazynowania ani przetwarzania. Wyzwaniem dla przedsiębiorstw bywa już samo przechowywanie takich ilości informacji. Ponadto są one generowane z dużą szybkością, więc równie prędko muszą zostać poddane analizie, aby można było z nią nadążyć za przychodzącymi nowymi informacjami. Na wydajność obróbki danych wpływa także ich różnorodność, ważna staje się zatem ich prawidłowa klasyfikacja. Potrzebna jest również weryfikacja wiarygodności i jakości danych.
Przechowywanie i obróbka danych z IIoT w fabrykach wymaga więc dużych ilości pamięci, mocy obliczeniowej oraz odpowiedniego oprogramowania. W spełnieniu tych warunków pomaga chmura obliczeniowa. Jako usługa, w której z serwerów, baz danych, sieci i oprogramowania korzysta się zdalnie, stanowi ona alternatywę w przypadku niewystarczających lokalnych zasobów infrastruktury informatycznej. Z korzystaniem z niej wiążą się liczne korzyści.
Przede wszystkim nie ponosi się wydatków na zakup sprzętu, oprogramowania, a później kosztów jego obsługi i utrzymania (płac specjalistów, opłat za energię elektryczną zasilającą serwery oraz systemy ich chłodzenia). Usługi w chmurze są dostępne na żądanie, zatem nie trzeba ich zawczasu planować. Są również skalowalne, co oznacza, że stosownie do potrzeb i możliwości finansowych można skorzystać z większej lub mniejszej mocy obliczeniowej, pamięci oraz przepustowości. Ponadto, ponieważ to usługodawcy dbają o stronę sprzętowo-programową, klient zawsze ma dostęp do najnowszych rozwiązań. Dotyczy to również zabezpieczeń przed cyberatakami.
Co wyróżnia edge computing?
Dane z węzłów sieci Przemysłowego IoT są zatem zwykle wysyłane do chmury. Mimo jej licznych zalet trzeba pamiętać o tym, że korzystanie z niej wymaga szybkiego i stabilnego łącza internetowego o wystarczającej przepustowości. Takie nie zawsze jest dostępne, a oprócz tego uwzględnić trzeba związany z nim koszt. Jeżeli przepustowość sieci okazuje się niewystarczająca lub koszty transmisji są nieopłacalne, jako alternatywę warto rozważyć przetwarzanie brzegowe (edge computing).
Jest to etap pośredni między gromadzeniem danych przez węzły IIoT a ich obróbką w chmurze. Wyniki pomiarów są tu poddawane wstępnemu przetwarzaniu jak najbliżej urządzenia, które je zarejestrowało i dopiero wtedy wysyłane do chmury. Takie podejście ma wiele zalet.
Przede wszystkim zebrane dane mogą być agregowane i analizowane przed wysłaniem do chmury pod kątem użyteczności dla rezultatu końcowego – dzięki temu, że te uznane za nieistotne nie zostaną przesłane, zmniejszą się wymagania pod względem przepustowości łącza. Pozwala to także na zaimplementowanie obsługi zdarzeń lokalnie – np. jeżeli wielkość mierzona przekroczy wartość progową, wykonywana jest zdefiniowana akcja. Aby to zrealizować, urządzenie brzegowe musi mieć zaimplementowany silnik reguł, który powinien działać nawet bez stabilnego połączenia z chmurą. Pozwala to na zmniejszenie opóźnień, a często w praktyce na podejmowanie decyzji w czasie rzeczywistym. Dzięki przetwarzaniu brzegowemu poprawia się też bezpieczeństwo danych, a ponieważ od węzłów IIoT nie jest wymagany ciągły status online, zmniejsza się obciążenie sieci.
Cyfrowe bliźniaki – aplikacje
Najpopularniejszym zastosowaniem cyfrowych bliźniaków jest przewidywanie działania i przyszłych stanów systemów, takich jak część albo cała fabryka, budynek, farma wiatrowa, w czasie gdy ich fizyczne odpowiedniki są eksploatowane i celem jest ich optymalizacja. Prognozowanie opiera się na bieżących danych i tych zapisanych w historii operacyjnej rzeczywistych obiektów. W tym celu wykorzystuje się opracowane dla nich modele predykcyjne.
Drugim pod względem popularności zastosowaniem cyfrowych bliźniaków są symulacje systemów. Przeprowadza się je na etapach ich tworzenia albo eksploatacji, w celu ich optymalizacji. Dotyczy to przede wszystkim dużych, skomplikowanych systemów. Przykładami są symulacje nowych fabryk na etapie ich planowania, a także zakładów już istniejących, przed wprowadzeniem w nich zmian. Cechą wspólną takich systemów jest współzależność dużej liczby zmiennych, która powinna zostać uwzględniana w ich wirtualnych odwzorowaniach. To pozwala na testowanie wielu scenariuszy "co by było, gdyby" bez konieczności wprowadzania rzeczywistych zmian, a dzięki temu bez narażania zasobów i aktywów na skutki nietrafionych decyzji projektowych.
Cyfrowe repliki są też wykorzystywane w konserwacji. W tym zastosowaniu ich głównym zadaniem jest zapewnienie wsparcia na etapie utrzymaniu ruchu. To często obejmuje także jakąś formę prognozowania. Tego typu wirtualne odwzorowania są projektowane pod kątem zapewnienia efektywności operacyjnej systemu, np. przez wspieranie pracowników podczas zaplanowanych przestojów, jak też niespodziewanych usterek, przez dostarczanie im szczegółowych informacji o fizycznym zasobie albo systemie. Cyfrowe bliźniaki są oprócz tego wykorzystywane w konserwacji predykcyjnej. Ważnym zastosowaniem wirtualnych replik jest również wizualizacja systemów. W tym zakresie wykorzystuje się techniki obrazowania 3D, by zapewnić wgląd w aktualne warunki pracy systemu w sposób jak najbardziej intuicyjny.
Jak być na czasie? szkolenia!
Aby nadążyć za rozwojem nowych technologii, niezbędne jest ciągłe doszkalanie się. Naprzeciw owej potrzebie wychodzą firmy szkoleniowe, organizujące kursy z tego zakresu. Często są one poświęcone zbiorczo przeglądowi rozwiązań zaliczanych do kategorii technologii Przemysłu 4.0. Dostępne są również szkolenia dotyczące analizy konkretnych zagadnień.
Przykładem – kursy poświęcone zastosowaniom sztucznej inteligencji w przemyśle. W ramach szkoleń tego typu omawiane są m.in. takie zagadnienia, jak: podstawowe terminy z dziedziny AI (w rodzaju uczenia maszynowego i sztucznych sieci neuronowych), przykłady algorytmów, przygotowanie dla nich danych szkoleniowych, ich trenowanie i wdrażanie, przypadki użycia SI w przemyśle.
Kolejne przykłady szkoleń sprofilowanych to kursy poświęcone tematyce Przemysłowego Internetu Rzeczy i cyfrowych bliźniaków. Podczas szkoleń poświęconych pierwszemu obszarowi zagadnień porusza się zwykle m.in. następujące tematy: architektura systemów przemysłowych, protokoły komunikacyjne w przemyśle, projektowanie systemu IIoT, dobór komponentów, integracja z istniejącą infrastrukturą, konfiguracja urządzeń, zbieranie i przetwarzanie danych produkcyjnych. Program drugich obejmuje typowo tematy takie, jak: podstawowe koncepcje wirtualnych replik, ich komponenty i rodzaje, zagadnienia z zakresu ich projektowania i wdrażania, przypadki użycia cyfrowych bliźniaków oraz korzyści, jakie przynoszą. W tabeli 1 podajemy odnośniki do przykładowych szkoleń.
Monika Jaworowska
