当谈到突破性技术时,人们经常提到像 ChatGPT 这样的人工智能驱动的大语言模型。从2022年11月ChatGPT首次向公众推出,到 2023年1月,仅用了不到两个月的时间,它的用户数量迅速增长到了1亿多,成为历史上用户增长速度最快的软件。
尽管许多人在如何使用这项技术以及它可能带来的风险方面存在分歧,但伟创力全球运营及供应链总裁陈光辉相信,我们都能就一点达成一致——这项技术将永久性地改变我们的生活和工作方式。
在制造业领域,我们看到了通过采用先进制造技术实现的同步转型。世界经济论坛未来先进制造和生产平台主管 FranciscoBetti也表示:“要使现代制造业真正实现创新,我们需要促进生产率和经济增长,同时还要为工人、社会和环境创造价值。”“在伟创力工作了二十多年后,我亲眼见证了正在改变我们行业的技术力量。我相信,有三项关键能力将定义制造业的下一个时代:实时决策、实时修改和智能工厂生产线。”
设备互联如何工作?
设备互联性的前提是确保运营稳定。这意味着标准制造流程的基本要素已被确认,并且可以重复执行。一旦这一点确定,就可以考虑设备间如何相互连接。
工厂中的设备,甚至包括不同地点工厂中的设备,需要能够从环境中收集数据进行分析,并与其他设备连接共享数据,从而将其转化为可操作的信息和见解。许多设备可以改装成通过传感器进行数字化传导数据,从而避免在新机器上投入大量资金。
除了从设备中收集数据外,还可以收集来自人员和流程的数据,包括数字和视频数据,以及传感器和生产线操作员的轮班时间等。许多这样的数据已经在收集中,但许多公司需要投资的是建立 AI模型,以便利用他们所拥有的数据做出更好的实时决策。
将设备连接想成一个神经系统。神经延伸到身体的各个部位,类似制造业的不同方面,并传递信号。不同的机器代表着身体的不同部位,比如眼睛、嘴巴、耳朵或手,但如果神经停止向大脑(或工厂的数字骨干网)传递数据,那么这些数据将无法实时得到恰当分析,从而采取行动。
例如,当注塑机需要进行停机维护时,通过在机器上放置振动传感器,AI模型就可以不断地获取振动数据。当振动发生变化时,模型可以推断出机器需要维护或修理,以免影响生产。
实时决策如何优化运营
当设备连接正常运行时,就可以进行实时决策,而不是承受本可避免的停机后果。为了正确进行设置,您需要确保清晰明确的最终目标。在这个阶段,您应该向自己提出以下几个问题:
需要做出哪些决策,以及以何种频率进行?
需要考虑的事情:作出决策的频率可能差别很大,从预测注塑机维护时的每 15 天一次,到高度自动化的医疗生产线为确保部件正确连接而每秒一次。
我们的关键绩效指标(KPIs)应该是什么?
需要考虑的事情:关键绩效指标应基于您要测量的内容。例如,如果要测试芯片组的发热性能,可以使用数字KPI。但如果要测量的是移动中的物体,那么测量移动或动态可视化的视频KPI会更合适。
我们将如何跟踪它们并进行调整?
需要考虑的事情:有了充足的上游数据,人工智能模型可以在事情发生之前就预测它们的行为,从而能够更谨慎地管理结果并阻止故障的发生。以每秒都在生产的高度自动化医疗产品为例,连通性必须足够快,以便在毫秒级时间内采取行动,阻止故障产品下线。
考虑采用能够监控机器性能的技术,并在机器出现问题或需要维护时发出警报,使工厂工人能够介入并采取相应策略,避免停机或尽量减少停机时间。
在这种情况下,能够实时做出明智的、数据驱动的决策可以节省大量成本。据德勤公司最近的一份报告估计,非计划停机每年给制造商造成了500亿美元的损失。在其他情况下,当产品出现缺陷或工厂生产线利用率不足时,机器可能会向工人发出警报,这意味着工人可以介入并做出决策,从而提高生产质量或效率。
在伟创力,我们每天都在体验着设备之间的互联,它由我们遍布30个国家的170,000名全球员工进行管理。虽然现在并非每个工厂都实现了百分之百的互联,但我们正逐渐在整个制造生态系统中建立更多的互联,从而增加数据流,改善制造和供应链决策。
如何进行实时调整?
除了为工人提供做出明智、及时决策所需的信息外,制造商投资能够实现实时修改的技术也至关重要。例如,在伟创力,我们部署了工业物联网和人工智能/机器学习,以消除印刷电路板组件测试流程中的瓶颈。
我们一个客户的印刷电路板组件终端功能测试分为四个部分,其中一部分包括50 多个步骤,持续时间超过两个小时。如果测试失败,产品必须送回工厂进行调试,然后再进行整个测试过程。在流程的后期出现故障会增加大量的生产时间,并造成产量瓶颈。为了提高测试流程的效率和可靠性,我们对每个测试步骤的历史数据进行了解析,并利用人工智能/机器学习分类模型,开发出一种创新的方法来重新安排测试步骤的顺序和优先级,以实现最高效率。我们发现,测试时间总体缩短了30%,在出现故障的情况下,测试时间缩短了50%。
我们还利用人工智能/机器学习技术改进质量检测流程。在一条生产线上,我们在人工智能模型中使用了视觉数据,以确保每个元件都放置正确。在这种情况下,有两个几乎完全相同的电容器,只是数值不同,因此人眼很容易出错。利用人工智能和视频,我们能够看到操作员是否将元件放置在正确的位置,并实时提供反馈以解决任何问题。这不仅提高了性能和产量,还使我们能够在部件被送往生产线的另一工序之前发现关键问题,从而减少废品率。
智能工厂生产线的前景
设备互联和人工智能/机器学习以及其他工业 4.0 技术为优化和建设智能工厂带来了机遇。在工厂生产线上,一台故障机器会导致下线产品出现缺陷,传感器就可能会在缺陷出现的第一时间识别出来,而不是等到检查过程中才发现这些缺陷,因为到那时,所有的产品将被进行丢弃或返工处理。
此时,可以实时发送警报,并通过人工智能/机器学习,停止工厂生产线,重新校准,并在问题解决后继续生产。随着时间的推移,这将使制造过程更加智能、高效和可持续。让人工智能/机器学习做出较低层次的决策,就能解放员工,从而让他们利用自己的专业知识和批判性思维来处理更复杂或更具挑战性的情况。
伟创力正在努力建设更智能的工厂,我们在许多工厂(包括GLN工厂Althofen和Sorocaba)所取得的进展令我们倍感振奋。我们的Sorocaba 工厂是拉丁美洲首家获得 "可持续发展灯塔"称号的工厂,它经历了数字化转型之旅,获得了实时数据和洞察力,为循环经济生态系统和更好的可持续发展成果提供了支持,包括材料浪费减少94%,范围1和范围2的温室气体排放减少41%。该基地基于云的逆向物流系统利用自动材料分类和物联网收集箱来转化电子废物,并通过修复、回收和循环利用零部件和材料,将材料重新引入供应链。除循环经济解决方案外,该基地还利用智能公用事业管理和数字化二氧化碳排放仪表板等工业 4.0 技术,减少了能源使用、水消耗以及范围 1、2 和 3 的温室气体排放。
如何铺平前进的道路?
为了帮助我们的员工提升取得成功所需的技能,我们与当地的职业学院合作,在许多工厂开展了培训活动,对我们的人才进行再培训和技能提升。我们还实施了全球能力加速计划,对员工进行包括AR/VR、人工智能和数据分析在内的广泛培训,帮助他们在工业4.0制造环境中取得成功。
在发展的过程中,我们必须从大局出发,从错误中吸取教训,并将我们的经验教训应用到整个生产运营生态系统中。要想从人工智能等技术中获益,企业必须从整体层面着手,确定哪些业务领域可以从人工智能的使用中获益,对供应商和使用方法进行标准化,并将利益相关者(如负责数据和安全的 IT 部门)纳入其中。
像ChatGPT和其他准备对我们的世界产生巨大变革性影响的人工智能平台一样,工业 4.0 技术正在通过连接生产运营来改变我们的行业,从而使机器、流程和人员能够不断学习,并在时间推移中做出更快、更明智的决策。"