TIBCO tentang manufaktur di dalam ekonomi anomali baru
Direktur strategi digitalisasi TIBCO, Alessandro Chimera, membahas cara produsen menggunakan data, AI, dan otomatisasi untuk memantau sistem
Cara kami menggunakan data untuk memantau dan mengontrol sistem manufaktur telah berubah. TIBCO direktur strategi digitalisasi Alessandro Chimera mengenakan overall elektroniknya dan mengisi ulang pistol pelumas digitalnya untuk menjelaskan bentuk ekonomi anomali yang memandu manajemen kinerja operasional dan membahas segala hal mulai dari kembar digital hingga AI, otomatisasi hingga pengawasan manusia.
Beberapa bagian dari industri manufaktur masih ada seperti yang mereka lakukan pada pergantian tahun 1900-an. Kami masih membutuhkan pelumas, roda gigi, dan mesin gerinda di samping overall dan tea break. Dasar-dasar itu mungkin akan menyebar jauh ke masa depan otonom otomatis karena manusia akan selalu berperan dalam narasi dasar yang lebih luas yang mengoperasikan fasilitas manufaktur apa pun.
Tapi, tentu saja, kita tahu bahwa manufaktur telah berubah. Sepanjang revolusi industri pertama, kedua, dan sekarang ketiga, kita telah melihat akselerasi bertenaga uap, mekanisasi, dan sekarang otomatisasi berbasis TI yang diterapkan pada operasi manufaktur dengan cara yang tidak pernah dibayangkan oleh pendahulu kita.
Saat kita memasuki fasilitas manufaktur yang sangat terkontrol di masa depan dengan kembar digital dan data sekarang bergabung dengan mesin fisik dan pekerja manusia kita, kita harus bertanya pada diri sendiri bagaimana kita mendekati deteksi anomali. Cukup mudah untuk melihat penurunan atau lonjakan pada grafik yang melaporkan pengukuran yang signifikan, tetapi apa yang kita lakukan ketika ada penurunan kualitas atau kinerja yang lambat yang terjadi selama sebulan, atau mungkin lebih lama?
Pengawasan buta oleh manusia
Fasilitas manufaktur modern sekarang beroperasi pada skala produksi massal yang melampaui kemampuan satu orang (atau bahkan kelompok) untuk berada di setiap titik di lantai pabrik sekaligus. Dalam lingkungan ini, kita tidak dapat mempercayai pengamatan manusia untuk memberikan gambaran lengkap yang kita butuhkan. Di fasilitas modern saat ini, jarang hanya ada satu variabel untuk dilacak, kemungkinan besar ada ratusan atau ribuan variabel.
Jika anomali produksi 'merayap' ke dalam operasi kami secara perlahan, itu mungkin tidak diketahui sampai terlambat dan kami tidak bisa berbuat apa-apa. Kita perlu membicarakan cara kerja baru.
Jarum di tumpukan jerami data manufaktur
Kita tahu bahwa kumpulan data industri sangat besar dan sangat kompleks. Oleh karena itu, mendeteksi dan memprediksi anomali lebih sulit daripada mencari jarum di tumpukan jerami karena kita sering tidak tahu apa yang kita cari. Namun, mendeteksi anomali berarti penghematan, yang pada gilirannya menghasilkan hasil produksi yang lebih tinggi, baik secara langsung maupun lebih lanjut.
Banyak produsen tahu bahwa mereka memiliki kumpulan data yang sangat besar, tetapi terlalu sering penyimpanan data tersebut disembunyikan dan tersebar di beberapa sistem. Dispersi dan divergensi data ini membuat sulit untuk memahami ketika anomali terkait dengan beberapa sistem data, atau terkait dengan fase produksi fisik yang berbeda. Memang, terkadang perlu untuk mengambil data dari produk yang sudah ada di pasar yang menunjukkan masalah operasional atau fungsionalitas. Apa pun itu, langkah pertama adalah menyatukan semua sumber data Anda.
Hari ini kami bekerja di dunia di mana analitik menjadi bagian mendasar dari pabrik modern; tren yang digarisbawahi oleh perkembangan kembar digital, di mana kita perlu menerapkan analitik yang akurat, cepat, dan cerdas untuk mendapatkan wawasan prediktif yang dapat diberikan oleh mesin virtual ini.
Setelah data tersedia dan dapat diakses, analitik lanjutan tersedia untuk mulai menganalisis apa yang harus dicari. Teknik ilmu data modern membantu kami menemukan anomali tersembunyi yang tidak segera dipahami karena banyaknya parameter yang dapat memengaruhi kualitas produk.
Anomali machine learning dan AI scouts
Ini membawa kita ke hari ini. Kami sekarang berada pada titik di mana pembelajaran mesin (ML) dan kecerdasan buatan (AI) juga memasuki proses produksi.
Beberapa produsen awalnya menggunakan ML untuk memahami inisiatif pemasaran mereka, mengelompokkan pelanggan, dan memicu tindakan tertentu. Namun dalam beberapa tahun terakhir, produsen yang lebih progresif dan maju mulai memahami manfaat penggunaan teknik ML dan AI untuk mendeteksi anomali.
Salah satu contohnya adalah penggunaan autoencoder untuk belajar dari data. Autoencoder adalah teknik kecerdasan jaringan saraf tiruan yang digunakan dalam ML. Ini digunakan untuk membuat kode dan mempelajari fitur dari kumpulan data yang tidak berlabel dalam apa yang biasa kita sebut pembelajaran tanpa pengawasan.
Masa depan manufaktur efisien real-time kami
Dengan menerapkan model statistik terlatih ke data real-time, dimungkinkan untuk memprediksi kapan anomali akan terjadi. Ini mendorong kita ke titik baru operasi yang efisien. Semuanya membawa kita ke titik di mana kita sekarang dapat beralih dari bereaksi terhadap anomali, ke memprediksi anomali dengan keuntungan mencapai pengurangan biaya operasional yang substansial. Kami mengurangi biaya sebagai akibat langsung dari penurunan tingkat kerusakan dan kerusakan serta pencegahan waktu henti peralatan yang tidak direncanakan.
Hemlock Semiconductor (HSC) adalah salah satu produsen terkemuka yang menggunakan solusi kontrol proses, pemeliharaan prediktif, dan deteksi anomali untuk merampingkan dan mengontrol manufaktur semikonduktornya.
Dengan memperkenalkan peringatan hampir real-time untuk proses manufaktur individu, karyawan kini dapat secara otomatis membandingkan parameter utama dengan ambang batas yang telah ditentukan sebelumnya, aturan statistik, dan pola optimal yang ditemukan melalui pembelajaran mesin dan metode AI. HSC menerima peringatan yang dibuat secara otomatis segera setelah suatu proses berada di luar pita parameter yang dapat diterima, memberi tahu personel manufaktur bahwa ada sesuatu yang memerlukan perhatian mereka. Personil kemudian dapat dengan mudah mengakses data untuk melihat dengan tepat variabel mana yang mungkin menyebabkan masalah. Setelah hubungan sebab-akibat ini diidentifikasi, tim mengambil tindakan untuk mencegah kesalahan proses terjadi lagi.
Semua kemajuan ini pada akhirnya membawa kita ke masa depan kita dan masa depan planet kita. Saat penggunaan kembar digital berkembang sejalan dengan penerapan analisis data dan ML, setiap produsen menjadi pabrik berbasis data, yang berfokus pada deteksi anomali yang semakin presisi. Pada titik ini, produsen dapat bekerja lebih intensif dengan konsumsi energi yang dioptimalkan demi kebaikan kita semua.
Produktivitas tanaman akan selalu menjadi yang utama dan karena masa depan tidak dapat disangkal didorong oleh data, ini adalah jalan yang harus kita ambil secara logis. Hasilnya, kami akan dapat menempatkan produk di pasar yang tidak hanya memberikan kinerja yang lebih baik, tetapi juga bekerja lebih baik dan bertahan lebih lama. Apa dampaknya terhadap pasar barang sekali pakai yang murah – di mana kualitas disetel untuk 'kedaluwarsa' setelah jangka waktu tertentu - adalah pertanyaan lain untuk hari lain.
Cara kami memproduksi barang dan layanan terkait kini dapat ditingkatkan melalui deteksi anomali dan daya mesin terkait yang didapat dari analitik data dan kecerdasan. Jika itu bukan alasan untuk melepas baju terusan kita dan duduk untuk istirahat minum teh, maka tidak ada apa-apa.
