변화하는 시장 상황, 공급망 제약, 노동 부족 및 빠르게 진행되는 글로벌 산업은 모든 규모의 제조업체가 운영 방식을 재평가하도록합니다. 많은 제조업체들이 경쟁 우위를 유지하고 오랜 비즈니스 문제를 해결하기 위해 기술을 채택하기 시작했습니다. 자동화에서 디지털 기술, 산업 IoT 등에 이르기까지 비즈니스는 이러한 혁신을 활용하여 다양한 시스템, 프로세스 및 사람들의 데이터를 캡처하여 더 나은 결정을 내리는 데 필요한 전략적 통찰력을 제공 할 수 있습니다.
이 회사들이 작업 할 데이터가 많다는 데는 의심의 여지가 없습니다. McKinsey 연구에 따르면 제조업은 1.9 페타 바이트 또는 1,900, 000 테라 바이트의 매년 생성됩니다. 문제는 데이터를 캡처하고 분석하여 사용 가능한 정보로 전환하는 더 나은 방법이 필요했으며 빠르게 수행해야한다는 것입니다. 결과적으로 많은 비즈니스가 인공 지능 (AI)으로 전환하여 운영을 개선 할 수있는 데이터로 기회를 찾습니다.
AI가 데이터 분석에 적합한 이유는 무엇입니까?
제조 수익률 및 가동 시간 개선에서 수요를 정확하게 예측하고 기계를 원격으로 모니터링하고 자산을 제어하고 제품 품질을 향상시켜 AI를 활용하여 전반적인 효율성 및 생산성 메트릭을 크게 향상시킬 수 있습니다.
그것은 마법이 아니라 많은 양의 데이터를 분석하고, 다양한 변수에서 패턴을 연관 시키거나 배우고, 미래 상태를 예측하는 데 도움이되는 현재 조건에 해당 지식을 적용하는 복잡한 알고리즘 세트입니다. 이것은 인간이 이러한 작업을 수행 할 수 없다고 말하는 것은 아니지만 AL은 더 빠르게 수행하고 더 많은 데이터를 정밀하게 처리하여 비즈니스 결과를 향상시킬 수 있다고 말하는 것은 아닙니다.
예를 들어, 모든 제조 환경에는 전통적으로 자체 데이터를 수집하는 몇 가지 다른 작업 그룹과 기계가 있습니다. 각 장치의 정보는 품질, 형식 및 타이밍에 따라 다를 수있어 장애물을 생성하고 데이터에서 의미있는 통찰력을 분석하고 수집하기가 어렵습니다.
AI 기술의 도움으로 많은 양의 데이터를 빠르게 처리 할 수있어 회사가 운영 정보를 빠르고 정확하게 결합하고 대안을 기반으로 결과를 예측하며 제조업체가 민첩하고 정보에 입각 한 결정을 내릴 수 있도록합니다. 이 선제 적 예측 능력은 AI의 강점이있는 곳이며 제품 수율을 크게 높일 수 있습니다.
제품 품질 문제의 근본 원인을 식별함으로써 AI는 제품 결함과 스크랩 속도를 줄이고 제조 수율을 높이는 데 도움이 될 수 있습니다. 자세한 정보 및 분석을 통해 제조업체는 회사의 수익에 직접 영향을 미치기 전에 품질 관리 문제를 해결할 수 있습니다. 그러한 예 중 하나를 봅시다.
AI를 사용하여 엔진 품질을 향상시킵니다
글로벌 엔진 제조업체는 발전기 세트, 해군 및 해양 응용 분야 및 군용 차량을위한 대형 디젤 엔진을 생산합니다. 어셈블리 후, 각 엔진은 엄격한 테스트를받습니다. 테스트 중에 가장 숙련 된 운영자조차도 종종 미묘한 문제의 징후를 감지하지 못해 테스트 중 또는 엔진이 서비스 중이 일단 치명적인 고장을 초래합니다. 이러한 실패로 인해 상당한 손실, 배송 지연, 백 로그 테스트 영역 및 업스트림 생산이 발생했으며 매년 수백만 달러의 비용이 들었으며 정시 배송에 부정적인 영향을 미쳤습니다.
문제는 데이터 부족이 아니라 사용 방법입니다. 실제로, 공장은 수년간 공정 데이터를 수집 해 왔지만 실패가 발생한 후에 후속 작업에만 사용했습니다. 이러한 반응적인 방식으로 데이터를 살펴보면 팀은 이러한 실패가 왜 발생하는지 또는 사전에 해결되는 이유를 이해할 수 없습니다. 궁극적으로, 이러한 문제는 회사가 기존 데이터에서 AI를 사용하여 발생하기 전에 중요한 자산 실패를 예측할 때까지 비즈니스 수행 비용으로 간주됩니다.
제조업체는 파일럿 프로그램으로 시작하여 AI에 필요한 데이터 재단을 마련하여 영향을 미쳤습니다. 역사적 데이터를 사용해야 할 필요성을 고려할 때이 회사는 먼저 AI의 도움으로 데이터 청소 및 분석을 수행하여 48 시간 동안 100 억 개의 데이터 포인트를 100 억 엔진에서 60 억으로 가장 영향력있는 데이터 포인트로 줄였습니다.
그런 다음 시간과 모델별로 여러 모델 세트를 연결하여 데이터를 시각화하고 데이터 간격을 식별하십시오. 갭 분석에 기초하여, 특정 데이터를 더 자주 추출하기 위해 조정하여 모델링이 향상되었습니다. AI 플랫폼을 사용함으로써 전체 분석은 현재 생산에 영향을 미치지 않고 위험이 낮은 환경에서 수행됩니다.
이 데이터에서 제조업체는 기준선을 설정하고, 동향과 이상을 식별하며, 정보를 실행할 계획을 개발할 수 있습니다. 몇 주 만에 그들은 일련 번호별로 위험 엔진 그룹을 식별하는 보고서를 작성했습니다. 이 정보를 바탕으로 제조업체는 이러한 엔진이 품질 관리 테스트 또는 현장에서 문제의 확률이 높다고 의심합니다. 테스트 데이터를 실제 제품 고장에 연결함으로써 보고서는 몇 년 동안 엔진 문제의 80 % 이상을 정확하게 식별했습니다.
AI 모델이 끊임없이 학습하기 때문에이 프로젝트는 반복적 인 프로세스라는 점에 유의해야합니다. 약 45 일 만 에이 모델은 30 분 전에 오 탐지율이 0으로 예측할 수있었습니다.
운영 중단을 최소화합니다
공식 출시 중에 AL 솔루션은 테스트 제어 시스템 및 HMI (Human Machine Interface)에서 생성 된 실시간 데이터에 연결됩니다. 이것은 정상 작동에 영향을 미치지 않습니다. 실제로이 모델은 회사의 표준 테스트 소프트웨어와 통합되었으며 운영자는 구현되었음을 알지 못했습니다. 그들은 이제 그들의 HMI 인터페이스가 잠재적 인 다가오는 문제와 그들을 다루는 방법을 알려줄 것임을 알아야합니다.
처음 90 일 동안 AI 응용 프로그램은 20 개의 실시간 이벤트를 감지하고 엔진 손상 450 만 달러 이상을 피했으며 프로젝트의 10 배 수익 투자 (ROI)를 달성했습니다.
이 사례에서 알 수 있듯이 AI를 활용하면 제조업체에게 품질 결함을 사전에 줄이고 돈을 절약하며 전달 속도를 향상시키면서 운영 중단을 최소화 할 수있는 방법을 제공 할 수 있습니다. AI는 탄탄한 데이터 토대를 시작하고 숙련 된 파트너와 협력하여 비즈니스 결과를 주도하는 데 필요한 통찰력을 제공하고 오늘날의 빠르게 발전하는 비즈니스 환경에서 제조업체가 경쟁하는 데 도움이 될 수 있습니다.
그러나 AI는 한 가지 크기에 맞는 솔루션 일 필요는 없습니다. 귀하의 요구, 응용 프로그램 및 특정 상황에 따라 다양한 솔루션을 사용자 정의해야합니다. 따라서 신뢰할 수있는 파트너가있는 것이 중요합니다. AI와 관련하여 디지털 혁신 여정의 위치를 평가하고 목표 나 도전을 이해하며 실제 요구에 가장 적합한 최고의 공급 업체의 솔루션을 식별 할 수 있습니다.