AI to nie tylko buzzword. Oto obszary w produkcji, w których AI zwraca się szybciej, niż można przewidywać.
Sztuczna inteligencja to słowo, które przejawia się w otaczającym nas świecie niemalże bez przerwy od trzech lat. Generatywna sztuczna inteligencja otworzyła zupełnie nowe perspektywy rozwoju AI, a także spowodowała znaczący wzrost zainteresowania technologią, której korzenie sięgają połowy XX wieku.
AI w przemyśle nie jest pustym buzzwordem. To nie świetlana wizja przyszłości, którą można kojarzyć z flagowych filmów Sci-Fi sprzed kilku-kilkunastu lat. Sztuczna inteligencja w przemyśle jest teraźniejszością, a organizacje, które ją ignorują niebawem borykać się będą z ogromnym długiem technologicznym, nieefektywnością oraz brakiem konkurencyjności rynkowej.
AI działa w fabrykach produkcyjnych, analizując dane, przewidując awarie, poprawiając jakość i optymalizując procesy. I robi to lepiej niż człowiek, szczególnie tam, gdzie dane są zbyt złożone, by dało się je ogarnąć excelem czy okiem operatora.
Z drugiej strony AI nie jest lekiem na wszystkie problemy nowoczesnego przemysłu. Nie każda inwestycja w narzędzia sztucznej inteligencji jest mierzalna oraz opłacalna. Gdzie zatem warto inwestować w AI, aby szybko uzyskać rezultaty, usprawnienia, a także mierzalny zwrot z inwestycji?
Predictive Maintenance – predykcyjne utrzymanie ruchu
Awaria prowadząca do zatrzymania linii produkcyjnej to koszmar każdego zakładu. Przerwa w ciągłości działania może kosztować od kilku tysięcy do nawet setek tysięcy złotych, a w przypadku poważniejszej awarii straty mogą być liczone w milionach złotych.
Nowoczesny przemysł bazując na coraz większej ilości maszyn, czujników oraz skomplikowanych sensorów posiada mnóstwo danych. Po ich odpowiednim przeanalizowaniu można na bieżąco przeciwdziałać awariom.
AI analizujące dane z czujników (np. drgań, temperatury, zużycia energii) może przewidywać, kiedy maszyna się zepsuje, zanim dojdzie do awarii. Takie podejście pozwala na planowanie napraw i eliminacje ryzyka jeszcze przed jego wystąpieniem. W konsekwencji liczba przestojów się zmniejsza, a linia produkcyjna jest dużo bardziej przewidywalna.
ROI dla wdrożenia AI w systemach Predictive Maintenance zwykle wynosi poniżej 12 miesięcy. Koszt systemu to kilkadziesiąt tys. zł, oszczędności z tytułu jednej unikniętej awarii – nawet powyżej 100 tys. zł (produkty + przestój + serwis).
Kontrola jakości dzięki połączeniu AI z ML
Samo AI często nie jest rozwiązaniem problemu, ale niezwykle ważnym elementem scalającym wiele podzespołów. Tak właśnie jest w kolejnym wykorzystaniu AI z niezwykle szybkim zwrotem kosztów wdrożenia inwestycji.
Wiele linii produkcyjnych wspiera się zautomatyzowanym systemem kontroli jakości bazującym na wysokiej jakości kamerach oraz maszynowym uczeniu wzorców. Gdy system ten zostanie wsparty sztuczną inteligencją można szybciej i dokładniej wykrywać znane wady, a także automatycznie identyfikować nietypowe wady.
Rozwiązanie tego typu ogranicza liczbę wybrakowanych produktów, zwiększa powtarzalność oraz minimalizuje koszty związane z reklamacjami produktów nie spełniających założeń jakościowych.
Systemy wizyjne oparte na AI są tańsze niż klasyczne wizyjne rozwiązania, a dodatkowo samo uczące się modele redukują potrzebę ręcznego programowania. Zwrot ROI z inwestycji to od 6 do 12 miesięcy w zależności od wdrożenia.
Analityka w systemach MES/SCADA
Większość linii produkcyjnych MES/SCADA gromadzi mnóstwo danych, które nie są odpowiednio analizowane. Podczas gdy większość organizacji boryka się z brakami odpowiednich danych do analizy przez AI w przemyśle problem ten nie występuje.
Sztuczna inteligencja może analizować dane z systemów MES/SCADA wykrywając niewidoczne wcześniej wzorce, które wpływają na jakość lub wydajność produkcji. W konsekwencji zwiększana jest efektywność produkcji, a ograniczane marnotrawstwo.
Zwrot z wdrożenia analityki AI w systemach MES/SCADA w zależności od ich stopnia złożoności wynosi średnio od 9 do 18 miesięcy. W dużych zakładach może się to przełożyć na setki tysięcy złotych rocznie w oszczędnościach.
Efektywna logistyka wewnątrz zakładowa
Sztuczna inteligencja świetnia sprawdza się w procesach logistycznych. AI może planować i optymalizować ruchy wózków, AGV, trasy kompletacji, a także zarządzać kolejkami zleceń i miejscami składowania.
Tego typu wykorzystanie mechanizmów i systemów AI skraca czas transportu wewnętrznego, minimalizuje ryzyko kolizji, wąskich gardeł, przestojów oraz błędów wywołanych czynnikiem ludzkim. Pozwala również lepiej wykorzystać dostępną przestrzeń magazynową.
Zależnie od skali organizacji tego typu wdrożenia zwraca się od kilku miesięcy do 2 lat. Największy zwrot tam, gdzie produkcja jest just-in-time i każda minuta się liczy.
Zarządzanie wykorzystaniem energii elektrycznej
AI analizuje dane z liczników, falowników, HVAC i systemów sprężonego powietrza może wykazywać nieefektywności energetyczne i rekomendować działania naprawcze.
Tego typu systemy pozwalają zapewnić niższe rachunki za energię elektryczną, zgodność z politykami ESG, lepsze wykorzystanie dostępnej infrastruktury, a także zmniejszenie śladu węglowego.
Bazując na predykcjach, a także danych archiwalnych, AI może optymalizować procesu produkcyjne tak, aby jak najefektywniej wykorzystywać energię elektryczną np. przesuwając energochłonne procesy poza godziny szczytu.
Zwrot tego typu wykorzystania AI wynosi od 6 do 12 miesięcy. Pozwala zapewnić oszczędności sięgające nawet kilkuset tysięcy złotych rocznie.
AI w przemyśle nie może być rewolucją
AI w przemyśle nie może być wdrażane jako wielka zmiana całkowicie wywracająca sposób funkcjonowania. Sztuczna inteligencja w nowoczesnych firmach z sektora przemysłu powinna być wdrażana niewielkimi krokami, optymalizując znane i sprawdzone działania. Najlepszą formą wdrożenia są małe, dobrze zdefiniowane projekty, które przynoszą szybki zwrot i skalują się dalej.
Wdrożenie AI powinno odbywać się na przykładzie rozwiązania konkretnego problemu, a nie szukania możliwości wdrożenia AI „na siłę”, aby wykazać się innowacyjnością.
