“Comience con el análisis predictivo avanzado” Estrategia de avance de fábrica inteligente de SAS

La IA es una tecnología clave para la transformación digital de la industria manufacturera. El Ministerio de Comercio, Industria y Energía dividió las fábricas inteligentes en cuatro etapas según la utilización de TI, y la tecnología de IA es esencial para la etapa avanzada en la que todo el proceso de fabricación está integrado y es posible una producción personalizada. La ‘Fábrica Inteligente’, que simboliza la innovación en la industria manufacturera, es difícil de avanzar sin IA.

Uno de los usos más destacados de la IA en la fabricación es el análisis predictivo avanzado. El análisis predictivo es una tecnología que predice y previene situaciones problemáticas a través de datos, y es un método representativo para apoyar la toma de decisiones corporativas y aumentar la eficiencia y la productividad.

Byung-wook Choi, Director de Práctica de Tecnología Global APAC de SAS, una empresa líder en el mercado de análisis predictivo avanzado, realizó una conferencia organizada por ITWorld y CIO Korea el 25 de mayo.Futuro de la Manufactura 2023“El uso de análisis a través de SAS en la industria manufacturera tiene varias ventajas, no solo en términos de puntos de contacto con el cliente, sino también en términos de instalaciones y procesos”.

Según Byeong-Wook Choi, el uso más activo de análisis predictivos avanzados en la industria manufacturera en los últimos años es la inteligencia del cliente. Se puede utilizar para comprender mejor y responder a las necesidades y preferencias de los clientes y clientes potenciales para aumentar la cuota de mercado. En términos de uso y ventas de productos, predice la demanda, optimiza las cadenas de suministro y responde de manera preventiva a las quejas de los clientes teniendo en cuenta la variabilidad de las condiciones externas, como el clima, lo que ayuda a reducir los costos de garantía.

El análisis en tiempo real de los datos de IoT también puede maximizar el rendimiento del equipo. Reduzca los costos del tiempo de inactividad y el mantenimiento no programado, o mejore el rendimiento y la calidad del campo con información basada en inteligencia artificial para la predicción de la calidad y la detección de anomalías. Además, para los activos de equipos y productos conectados inteligentes, los productos se pueden ampliar con la telemática para crear modelos de negocio activos e innovadores en tiempo real.

“La plataforma de análisis de autoservicio de IA basada en GUI proporcionada por SAS admite una colaboración fluida entre ingenieros, científicos de datos y desarrolladores, lo que permite un modelado fácil y rápido. También respalda el gobierno de datos y la toma de decisiones de gestión a través de servicios de nube administrados, lo que brinda beneficios como un TCO mejorado, un tiempo de implementación reducido y una mayor capacidad de recuperación”.

En particular, SAS admite la resolución de varios procesos y problemas de calidad a través de la llamada ‘IA compuesta’, que es una combinación de varios tipos de IA, como aprendizaje/lenguaje/visual/voz, como ML, aprendizaje profundo y visión artificial. Choi Byeong-wook, director, enfatizó: “En términos de fabricación futura, la IA compleja se utiliza desde varias perspectivas”.

Caso de mejora de la calidad y el seguimiento mediante el uso de IA compuesta

El director Byung-Wook Choi compartió un caso virtual en el que se incrementó la productividad al identificar las condiciones óptimas de fabricación mediante el uso de soluciones de SAS en el proceso de fabricación de máscaras en blanco para semiconductores. En primer lugar, la tarea que debe preceder al desarrollo del modelo ML es la definición del problema. En este caso, debido a la naturaleza del proceso de fabricación, el valor de la inspección de calidad tendía a aumentar gradualmente a medida que aumentaba el volumen de producción.

Después de definir el problema, desarrollamos un modelo ML que puede predecir los valores de control de calidad en función de los parámetros de control. En este caso, los valores espectrales UV reales históricos y recientes y las diferencias de equipos, todos los datos de los lotes de producción de fabricación y la información ambiental, como la temperatura y la presión, se establecieron como parámetros de entrada básicos, y la información de la fuente de energía y el gas se establecieron como parámetros de control. .

Por ejemplo, en este caso, si el valor estándar de tolerancia se establece en 0,3 nm y el valor obtenido al ingresar el parámetro de control es 0,25 nm, es necesario optimizarlo en 0,05 nm cambiando los valores de gas y potencia. En este caso, se puede utilizar un algoritmo de búsqueda de parámetros de optimización para obtener una respuesta sobre cómo configurar los parámetros de control.

El trabajo concreto de optimización predictiva se centra en dos tipos de usuarios: analistas y operadores. Primero, el analista diseña un modelo de predicción de calidad que incluye el proceso de preparación de datos. Durante este proceso, se prueban de 5 a 20 modelos para identificar un “modelo campeón” con el mejor poder predictivo y utilizarlo para desarrollar la lógica de búsqueda de parámetros óptima. y automatizar el modelo optimizado.

Los operadores especifican valores de prueba de calidad objetivo y derivan valores de parámetros óptimos que satisfacen estos valores. En este caso, el operador ingresa los valores óptimos de información de gas y energía considerados por el operador y deriva el valor de prueba de calidad pronosticado para minimizar la brecha con el objetivo.

El director Byeong-Wook Choi dijo: “Si usa un modelo predictivo predefinido en forma de plantilla, o si no está seguro de cómo usar el algoritmo del modelo, puede usar la función de automatización de la plataforma SAS Bayer para crear un modelo automatizado. tubería. En el último caso, se ingresan datos y se crea una canalización automatizada, lo que permite que el software derive un modelo predictivo específico. En general, el ciclo de vida general va desde la creación y utilización de modelos hasta su operación directa por parte de los usuarios”.

El ciclo de vida de desarrollo y operación del modelo ML incluido en la plataforma SAS Baya también es aplicable a la visión artificial. Por ejemplo, una empresa de fabricación que produce paneles de yeso puede experimentar un problema de retraso en el tiempo de envío del producto cuando se superponen varios paneles o se produce un retraso en el movimiento mientras se mueve el panel a lo largo del riel. En este caso, es posible responder rápidamente a los problemas del proceso mediante la recopilación de información de imágenes de monitoreo tomadas por las cámaras de fábrica y la detección de problemas en tiempo real.

En general, el paso de análisis de imágenes procede de la siguiente manera. Primero, se extraen fotogramas del video, se ajusta el tamaño y se seleccionan las partes necesarias utilizando el modelo de detección de objetos YOLO. Después de determinar la posición de un objeto específico en la imagen con un cuadro delimitador, el tamaño de la imagen se reajusta en consecuencia y los puntos característicos se detectan en la imagen con KeyPoint Detection. La distancia entre productos se rastrea en tiempo real a través del filtrado de Kalman.

SAS integra a la perfección este proceso a través de soluciones como Event Stream Processing (ESP) y Visual Data Mining and Machine Learning (MSL), e incluso proporciona alertas en tiempo real junto con los sistemas existentes. El director Choi Byung-wook dijo: “Los datos de marco en tiempo real recopilados del controlador existente predicen el área, la distancia y el movimiento de un objeto específico, y el Kepware o PLC propiedad del cliente y el tercero tiene la forma de ‘ha ocurrido un problema, por lo que el operador debe verificarlo’. Te informaré”, dijo.

Un sistema ‘para todos’, desde expertos en análisis hasta ciudadanos desarrolladores

El ciclo de vida analítico de SAS, desde los datos hasta la exploración y la implementación, sigue a DataOps y ModelOps. El director Choi Byung-wook dijo: “Consiste en una parte que recopila y administra datos, crea un modelo, distribuye el modelo y lo administra en un PLC o un tercero. Hay un proceso de apoyo. “El ciclo de vida también incluye ML y visión por computadora, así como varios tipos de análisis de texto, como el procesamiento del lenguaje natural”.

En particular, el director Byung-Wook Choi enfatizó que el enfoque de SAS es “análisis para todos”. La creación de modelos de aprendizaje profundo o ML es el dominio especializado de los ingenieros de datos y los científicos de datos, pero con capacidades de automatización fáciles de usar, SAS permite a los analistas y científicos de datos ciudadanos crear, implementar y administrar como les plazca.

En la era de la transformación digital, es importante que los fabricantes creen soluciones que optimicen los procesos y el rendimiento. Con este fin, SAS brinda soporte en tiempo real para el ciclo de vida analítico de SAS a través de una variedad de fuentes y soluciones abiertas. El director Choi Byung-wook dijo: “La plataforma de análisis empresarial basada en inteligencia artificial SAS Viya administra datos, visualiza datos administrados, crea un modelo a partir de los datos expresados ​​y extrae y utiliza el modelo realmente creado como se desee. Es compatible con el soporte ‘one shot’. Este es el ciclo de vida que SAS ofrece a la fabricación ahora y en el futuro”.
[email protected]