MPLM IG™ ПРОМЫШЛЕННЫЙ ИНЖИНИРИНГ │ АВТОМАТИЗАЦИЯ ПРОИЗВОДСТВА │ ТЕХНОЛОГИИ МЕТАЛЛООБРАБОТКИ

14.01.2018

ЦСЦ: Путь к высокой эффективности сварочного производства

Этапы проведения инжиниринговых мероприятий и внедрения технологий проекта "СЦ"

Введение в "ЦСЦ" 👈
  • Этап 1 – Индуктивный анализ производства, синтез цифрового двойника.
Математическое моделирование производства на основе данных полученных методом глубокого индуктивного изучения производственных процессов.
Разработка детерминированной виртуальной модели производства.
  • Этап 2 – Проект организации/реорганизации киберфизической среды производства
  • Этап 3 – CAx/PdA-автоматизация производства (цифровая тень производства под управлением ИИ)
CAx/PdA-автоматизация производства (цифровая тень производства под управлением ИИ)

3.1 Объединение оборудования в IoT, разработка и внедрение SCADA

Объединение оборудования в IoT, разработка и внедрение SCADA
IoT (от анг. Internet of Things) – интернет вещей, это простое определение грандиозной концепции. Производственное оборудование (вещи) интегрируются в единую информационную среду взаимодействуя друг с другом и внешней средой. Посредствам различных датчиков, контроллеров и другого программно-аппаратного обеспечения образуется CPS (cyber-physical system – киберфизическая система).

SCADA (от англ. Supervisory Control And Data Acquisition — диспетчерское управление и сбор данных) – программный пакет, предназначенный для разработки или обеспечения работы в реальном времени систем сбора, обработки, отображения и архивирования информации об объекте мониторинга и управления.

SCADA для сварочного производства уже достаточно распространены на заводах в странах ЕС, в России такие системы пока редкость, реализованных проектов очень мало. На заводах в ЕС, SCADA для сварочного производства используется главным образом для автоматизации системы управления качеством и мониторингом состояния сварочного оборудования. Такие "пряники" для российских предпринимателей пока ещё не на столько сладкие чтобы расставятся с деньгами.

Пример внедрения CPS на финском заводе производящем металлические конструкции

CPS-решения для сварочного производства становятся привлекательными для инвестирования в совокупности с другими технологиями, особенно для реализации планов внедрения ИИ. Цифровая тень производства управляемая ИИ даёт взрывной эффект повышения эффективности сварочного производства. Эффективность инвестиций в организации киберфизического пространства гораздо выше чем у любого инвестиционного проекта автоматизации физического производства на основе промышленных роботов или внедрения обычных АСУ ТП.   

На сегодняшний день, на рынке CPS-решений уже много различных систем, подавляющее большинство из них "брендовые", т.е. разработанные для создания конкурентного преимущества конкретных производителей оборудования. Но есть и универсальные, независимые системы. Качественных инструментов на рынке технологий уже достаточно много, есть из чего выбрать.

На общем фоне выделяется Kemppi «WeldEye Welding Management», узнать подробнее о WeldEye, можно прочитав публикации:
Диагностическое оборудование (аппаратная часть WeldEye) интегрировано в последнюю модель сварочного полуавтомата Kemppi X8 MIG Welder.

На сборочно-сварочном производстве, второй по значимости CPS являются системы мониторинга транспортных и грузоподъёмных машин. В этом сегменте вариантов значительно меньше, чем в сегменте CPS сварочного оборудования и возможно, что потребуется разработка индивидуального нестандартного решения.
Примером мониторинговой CPS для кранового хозяйства может служить – «DEMAG StatusControl» 

3.2 Внедрение или модернизация MES.

Разработка системы правил управления производственными процессами сварочного цеха
Автоматизация "уровня цех" (комплектация, сборка, сварка) – MES (Manufacturing Execution System).


3.3 Организация/автоматизация CAD/CAE (САПР)

САПР 3D модель объекта производства – это набор данных создаваемый инженером, который возможно структурировать таким образом чтобы 3D модель стала основным источником информации для планирования производства, оперативной организации и автоматизации производства.

Информация, созданная один раз, не должна создаваться повторно! Необходимо выстроить систему правил моделирования объектов производства таким образом, чтобы 3D модель сделанная в САПР использовалась как источник данных всеми объектно-ориентированными приложениями. 

Организация сварочного производства начинается с определения того, какие детали должны быть между собой сварены с одновременным назначением параметров сварочных швов. 
Разумно выполнять эти действия в 3D модели.

Моделируя сварочные швы в 3D САПР, вы создаёте объём данных адекватных физическому производству. Этот процесс очень трудоёмкий и требует автоматизации, к сожалению разработчики САПР пока ещё не дошли до этого уровня, но почти у всех если API и проблема автоматизации решается с привлечением программистов.
 
Далее вам потребуется приложение для структурирования и экстракта данных которые вы создали, с целью передачи этих данных в структурированной форме XML в MES/ERP систему. И тут тоже на помощь приходят программисты.
  
При разработке алгоритма и структуры передачи данных о сварочных швах из 3D модели – важно учесть перспективы роботизации сварочного производства. Если даже в обозримом будущем нет планов по роботизации сварочного производства, то они наверняка когда-нибудь появятся и если вы сегодня не учтёте этого, то в будущем вам придётся заплатить двойную цену.

ПО для производителей металлоконструкций, которое может быть использовано в "СЦ"

  • Design Data-SDS/2
  • Tekla Structures
  • Autodesk Revit Structure, Navisworks, AutoCAD Structural Detailing, and Robot Structural Analysis
  • Bentley: RAM Steel, RAM CADstudio, STAAD.Pro and Bentley Structural Modeler ProSteel and ConstructSim
  • AceCad: StruCad, StruMIS and StruWalker Plus
  • Intergraph SmartPlant 3D and Frameworks Plus
  • Computers & Structures: ETABS and SAP2000
  • RISA-3D
  • GT STRUDL

  • Graitec (Autodesk) Advance Steel
  • FabSuite
  • Fastrak Building Designer from CSC
  • Intergraph: CADWorx Steel
  • CAD Systems.nv: Parabuild
  • Cype: Cype Metal 3D
  • Space Gass
  • StruCIM
  • GTS CADBUILD: Quickport
  • Black and Veatch: Plant Vision 
Это не весь список, с тем ПО которого нет в списке надо дополнительно разбираться совместно с разработчиком.

Для машиностроителей интеграция и автоматизация может быть реализованная для всех машиностроительных САПР разработчиков:Autodesk, Dassault Systemes и Siemens PLM software, с остальными надо разбираться отдельно.  

3.4 Интеграция модулей АСУП

На металлообрабатывающих предприятиях, CAх можно условно разделить на 2 группы: генеративные системы и управленческие.
Генеративные – CAD/CAE (САПР) + CAMх + CNC
CAD – Computer-Aided Design
CAE – Computer-Aided Engineering
САПР – Система автоматизированного проектирования, понятие объединяющие CAD и CAE, иногда к САПР относят CAM, но это является неверным с точки зрения логического проектирования производственных систем, так как CAM (Computer-aided manufacturing) относится к проектированию операций производства, а CAD и CAE к проектированию объекта производства.
Управленческие – PDM/ERP (АСУП) + MESx
PDM – Product Data Management
ERP – Enterprise Resource Planning
MES – Manufacturing Execution System
PDM управляет данными EPm/Ob. ERP управляет данными Op и сопутствующими процессами в рамках одной или консолидированной группы производственных систем. MES – система автоматизации цехового уровня, синтезирующая данные Ob + Op (объект + операция).

MES, как упоминалось выше – это система автоматизации цехового уровня. Строчная английская буква "x" в аббревиатуре MESx на схеме выше — это переменная, указывающая на энное количество MES при многоцеховой организации производства.

Интеграция MES-модулей (цехов) между собой и с САПР производится через интегрированные ERP/PDM, которые являются управляющими системами более высокого уровня.   

Генеративно-управленческая CAx-системы автоматизации завода металлоконструкций

Этап 4 – Искусственного интеллект и машинное обучение

Автоматизация – это процесс в котором операции ранее осуществлявшиеся человеком передаются для исполнения машинам.

Искусственный интеллект – это результат моделирования человеческого разума методами математической логики.

ИИ позволяет автоматизировать управление производством. Принятие оперативных решений искусственным интеллектом на основе больших данных поднимает эффективность сварочного производства на уровень конкурентного превосходства.

Но нельзя автоматизировать хаос, когда вы пытаетесь автоматизировать дезорганизованное производство, вы получаете тот же хаос, только автоматизированный. ИИ тоже не принесёт пользы, если вы попытаетесь внедрить на его базе систему принятия управленческих решений используя неадекватные производственной среде данные.

Лишь выполнив первые три этапа, в процессе которых разрабатываются алгоритмы работы с информацией, можно приступать к внедрению ИИ и начинать его обучать используя данные CAx, которые необходимо структурировать в формате PMML.

PMML (Predictive Model Markup Language) – язык разметки для IT-систем предсказательного моделирования, является языком разметки на основе XML, разработанным Data Mining Group и обеспечивающим приложениям способ определения моделей, относящихся к предсказательной аналитике и анализу данных, а также обмен такими моделями между PMML-совместимыми приложениями.

Крайне важно при разработки и внедрении CPS придерживаться стандарта PMML, в противном случае KDD(CPS) может вам обойтись очень дорого. В некоторых случаях, интеграция CPS или SCADA с системами анализа данных настолько проблемное занятие, что в итоге дешевле поменять всю аппаратную часть и ПО на интероперабельное решение, чем пытаться модернизировать имеющеюся неинтероперабельную систему.
Внедряя автоматические системы обратной связи от производства, учитывайте интероперабельность и возможные масштабирования системы, иначе вместо SMART-киберфизической системы управления производством, вы получите систему автоматизации примитивного надзирательства над рабочими, которая в лучшем случае будет вам сообщать о следствиях, а не причинах низкой эффективности производства.

PdM (Predictive Model) – предсказательная модель, PdMx – элемент предсказательной модели (переменная).
Термин "Predictive Model" в английском языке (в зависимости от контекста) может означать как предсказательная модель, так и прогностическая модель. Не путайте эти термины! Предсказательное моделирование основано на математических методах обработки адекватных данных и нацелено на получение точных результатов. Прогностическое моделирование нацелено на определение вероятности события.
Предсказательная аналитика отвечает на вопрос – Когда (год, месяц, день, час) нужно заменить электромеханический узел для того чтобы изготавливались детали надлежащего качества и количества?
Прогностическая аналитика отвечает на вопрос – Какова вероятность выхода из строя электромеханического узла металлорежущего станка в следующем году, в этом году, в этом месяце, завтра?

Зачем заводу металлоконструкций искусственный интеллект?

ИИ может то, что не может делать мозг человека – обрабатывать большие данные и принимать оперативные решения в постоянно изменяющийся динамической среде производства.
Человек обобщает данные для принятия управленческих решений, в результате обобщения возникают "слепые зоны" в которых и скрываются проблемы производства оказывающие негативное влияние на производительность.

ИИ выявляет проблемы производства основываясь на адекватных исторических и оперативных данных, это своего рода динамическая система планирования, реагирующая на незапланированные события – изменением плана последовательности производственных операций.

В основе принятия решений ИИ лежит кластеризация и комбинаторика, т.е. непрерывные математические вычисления.
ИИ непрерывно анализирует получаемые данные из киберфизической среды производства выдавая адекватные решения задач производства в режиме реального времени.

ИИ непрерывно анализирует получаемые данные из киберфизической среды производства выдавая адекватные решения задач производства в режиме реального времени.
Киберфизическая среда производства 👆
EPm ⇒ (СS[Op(Ob)] – кибернетическая среда производства.
PS[Op(Ob)]) ⇒ EP – физическая среда производства.    
EPm ⇒ (СS[Op(Ob)] ≡ PS[Op(Ob)]) ⇒ EP, означает, что:
Изделие EP соответствует его модели EPm (3D, чертежи, спецификации и др. данные об изделии), данные EPm используются в информационной (кибернетической) среде СS для планирования производства, мониторинга, программирования оборудования ЧПУ и т.д., кибернетическая среда СS тождественна физической среде PS. В среде СS выполняются информационные действия (операции) Op на объектами Ob (СS[Op(Ob)]). В среде PS выполняются физические действия (операции) Op на объектами Ob (PS[Op(Ob)]).
EPm :⇔ EP
СS ≡ PS
СS + PS = CPS (Cyber-physical systems – «киберфизическая система»)
Для того чтобы понять степень нашей неосведомлённости о производственных системах которыми мы управляем и ограниченность возможностей нашего мозга который неспособен конкурировать с ИИ там, где нужно принимать решения на основании объёмных непрерывных вычислений, давайте проведём аналогию производственной системы с популярной головоломкой "Кубик Рубика" 9Х9.

Решения задачи с Кубиком Рубика комбинаторным методом.

Когда вы берёте в руки кубик Рубика, вы находите решение головоломки за энное количество действий и не задумываетесь являются ли оптимальной последовательность ваших действий, вы получаете результат, но не сравниваете алгоритм ваших действий с другими возможными вариантами решения задачи. Возможно, что вы потратили 5 минут, а могли потратить 1 минуту для получения того же результата. Точно также и в организации производства.

Поиски оптимальной комбинации действий - это комбинаторный анализ, "грубая сила" искусственного интеллекта. 

Комбинаторный анализ в дискретных производственных системах — это метод изучающий дискретных объектов и операций, их множества: сочетания, перестановки, размещения, перечисления, импликации Op(Ob). Комбинаторный анализ производственных систем тесно связан с теорией графов, часто на практике в решении комбинаторных задач находит применение теория графов, поэтому теорию графов следует рассматривать как часть комбинаторного анализа.
Сила комбинаторного анализа раскрывается лишь при наличии структурированных данных адекватных физической среде производства, причём не статичного сечения в виде простого описания, а при наличии динамической производственной модели с длинной историей.
Конечно комбинаторные методы оптимизации применяются и к статичным описательным моделям производства, разработанным на основе индуктивного анализа производственной среды, но взрывного эффекта повышения производительности можно достичь только на основании комбинаторного анализа адекватных исторических данных.
Комбинаторная оптимизация производства заключается в поиске оптимального отношения Op(Ob) в конечном множестве Op(Ob).
В некоторых задачах комбинаторной оптимизации алгоритмов производства полный перебор нереален, но с развитием IT и CPS, всё больше задач комбинаторной оптимизации могут быть решены метом «грубой силы». Полный перебор относится к классу методов поиска решения исчерпыванием всевозможных вариантов.
Грубая сила эффективно работает, когда есть что перебрать, в том смысле, что – есть история адекватных данных о производственной деятельности.
  
Цифровой двойник производства адекватный динамической физической среде производства позволяет не только пользоваться "грубой силой ИИ", но и осуществлять хитрые манипуляции с данными в виртуальной среде и тем самым сокращать вычисления без потери качества результатов вычислений. Для визуализации этих манипуляций, снова воспользуемся кубиком Рубика.


Те, кто ещё не забыли то, чему учились за партой, наверняка уже поняли, что кубик Рубика иллюстрирует кластерный анализ физического производства в информационной среде.

Кластерный анализ в дискретном производстве — это многомерная статистическая процедура, выполняющая сбор данных, содержащих информацию о выборке объектов и/или операций, и затем упорядочивающая объекты производства в сравнительно однородные группы. Задача кластеризации относится к статистической обработке, а также к широкому классу задач машинного обучения, при котором система спонтанно обучается выполнять поставленную задачу без вмешательства со стороны человека. Как правило, машинное обучение пригодно только для задач, в которых известны описания множества Op(Ob) (обучающей выборки), и требуется обнаружить внутренние взаимосвязи, зависимости, закономерности, существующие между объектами и операциями.

Собранные, отфильтрованные через описательную и диагностическую системы аналитики и синтезированные данные — это исходный материал для кластерного анализа. Результаты кластерного анализа являются основными данными для работы предсказательной аналитической системы.

Кластерный анализ выполняет следующие основные задачи:
  • Разработка типологии или классификации.
  • Исследование полезных концептуальных схем группирования объектов.
  • Порождение гипотез на основе исследования данных.
  • Проверка гипотез или исследования для определения, действительно ли типы (группы), выделенные тем или иным способом, присутствуют в имеющихся данных.
Независимо от предмета изучения применение кластерного анализа предполагает следующие этапы:
  • Отбор выборки для кластеризации.
  • Определение множества переменных, по которым будут оцениваться объекты в выборке.
  • Вычисление значений той или иной меры сходства (или различия) между объектами.
  • Применение метода кластерного анализа для создания групп сходных объектов.
  • Проверка достоверности результатов кластерного решения.
Кластерный анализ позволяет значительно упростить работу с информацией для принятие адекватных управленческих решений, но проблема кластерного анализа в том, что никто не знает – каким должен быть кластер. IT-специалисты и математики не могут дать правильное определения кластера не имея глубоких знаний о конкретной производственной системе и это часто приводит к ошибкам. Для разработки системы необходимо привлечение специалистов с эмпирическими знаниями, у которых часто весьма скромные математические способности.
На первом этапе логического проектирования будущей системы, я собирая специалистов предприятия, и на примере кубика Рубика, объясняю им что такое кластеризация и комбинаторика. В процессе получения новых знаний, у людей возникают ассоциации, у каждого свои – эти ассоциации указывают на потребности в структурированных данных для решения локальных задач. В результате последующей совместной работы образуются чёткие структуры кластеров, которые используются в логическом проектировании будущей информационной системы предприятия.
Если не найти подход к специалистам предприятия и не заинтересовать их личным участием на стадии логического проектирования киберфизической системы управления производством, то система может получится нежизнеспособной, приносящей больше вреда, чем пользы.

Комментариев нет:

Отправить комментарий

ПРОМЫШЛЕННЫЙ ИНЖИНИРИНГ АВТОМАТИЗАЦИЯ ПРОИЗВОДСТВА ТЕХНОЛОГИИ МЕТАЛЛООБРАБОТКИ