利用数据预测未来

Instead of typical production planning and control, data-driven applications incorporating artificial intelligence (AI) help us take a more holistic view of the entire chain of production by utilizing data from several sources.

与传统的生产计划和控制不同,结合了人工智能(AI)的数据驱动应用程序,可帮助我们通过利用来自多个来源的数据,更全面地了解整个生产链。工业互联网应用程序在应用于即时优化流程的同时,还可以使我们能够预测即将发生的事情。

 “未来的成功公司,将会越来越多地将他们的决策建立在人工智能预测应用的基础上,” 维美德工业互联网副总裁Jari Almi强调。

“实际上,这意味着,借助基于AI的应用程序和机器学习,可以预测即将到来的变化和事件,根据预测的事件做出决策,并采取主动。这种方法同样适用于生产、维护和商业业务,”他解释说。

简而言之,先进分析的优点在于,它可以识别大量数据中导致将来发生特定事件的重复模式或事件链。通过识别这些模式,它可以预测相同事件何时可能再次发生,并提前通知用户。将来,人工智能很可能还会取代操作人员,并自动填充系统中的最佳设定值。

走向更加自主的操作

“由于可用信息具有更强的预测性,因此,可以预先计划有效的活动,并可以用更少的资源运行流程,来更好地控制工厂或车间的日常工作。这是一个根本性的变化,将使工厂或车间更加自主。”

 “如今,操作人员主要根据历史数据以及他们对最佳运行参数和设定值的经验来操作设备。自动化系统可以提供大量实时数据,但是数据的使用主要局限于控制工艺。这是因为,人们不可能同时分析成千上万个数据点,并识别其中的重复模式。在未来的工厂或车间,通过整合和分析来自各种数据源,利用数据驱动的应用程序管理和优化工厂范围内的操作,这是可以做到的,” Almi说。

利用多个数据源

实际上,在工厂运营和整个价值链中有几个有用的数据源:设备和工艺自动化系统,其中包含来自设备和生产过程中产生的大量数据,来自实验室的质量数据,维护管理系统和业务数据,包括企业资源计划和生产执行系统。

设备和工艺自动化系统是关键数据源。将此数据与维护和业务数据相结合,将提供一个新的维度,使设备更加智能。“在维美德,我们正在寻找一种方法,将配备先进传感器、控制器和软件应用程序的维美德机械、系统和舰队连接起来。将数据与我们的工艺和机械知识相结合,将使我们能够利用主要工艺设备中的嵌入式智能,进行更多的预测性和自主性操作。” Almi解释说。

这种嵌入式智能,将为每台设备提供更详细的状态信息,以及维护和备件需求信息。“我们希望减少计划外的停机时间,并优化维护。例如,当我们能尽早预测即将发生的设备故障时,维护团队可以在下次停机之前预先计划所需的操作。防止设备故障的发生为客户带来了真正的商业价值。”

这样就可以从计划的设备维护进阶到以结果为导向的维护。

 “基于规范分析,系统可以指示如何运行或改进设备,确保可以安全地扩展操作,直到下一个计划维护停机为止。我们未来的愿景是,系统通过更改自身设置,以适应预测的问题,从检测到的问题中自动恢复。”

全盘考虑整条生产链

大数据分析和相关AI驱动的应用程序,其主要目标是从历史数据中学习,并更好地考虑所有交互,无论是在单个流程区域内还是在整个横向价值链中。代替传统的主要在工艺区域级别调整和优化工厂的方法,其目标是从整体上理解和管理生产系统。

 “例如,在理想情况下,我们将制浆厂、纸机和后段加工的工艺数据结合在一起,并应用全厂范围内的操作控制解决方案,使客户能够优化全厂的制造成本、产品质量和生产效率,” Almi说。

 

“工业互联网应用程序使我们能够预测未来。”

 “得益于新技术,我们可以对工厂的整个生产链进行建模,并据此对其进行优化。当生产计划系统中有可用订单时,我们知道在每一时刻什么样的最终产品应该从流程中产生,并且可以根据最终产品规格将最佳设定值级联到所有上游工艺区域。”

“通过合并和利用来自多个工厂系统的数据,可以找到将输入的原材料转变为最终可销售产品的最高获利方式,” Almi解释说。

如何开始

从数据中寻求价值并开始开发的最佳方法是,利用一批历史数据,例如来自工厂信息管理系统的数据,启动数据发现过程。数据发现,使找到已发现问题的根本原因成为可能,或者用更全面的方法,利用历史数据发现生产过程中的改进潜力。通常,数据发现需要六到八周的时间,并且需要维美德的数据科学家、工艺专家与客户的专家合作,以从数据中获取所有信息。数据发现的结果不仅仅局限于最终报告;通常,在此过程中还会创建一个数据驱动的咨询应用程序,提出发现的改进机会。

 “数据发现可帮助客户了解所发现问题的根本原因,或者依靠大数据历史分析,对工艺区域或工厂改进采取整体方法。从数据中了解导致特定事件的根本原因和事件链,使我们能够开发一种先进算法,从在线数据中识别和预测同一问题,”Almi解释说。

 

Jari-Almi.jpg

 “由于可用信息具有更强的预测性,因此,可以通过预先计划活动以及以更少的资源运行流程,来更好地控制工厂或车间的日常工作。这是一个根本性的变化,将使工厂或车间更加自主。” Almi说。

维美德还使用累积的历史数据,验证所选咨询或预测应用程序对客户流程的可行性。使用一批历史数据验证应用程序的可用性,可以为双方快速、无风险地实施数据驱动应用程序。一旦经过验证并就结果达成一致后,就可以通过实现数据连接和制作在线应用程序进入持续服务阶段。因此,最后一步是将应用程序整合到客户的日常操作中,以支持性能和可靠性开发。

 “过去几十年,我们一直将客户的生产流程数字化。现在是时候采取进一步措施,并利用数字化流程中的数据进行流程和业务的数字化转型了。根据我们的经验,当公司采用包含人工智能的新数据驱动应用程序时,变更管理起着关键作用。虽然数字化是技术驱动的,将模拟系统转换为数字系统,单数字化则更多地是利用数据和最新技术来提高流程效率,并启用新的业务模型。因此,数字化总是与人类的视角相关。如果新的咨询应用程序和其他技术支持程序没有与日常操作和流程适当地集成,那么就不可能从变更中获得理想的价值水平。”

Almi指出,向更加自主的工厂转变,将更彰显操作人员的重要性,而不是不需要他们。

 “操作人员必须能够理解整个系统的工作原理,因为他们将使用更多的工具。与以往相比,他们对生产过程的可靠性、性能和质量优化将负有更大的责任。还可以预测,最近的发展和数字化将使从传统的生产线组织机构逐步过渡到真正的流程管理模式。”

提高效率的可预测性

总而言之,在未来的工厂或车间人工智能将扮演重要角色,但要取代专家的角色仍需要很长的一段时间。通过敏捷开发方法,让人们使用新技术,可以获得最佳的结果。取代多年开发项目试图一次性解决所有问题的方法,还不如循序渐进地探索新的机会,通过不断学习来实现未来更加自主的工厂愿景。


 “最终,赋予我们的客户向自动化工厂或车间转变的能力,大大提高生产工艺的效率。工厂和车间将能够以更具成本效益的方式运营,减少原材料的使用,并提高工艺和工厂级别的产量。最终的目标是,数据驱动应用程序结合人工智能,将与工艺自动化和其他工厂控制系统融合,并接管控制设定值,优化整个工厂的制造成本、产品质量和生产能力,” Almi总结说。


文: Vesa Puoskari
图: Tomi Parkkonen

文章发表于 铸就未来杂志第三期