Avtorica: Eva Černčič
Inovacijsko podjetje IRNAS, ponudnik pametnih IoT rešitev za industrijske aplikacije, in visokotehnološko podjetje Bourns, vodilno na področju proizvodnje prenapetostnih keramičnih zaščitnih komponent, sta v sklopu sodelovanja pri projektu NexGenHVEC združila moči pri pospeševanju razvoja in nadgradnji proizvodnega procesa z uporabo pametnega zbiranja podatkov in strojnega učenja.
Razvojno-raziskovalni projekt NexGenHVEC stremi k doseganju napredka v industrijskem sektorju z uporabo najnovejših tehnologij ter raziskovalnih kapacitet, ki jih ponuja raziskovalni sektor. Glavni cilj projekta je izboljšanje termalne stabilnosti hibridnih elektronskih sistemov in komponent (varistorjev ter kondenzatorjev) z uporabo novih, visokotehnoloških materialov ter proizvodnih metod. Implementacija senzorskega sistema, zbiranje in analiza podatkov, predikcijski modeli ter strojno učenje posledično predstavljajo pomembno komponento projekta, saj omogočajo hitrejšo optimizacijo in doseganje zastavljenih ciljev.
Poznavanje in učinkovita uporaba proizvodnih parametrov ter okoljskih podatkov sta lahko ključnega pomena za vsako proizvodno linijo in industrijski obrat, saj sta lahko v pomoč pri povečanju produktivnosti ter učinkovitosti brez dodatnih virov in stroškov. Ob pravilni analizi in uporabi rezultatov lahko zbrani podatki nakažejo skrite vzorce ter vzroke slabše kvalitete, povečanega izmeta ter sub-optimalne zmogljivosti, ki bi lahko drugače ostali neopaženi zaradi kompleksnega vpliva ter interakcije številnih spremenljivk. Glavna ovira za uspešno uvajanje uporabe podatkov in strojnega učenja v industrijski sektor ostaja strah pred veliko količino podatkov, ki brez primerne analize in razumevanja rezultatov ne bodo prinesli želenega učinka, temveč le dodatne stroške.
Pomemben del projekta NexGenHVEC sta razvoj in uporaba algoritmov strojnega učenja ter analiza zbranih podatkov za izboljšanje karakteristik proizvedenih elektronskih komponent. Zato sta se IRNAS d.o.o. in Bourns Ltd. lotila naloge družno in po korakih ter se tako poskusila izogniti zbiranju prevelike količine nepotrebnih podatkov, ki bi utegnili zamegliti pomembne korelacije in odvisnosti. Prvi korak razvojnega procesa je tako zajemal identifikacijo spremenljivk, ki bi lahko vplivale na končne produkte, ter izbor ključnih spremenljivk, ki bodo dodane v začetni model učenja. Zaradi visokotehnološkega proizvodnega procesa s številnimi koraki se je nabor spremenljivk izkazal za preobsežnega za sočasno implementacijo; posledično je bil izbran »bottom-up« pristop razvoja, kjer se ločeno preučijo posamezni sklopi spremenljivk proizvodnje, ki se kasneje lahko združijo v kompleksnejši sistem.
Začetne raziskave so nakazale, da pomembno vlogo pri izmetu in končni kvaliteti proizvodnih serij igrajo okoljski parametri. Posledično se je za pomemben del razvojnega procesa izkazala postavitev nadzornega senzorskega sistema, saj vsaka izmed komponent tekom proizvodnega procesa zamenja veliko število mikro-okolij, vsakič z znatno drugačnimi pogoji.
Za potrditev teze je bil uporabljen sistem LoRaWAN Senstick pametnih senzorjev, razvitih v sodelovanju s Sensedge. Sistem nudi podporo za spremljanje temperature, relativne vlažnosti, zračnega tlaka ter ostalih okoljskih parametrov. Senzorji so bili strateško razporejeni na različne točke proizvodnega procesa za zbiranje reprezentativnih podatkov. Senzorske enote bazirajo na LoRaWAN tehnologiji, ki omogoča avtonomno pošiljanje podatkov na razdaljah do 10 km v kombinaciji z nizko-energetskim delovanjem. Enote so izjemno trpežne, primerne za notranjo in zunanjo uporabo in ne zahtevajo veliko vzdrževanja, kar predstavlja pomemben dejavnik pri večjih postavitvah. Podatki se lahko zbirajo v poljubnem oblačnem sistemu in se lahko integrirajo v številne vizualizacijske platforme za uporabniku prijazno uporabo in pregled podatkov v realnem času. Za potrebe projekta je bil pripravljen avtomatski sistem zbiranja in hranjenja podatkov skupaj z vizualizacijsko platformo, ki omogoča sproten pregled podatkov tekom razvojnega procesa.
Zbranim okoljskim podatkom so bili v sistemu dodani še izbrani podatki spremenljivk s proizvodne linije ter končni podatki testiranja lastnosti proizvedenih komponent in izmeta. Testna baza podatkov je bila uporabljena za raziskovalno analizo ter izbor primernih modelov učenja. Korelacijska analiza je nakazala odvisnost določenih spremenljivk in pomagala pri formiranju modelov učenja, ki so bili testirani na testni bazi podatkov.
Na podlagi zbranih podatkov in pridobljenih izsledkov je naslednji razvojni korak nadgradnja postavljenega senzorskega sistema skupaj z implementacijo predikcijskih modelov učenja na podatkih, zbranih v realnem času. Skupaj z vizualizacijo podatkov bodo izsledki ponujali pomemben vpogled v vpliv proizvodnih metod, okoljskih pogojev ter lastnosti uporabljenih materialov na končne izdelke. Za dosego maksimalnega učinka bo v prihodnje raziskana možnost neposredne implementacije sistema strojnega učenja na »embedded« sistemu z uporabo storitev EdgeImpulse platforme, ki omogoča učinkovito in preprosto implementacijo AI storitev na mikrokrmilnikih.
Čeprav je glavni namen uporabe strojnega učenja v projektu pospeševanje ter povečanje učinkovitosti optimizacije razvoja novih elektronskih komponent s superiorno termalno odpornostjo, so posledice veliko bolj daljnosežne, saj imajo pozitiven učinek na celoten proizvodni proces ter izboljšanje kvalitete in produktivnosti le-tega. Vpeljane novosti analize in nadzora podatkov se skladajo z vizijo Industrije 4.0, ki stremi k popolni digitalizaciji proizvodnega procesa, ustvarjanju dodane vrednosti s pomočjo implementacije novih tehnologij ter vodi korak bližje k pametnim tovarnam prihodnosti.
Naložbo sofinancirata Republika Slovenija in Evropska unija iz Evropskega sklada za regionalni razvoj v skupni višini 1.682.494,00 €.
Prednostno področje ter podpodročje: Mobilnost – Sistemi in komponente za varnost in udobnost : Aktivno-pasivne strukturne komponente
