पेंट शॉप आता ड्यूरच्या कृत्रिम बुद्धिमत्तेवर अवलंबून राहू शकते

Dürr प्रगत विश्लेषण सादर करते, पेंट शॉपसाठी मार्केट-रेडी एआय ऍप्लिकेशन.DXQanalyze उत्पादन मालिकेतील नवीनतम मॉड्यूलचा एक भाग, हे समाधान यांत्रिक अभियांत्रिकी क्षेत्रातील नवीनतम IT तंत्रज्ञान आणि Dürr चा अनुभव विलीन करते, दोषांचे स्त्रोत ओळखते, इष्टतम देखभाल कार्यक्रम परिभाषित करते, पूर्वीच्या अज्ञात सहसंबंधांचा मागोवा घेते आणि या ज्ञानाचा वापर परिस्थितीशी जुळवून घेण्यासाठी करते. सेल्फ-लर्निंग तत्त्व वापरून सिस्टमला अल्गोरिदम.

तुकडे वारंवार समान दोष का दाखवतात?मशिन न थांबवता रोबोटमधील मिक्सर बदलता येईल हे नवीनतम केव्हा आहे?शाश्वत आर्थिक यशासाठी या प्रश्नांची अचूक आणि तंतोतंत उत्तरे मिळणे मूलभूत आहे कारण प्रत्येक दोष किंवा प्रत्येक अनावश्यक देखभाल टाळता येण्यामुळे पैशांची बचत होते किंवा उत्पादनाची गुणवत्ता सुधारते.“आतापूर्वी, खूप कमी ठोस उपाय होते ज्यामुळे आम्हाला गुणवत्ता दोष किंवा अपयश त्वरित ओळखता आले असते.आणि जर असेल तर, ते सामान्यतः डेटा किंवा चाचणी-आणि-त्रुटी प्रयत्नांच्या शास्त्रोक्त मॅन्युअल मूल्यांकनावर आधारित होते.कृत्रिम बुद्धिमत्तेमुळे ही प्रक्रिया आता अधिक अचूक आणि स्वयंचलित झाली आहे”, गेर्हार्ड अलोन्सो गार्सिया, Dürr येथील MES आणि नियंत्रण प्रणालीचे उपाध्यक्ष स्पष्ट करतात.
Dürr ची DXQanalyze डिजिटल उत्पादन मालिका, ज्यामध्ये आधीच उत्पादन डेटा मिळविण्यासाठी डेटा संपादन मॉड्यूल, त्याचे व्हिज्युअलायझेशन करण्यासाठी व्हिज्युअल अॅनालिटिक्स आणि स्ट्रीमिंग अॅनालिटिक्स समाविष्ट आहेत, आता नवीन स्वयं-शिक्षण प्रगत विश्लेषण प्लांट आणि प्रक्रिया निरीक्षण प्रणालीवर विश्वास ठेवू शकतात.

एआय ऍप्लिकेशनची मेमरी आहे
Advanced Analytics चे वैशिष्ठ्य हे आहे की हे मॉड्यूल मशीन लर्निंगसह ऐतिहासिक डेटासह मोठ्या प्रमाणात डेटा एकत्र करते.याचा अर्थ असा की सेल्फ-लर्निंग एआय ऍप्लिकेशनची स्वतःची स्मृती असते आणि त्यामुळे ते भूतकाळातील माहितीचा उपयोग मोठ्या प्रमाणात डेटामध्ये जटिल परस्परसंबंध ओळखण्यासाठी आणि वर्तमानाच्या आधारे उच्च प्रमाणात अचूकतेसह भविष्यातील घटनेचा अंदाज लावण्यासाठी करू शकते. मशीनची परिस्थिती.घटक, प्रक्रिया किंवा वनस्पती स्तरावर, पेंटच्या दुकानांमध्ये यासाठी बरेच अनुप्रयोग आहेत.

भविष्यसूचक देखभाल वनस्पती डाउनटाइम कमी करते
जेव्हा घटकांचा विचार केला जातो तेव्हा, प्रगत विश्लेषणाचे उद्दिष्ट भविष्यसूचक देखभाल आणि दुरुस्ती माहितीद्वारे डाउनटाइम कमी करणे आहे, उदाहरणार्थ मिक्सरच्या उर्वरित सेवा आयुष्याचा अंदाज लावणे.जर घटक खूप लवकर बदलला गेला तर, सुटे भागांची किंमत वाढते आणि परिणामी सामान्य दुरुस्ती खर्च अनावश्यकपणे वाढतो.दुसरीकडे, जर ते जास्त काळ चालत राहिल्यास, ते कोटिंग प्रक्रियेदरम्यान आणि मशीन थांबण्याच्या दरम्यान गुणवत्तेची समस्या निर्माण करू शकते.प्रगत विश्लेषणे उच्च-फ्रिक्वेंसी रोबोट डेटा वापरून पोशाख निर्देशक आणि परिधानांची तात्पुरती नमुना शिकून सुरू होते.डेटा सतत रेकॉर्ड केला जात असल्याने आणि त्याचे परीक्षण केले जात असल्याने, मशीन लर्निंग मॉड्यूल प्रत्यक्ष वापराच्या आधारावर संबंधित घटकासाठी वृद्धत्वाचा ट्रेंड वैयक्तिकरित्या ओळखतो आणि अशा प्रकारे इष्टतम बदली वेळेची गणना करते.

मशीन लर्निंगद्वारे सतत तापमान वक्र अनुकरण केले जाते
प्रगत विश्लेषण प्रक्रिया स्तरावर विसंगती ओळखून गुणवत्ता सुधारते, उदाहरणार्थ ओव्हनमध्ये उष्मा-अप वक्र अनुकरण करून.आतापर्यंत, उत्पादकांकडे मोजमाप चालवताना फक्त सेन्सरद्वारे निर्धारित डेटा होता.तथापि, कार बॉडीच्या पृष्ठभागाच्या गुणवत्तेच्या दृष्टीने मूलभूत महत्त्व असलेले उष्मा-अप वक्र ओव्हनच्या वयापासून, मोजमाप चालण्याच्या दरम्यानच्या मध्यांतरांमध्ये बदलतात.या पोशाखामुळे वातावरणातील चढ-उतार होतात, उदाहरणार्थ हवेच्या प्रवाहाच्या तीव्रतेमध्ये.“आतापर्यंत, वैयक्तिक शरीर कोणत्या तापमानाला गरम केले जाते हे जाणून घेतल्याशिवाय हजारो शरीरे तयार केली जातात.मशीन लर्निंग वापरून, आमचे प्रगत विश्लेषण मॉड्यूल वेगवेगळ्या परिस्थितीत तापमान कसे बदलते याचे अनुकरण करते.हे आमच्या ग्राहकांना प्रत्येक वैयक्तिक भागासाठी गुणवत्तेचा कायमस्वरूपी पुरावा देते आणि त्यांना विसंगती ओळखण्याची परवानगी देते”, गेरहार्ड अलोन्सो गार्सिया म्हणतात.

उच्च प्रथम-रन दर एकूण उपकरणाची प्रभावीता वाढवते
इम्प्लांटसाठी, DXQplant.analytics सॉफ्टवेअरचा वापर उपकरणाची एकूण परिणामकारकता वाढवण्यासाठी Advanced Analytics मॉड्यूलच्या संयोजनात केला जातो.जर्मन निर्मात्याचे बुद्धिमान उपाय विशिष्ट मॉडेल प्रकार, विशिष्ट रंग किंवा वैयक्तिक शरीराच्या अवयवांमध्ये आवर्ती गुणवत्ता दोषांचा मागोवा घेते.हे ग्राहकांना उत्पादन प्रक्रियेतील कोणते चरण विचलनासाठी जबाबदार आहे हे समजून घेण्यास अनुमती देते.अशा प्रकारचे दोष आणि कारण परस्परसंबंध अगदी सुरुवातीच्या टप्प्यावर हस्तक्षेप करण्यास परवानगी देऊन भविष्यात प्रथम-रन रेट वाढवेल.

वनस्पती अभियांत्रिकी आणि डिजिटल कौशल्य यांच्यातील संयोजन
एआय-सुसंगत डेटा मॉडेल विकसित करणे ही एक अतिशय गुंतागुंतीची प्रक्रिया आहे.खरं तर, मशीन लर्निंगसह बुद्धिमान परिणाम देण्यासाठी, "स्मार्ट" अल्गोरिदममध्ये अनिर्दिष्ट प्रमाणात डेटा घालणे पुरेसे नाही.संबंधित सिग्नल संकलित करणे आवश्यक आहे, काळजीपूर्वक निवडले पाहिजे आणि उत्पादनातील संरचित अतिरिक्त माहितीसह एकत्रित केले पाहिजे.Dürr एक सॉफ्टवेअर डिझाइन करण्यात सक्षम होते जे वेगवेगळ्या वापराच्या परिस्थितींना समर्थन देते, मशीन लर्निंग मॉडेलसाठी रनटाइम वातावरण प्रदान करते आणि मॉडेल प्रशिक्षण सुरू करते.“हे सोल्यूशन विकसित करणे हे खरे आव्हान होते कारण कोणतेही वैध मशीन लर्निंग मॉडेल नव्हते आणि योग्य रनटाइम वातावरण नव्हते जे आम्ही वापरू शकलो असतो.वनस्पती स्तरावर AI वापरण्यास सक्षम होण्यासाठी, आम्ही आमचे यांत्रिक आणि वनस्पती अभियांत्रिकीचे ज्ञान आमच्या डिजिटल फॅक्टरी तज्ञांसोबत एकत्रित केले आहे.यामुळे पेंट शॉप्ससाठी पहिले आर्टिफिशियल इंटेलिजेंस सोल्यूशन मिळाले”, गेरहार्ड अलोन्सो गार्सिया म्हणतात.

प्रगत विश्लेषण विकसित करण्यासाठी कौशल्ये आणि ज्ञान एकत्रित केले
डेटा शास्त्रज्ञ, संगणक शास्त्रज्ञ आणि प्रक्रिया तज्ञांच्या आंतरविद्याशाखीय संघाने हा बुद्धिमान उपाय विकसित केला आहे.Dürr ने अनेक प्रमुख ऑटोमोटिव्ह उत्पादकांसह सहकार्य भागीदारी देखील केली आहे.अशा प्रकारे, विकसकांकडे विविध अनुप्रयोग प्रकरणांसाठी उत्पादनामध्ये वास्तविक-जीवन उत्पादन डेटा आणि बीटा साइट वातावरण होते.प्रथम, मोठ्या संख्येने चाचणी प्रकरणे वापरून प्रयोगशाळेत अल्गोरिदम प्रशिक्षित केले गेले.त्यानंतर, अल्गोरिदमने वास्तविक जीवनातील ऑपरेशन दरम्यान साइटवर शिक्षण चालू ठेवले आणि पर्यावरण आणि वापराच्या परिस्थितीशी जुळवून घेतले.बीटा टप्पा नुकताच यशस्वीरीत्या पूर्ण झाला आणि त्यात एआयची क्षमता किती आहे हे दाखवून दिले.प्रथम व्यावहारिक अनुप्रयोग दर्शवित आहेत की Dürr चे सॉफ्टवेअर वनस्पतींची उपलब्धता आणि पेंट केलेल्या शरीराच्या पृष्ठभागाची गुणवत्ता अनुकूल करते.