Systemy sztucznej inteligencji w przemyśle

Systemy sztucznej inteligencji to programy i modele, które analizują dane, wyłapują wzorce i wspierają decyzje w zakładzie. Ich mocna strona jest prosta: uczą się na danych, zamiast trzymać się sztywno wpisanego algorytmu. W przemyśle używa się ich do kontroli jakości, przewidywania awarii, optymalizacji pracy maszyn i lepszego planowania produkcji. Najwięcej dają tam, gdzie człowiek nie nadąża za sygnałami z czujników, programowalnych sterowników logicznych (PLC) i systemów nadzoru i akwizycji danych (SCADA), a każda minuta postoju kosztuje.

Dobre wdrożenie AI zaczyna się od sensownego celu, danych o odpowiedniej jakości i jasnego miejsca w procesie.^[1] Skuteczność takich systemów zależy nie tylko od samej technologii, ale też od tego, jak wchodzą w realne zadania produkcyjne. Bez tego model działa ładnie na prezentacji, a potem gubi się przy pierwszym szumie z hali.

Uczenie maszynowe i głębokie sieci neuronowe w przemyśle

Uczenie maszynowe to technika AI, w której system uczy się na podstawie danych, a nie na sztywno wpisanych reguł. Uczenie głębokie jest jego bardziej rozbudowaną odmianą, opartą na wielowarstwowych sieciach neuronowych, które lepiej radzą sobie z obrazami, sygnałami i danymi o dużej zmienności.

Na linii produkcyjnej taki model najczęściej wspiera predykcyjne utrzymanie ruchu, kontrolę jakości wizyjnej, optymalizację procesów, prognozowanie popytu i planowanie produkcji. Algorytm porównuje bieżące odczyty z czujników z historią pracy maszyn i szybciej niż operator na ekranie SCADA wyłapuje odchylenia.

Przy częściach klasy A, czyli z czasem dostawy powyżej 7 dni i kosztem postoju przekraczającym 10 tys. PLN/h, model może wcześniej wskazać ryzyko awarii i dać czas na zamówienie komponentu. To zwykła oszczędność nerwów. Podobnie z napędami przemysłowymi: dla jednostek 1–100 kW, używanych w obrabiarkach i przenośnikach, nawet niewielka zmiana drgań albo poboru prądu potrafi dać sygnał do planowej interwencji.

Uczenie maszynowe dobrze łączy się z robotyzacją i automatyzacją, bo koryguje decyzje systemu na podstawie danych z procesu, a nie tylko stałych progów alarmowych. W utrzymaniu ruchu najczęściej wspiera podejście CBM (Condition Based Maintenance), czyli utrzymanie oparte na stanie, ale potrafi też odciążyć TPM i RCM, gdy trzeba szybko ocenić, które zgłoszenie naprawdę uderza w dostępność. Na ekranie SCADA widać to od razu, gdy jeden sygnał zaczyna odstawać od reszty.

Pojęcia porządkują też artykuły Co oznaczają podstawowe pojęcia z AI w przemyśle? oraz Czym różni się sztuczna inteligencja od tradycyjnej automatyki przemysłowej?. Tam łatwiej oddzielić sam model od całego układu sterowania.

Sieci neuronowe jako matematyczne modele rozpoznawania wzorców

Sieci neuronowe uczą się na przykładach i budują nieliniową granicę między stanem poprawnym i błędnym. W przemyśle oznacza to, że model rozpoznaje wzorzec w obrazie, sygnale albo szeregu pomiarów szybciej niż reguła oparta wyłącznie na progach.

Cechy sieci neuronowych w systemach AI przemysłowych

Sieci neuronowe najlepiej działają tam, gdzie trzeba połączyć kilka cech naraz: obraz, drgania, temperaturę i sygnał z napędu. Na wydruku FDM z materiałów inżynieryjnych, takich jak ULTEM 9085 i Nylon CF, model potrafi odróżnić detal o wytrzymałości do 80 MPa od sztuki z drobną wadą powierzchni, której prosty próg wymiarowy by nie złapał.^[2]

Uczenie głębokie opiera się właśnie na takich sieciach. Im więcej warstw ma model, tym lepiej wydobywa coraz bardziej złożone cechy z danych wejściowych. Przy zaszumionym sygnale to robi różnicę. Widzisz to szczególnie wtedy, gdy wzorzec awarii wygląda inaczej w dwóch kolejnych partiach produkcyjnych.

Rodzaje sieci neuronowych w zastosowaniach przemysłowych

Najważniejsza różnica między sieciami konwolucyjnymi, rekurencyjnymi i autoenkoderami polega na tym, jaki rodzaj danych przetwarzają: obraz, sekwencję albo odchyłkę ukrytą w sygnale. Przy inspekcji elementów z DMLS, gdzie EOS M 290 spieka proszki warstwami 20–60 µm, sieć konwolucyjna lepiej wychwytuje krawędzie, porowatość i lokalne defekty niż model patrzący tylko na pojedyncze liczby.^[3]

Dobór architektury zależy więc od źródła danych. Gdy liczy się kolejność próbek, lepsza będzie sieć rekurencyjna. Przy obrazie z kamery sens ma CNN. Jeśli trzeba wyłapać stan odbiegający od normy, często wystarcza autoenkoder uczony na poprawnych przykładach.

Siedem typów sieci neuronowych w przemyśle

W praktyce przemysłowej najczęściej spotyka się siedem typów sieci neuronowych: MLP, CNN, RNN, LSTM, autoenkodery, SOM i GAN. Każda z nich odpowiada na inny typ problemu, więc nie ma jednej architektury do wszystkiego.

Rodzina sieci	Jakie dane analizuje	Typowe użycie w przemyśle
MLP	cechy liczbowe	klasyfikacja stanu maszyny
CNN	obrazy i mapy pikseli	kontrola jakości wizyjnej
RNN	sekwencje pomiarów	analiza zmian w czasie
LSTM	długie szeregi czasowe	prognozowanie obciążenia procesu
Autoencoder	wzorzec poprawny i odchylenia	wykrywanie anomalii
SOM	podobieństwo między próbkami	grupowanie stanów pracy
GAN	dane syntetyczne	uzupełnianie rzadkich klas

Te rodziny dzielą się według tego, czy pracują na sygnałach z procesu, obrazie z kamery czy danych syntetycznych. Dlatego w jednym zakładzie CNN pilnuje powierzchni detalu, a GAN dorzuca sztucznie wygenerowane przykłady wad do treningu modelu. Prosta rzecz, ale bardzo praktyczna.

Cztery typy inteligencji a sieci neuronowe

Cztery praktyczne typy inteligencji w systemach przemysłowych można opisać jako percepcyjną, predykcyjną, decyzyjną i adaptacyjną. Sieci neuronowe najmocniej wspierają percepcję i predykcję, bo dobrze rozpoznają wzorce w obrazie i sygnale, ale same z siebie słabiej tłumaczą, dlaczego podjęły taką, a nie inną decyzję.

W zakładzie oznacza to, że model może wykryć odchylenie wcześniej niż operator, lecz zwykle potrzebuje jeszcze reguł procesu, logiki alarmowej i wiedzy z utrzymania ruchu. Szerszy kontekst tej różnicy opisuje Co to jest sztuczna inteligencja w przemyśle?. Tam łatwiej od razu zobaczyć, gdzie kończy się model, a zaczyna cały system.

Systemy AI i uczenie maszynowe w monitorowaniu procesów produkcyjnych

Wykorzystanie AI do kontroli jakości w czasie rzeczywistym

W systemach AI do kontroli jakości w czasie rzeczywistym ELPLC łączy analizę obrazu z identyfikacją partii, aby odrzucić wyrób jeszcze przed kolejną operacją. Przy śledzeniu komponentów dobrze sprawdza się RFID: czytnik emituje pole elektromagnetyczne, tag odsyła identyfikator EPC 96-bit lub 128-bit bez kontaktu wzrokowego, przez materiały nieprzezroczyste, w zasięgu 0,1–10 m.^[4]

Takie rozwiązanie ma sens wtedy, gdy trzeba połączyć jakość z pełną identyfikowalnością. System widzi nie tylko wadę, ale też serię, z której pochodzi detal, więc łatwiej policzyć wpływ na dostępność według wzoru: Dostępność = (Planowany czas pracy – Czas przestojów) / Planowany czas pracy × 100%.^[5]

W praktyce daje to szybsze decyzje o zatrzymaniu lub przepuszczeniu partii. Przy robotach współpracujących z AI utrzymujesz tempo pracy bez dokładania ryzyka dla operatora. W hali takie rozdzielenie sygnałów naprawdę oszczędza czas. Od strony wdrożenia ten mechanizm rozwija Jak wdrożyć sztuczną inteligencję w zakładzie produkcyjnym?, gdzie liczy się już nie sam model, ale też sposób podłączenia go do linii i danych produkcyjnych.

Cyfrowy bliźniak jako wirtualny model w optymalizacji procesów

Cyfrowy bliźniak to wirtualny model rzeczywistego procesu lub produktu, który służy do testowania zmian, zanim trafią na linię. W przemyśle działa najlepiej wtedy, gdy łączy dane z Internetu Rzeczy, algorytmy AI i bieżące parametry utrzymania ruchu. Dopiero taki układ pozwala sprawdzać wpływ decyzji na OEE i MTBF bez zatrzymywania maszyny.^[6]

W praktyce cyfrowy bliźniak obejmuje np. napędy przemysłowe, czyli układy przenoszenia i regulacji ruchu z silnikami AC/DC, serwonapędami oraz układami hydraulicznymi i pneumatycznymi. Taki model ma sens przy twardym celu, na przykład przy utrzymaniu dostępności na poziomie 90% lub wyżej, bo wtedy każda zmiana w nastawach, przezbrojeniu albo harmonogramie przeglądów daje mierzalny efekt w produkcji.^[7]

W przemyśle motoryzacyjnym bliźniak przydaje się przy symulacji linii montażowej, czasu cyklu i zużycia komponentów, a w przemyśle medycznym przy sprawdzaniu zachowania urządzeń przed wdrożeniem do seryjnej produkcji. Granica jest prosta: cyfrowy bliźniak przewiduje i testuje, a zwykły model 3D albo panel SCADA tylko pokazuje stan. Sam odczyt RFID nie wystarcza, nawet jeśli działa w paśmie LF 125–134 kHz dla kart dostępu, HF 13,56 MHz dla NFC, UHF 860–960 MHz dla logistyki lub Microwave 2,45/5,8 GHz dla pojazdów.^[6]

Różnicę między tymi pojęciami porządkuje Czym różni się cyfrowy bliźniak od sztucznej inteligencji w przemyśle?. W praktyce liczy się nie sam ekran, tylko to, czy model realnie wspiera decyzje o produkcji, serwisie i optymalizacji.

Systemy sztucznej inteligencji w przemyśle – rodzaje i zastosowania