AI/ML이 제공하는 이점은 무엇입니까?
인공 지능(AI) 또는 사람과 일반적으로 관련된 작업을 수행하는 컴퓨터 또는 컴퓨터 제어 로봇의 능력, ML 또는 지능적인 인간 행동을 모방하는 장비의 능력을 사용하여 제조업체는 다음과 같은 방법으로 성능을 향상시킬 수 있습니다.
가동 중단 시간 최대 10% 감소 – 사후 유지보수 대신 예측 유지보수를 사용하여 장비 고장을 예측하고 장비가 정상 범위를 벗어나 작동할 때 경고를 받습니다.
최대 12% 향상된 품질 – 프로세스 또는 자재 결함을 조기에 감지
생산성 최대 30% 향상 – 재작업 및 폐기물 감소, 효율적인 유지보수 계획, 프로세스 문제에 대한 인식 향상
TT PSC의 수석 비즈니스 및 솔루션 아키텍트인 Randy Thompson에 따르면 ML 알고리즘은 명시적으로 프로그래밍하지 않고도 예측이나 결정을 내리기 위해 사용 가능한 데이터를 기반으로 수학적 모델을 구축합니다. 모델 구축 과정에서 이력 데이터는 모델을 훈련하기 위한 입력으로 사용되며, 일반적으로 70%는 훈련에 사용되고 30%는 모델의 평가 및 확인을 위해 보류됩니다.
좋은 ML 사용 사례란 무엇입니까?
좋은 ML 사용 사례는 측정 가능한 예측 목표, 다양한 변수 및 사용 가능한 이력 데이터로 구성됩니다. 기업은 일반적으로 많은 데이터를 보유하고 있지만, 달성하고자 하는 목표를 예측하는 데 필요한 데이터를 보유하고 있지 않은 경우가 많습니다. 이 경우 추가적인 센서 입력이나 예측 목표의 수정이 필요할 수 있습니다. 이 분야에서는 경험이 풍부한 파트너의 도움이 필요할 수 있습니다.
좋은 ML 사용 사례의 예는 목재를 특정 수분 함량으로 건조하는 목재 건조 프로세스입니다. ML을 사용하면 프로세스에서 측정 가능한 모든 변수를 입력하여 올바른 건조 수준을 달성하기 위해 건조기를 작동할 속도를 예측할 수 있습니다. Thompson은 머신 러닝의 장점은 필요한 데이터를 추가한 후 모델이 작업을 수행한다는 것이라고 말합니다. 결정해야 할 다른 질문은 다음과 같습니다.
- 이 문제를 해결할 가치가 있는가? 예상되는 비즈니스 이점은 무엇인가?
- 문제가 얼마나 자주 발생하는가? 최상의 시나리오는 모델을 생성하고 결과를 확인할 수 있을 만큼 충분한 데이터를 제공할 정도로 정기적으로 발생하는 것입니다.
- 가동 중단 시간의 비용은 얼마인가?
- 이 예측을 가지고 있다면 무엇을 다르게 할 것인가?
마지막으로, 모델을 구축하는 데 필요한 데이터가 있습니까? 가설에서 시작합니다. 모든 데이터를 입력하기보다는 중요하다고 생각되는 것을 선택하십시오. 다음으로, 사용 가능한 데이터가 무엇인지, 정확한 예측을 할 수 있는 충분한 데이터가 있는지 확인하십시오.
FactoryTalk Historian용 Analytics Accelerator 사용
Analytics Accelerator for FactoryTalk Historian는 제조업체가 자체 모델링을 수행할 수 있도록 Rockwell Automation이 개발한 툴의 조합입니다.
이 솔루션은 ThingWorx®를 사용하여 구축된 통합 포트폴리오 솔루션으로, FactoryTalk Historian 데이터 아카이브에 저장된 데이터에 ML을 더 쉽게 적용할 수 있도록 합니다. 이 솔루션은 여러 서비스와 ThingWorx 매시업으로 구성되어 사용자 인터페이스를 구성합니다.
