Qu'est-ce qu'un graphe de connaissances PPR — et pourquoi l'IA manufacturière en a besoin

DÉBLOQUER L'IA D'USINE : POURQUOI VOTRE SITE A BESOIN DE GRAPHES DE CONNAISSANCES PRODUIT-PROCESSUS-RESSOURCE (PPR)
L'intelligence artificielle industrielle est souvent capable de traiter d'énormes volumes de données, mais elle manque fréquemment d'une compréhension fondamentale de l'environnement réel de l'usine. Les systèmes de planification des ressources de l'entreprise (ERP) connaissent les commandes, les systèmes d'exécution de la production (MES) connaissent les opérations, et les historiens connaissent les signaux. Cependant, aucun de ces enregistrements isolés n'explique automatiquement comment un produit, un processus et une ressource (PPR) s'articulent à un instant donné. C'est précisément à ce niveau que de nombreux projets prometteurs d'intelligence artificielle perdent pied. En mettant en œuvre un graphe de connaissances PPR, les équipes de production peuvent passer de la supposition fondée sur des valeurs brutes à la reconstitution des situations opérationnelles réelles.

Pour bâtir une base solide pour l'intelligence artificielle industrielle et la transformation numérique, les ingénieurs d'usine et les architectes de données doivent se concentrer sur plusieurs composantes structurelles essentielles :

• Passer des colonnes aux relations : Stocker des valeurs est simple, mais les données ne deviennent vraiment utiles que lorsqu'un modèle peut indiquer clairement ce qu'elles décrivent, quelle source les a fournies et à quelle situation opérationnelle elles appartiennent.
  
• Séparer le plan du réel : Une séparation stricte entre les définitions de gammes planifiées et les enregistrements d'exécution réelle évite que les modèles n'expliquent les problèmes de production d'hier à l'aide des tables de gammes d'aujourd'hui.
  
• Tirer parti des normes industrielles : Des cadres comme l'ISO 95 fournissent une terminologie et une structure essentielles, tandis que des standards tels qu'OPC-UA et les Asset Administration Shells (AAS) aident à décrire les données liées aux équipements et les actifs individuels de l'usine.
  
• Étendre la triade de base : La littérature de recherche récente élargit la triade produit-processus-ressource pour y inclure les conditions indésirables, les causes plausibles et les connaissances de mitigation afin de tenir compte des défaillances et des reprises réelles.
  

L'intégration de ces relations sémantiques permet de réaliser de puissants cas d'usage industriels tout au long du cycle de vie de la production :

• Analyse des causes profondes : Retracer les écarts de qualité en remontant et en descendant depuis la fin de la ligne de production, à travers les opérations réelles, les outils spécifiques, les matières et les états des ressources.
  
• Prédiction contextuelle : Doter les modèles prédictifs d'un contexte opérationnel adéquat, tel que les variantes de produits, les recettes et les configurations d'outils, afin que des signaux de capteurs identiques soient interprétés avec exactitude d'un cycle de production à l'autre

Devenez un soutien de ce podcast : https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.