Czym jest graf wiedzy PPR — i dlaczego AI w produkcji go potrzebuje

ODBLOKUJ FABRYCZNĄ SZTUCZNĄ INTELIGENCJĘ: DLACZEGO TWOJA FABRYKA POTRZEBUJE GRAFÓW WIEDZY PRODUKT-PROCES-ZASÓB (PPR)Fabryczna sztuczna inteligencja często potrafi przetwarzać ogromne ilości danych, a mimo to brakuje jej podstawowego zrozumienia rzeczywistego środowiska zakładu. Systemy planowania zasobów przedsiębiorstwa (ERP) znają zamówienia, systemy realizacji produkcji (MES) znają operacje, a historiany znają sygnały. Żaden z tych odizolowanych zapisów nie wyjaśnia jednak automatycznie, jak produkt, proces i zasób (PPR) połączyły się w danym momencie. Właśnie ten brakujący związek jest miejscem, w którym obiecujące inicjatywy związane ze sztuczną inteligencją tracą grunt pod nogami. Dzięki wdrożeniu grafu wiedzy PPR zespoły produkcyjne mogą przejść od zgadywania na podstawie surowych wartości do rekonstrukcji rzeczywistych sytuacji operacyjnych.

Aby zbudować skuteczne fundamenty pod przemysłową sztuczną inteligencję i transformację cyfrową, inżynierowie zakładowi i architekci danych muszą skupić się na kilku podstawowych elementach strukturalnych:

• Przejście od kolumn do relacji: Przechowywanie wartości jest proste, ale dane stają się naprawdę użyteczne dopiero wtedy, gdy model potrafi jasno określić, co opisują, które źródło je dostarczyło i do której sytuacji operacyjnej należą.
  
• Rozdzielenie planu od rzeczywistości: Ścisłe oddzielenie planowanych definicji tras technologicznych od rzeczywistych zapisów wykonania zapobiega temu, by modele błędnie wyjaśniały wczorajsze problemy produkcyjne przy użyciu dzisiejszych tabel tras.
  
• Wykorzystanie standardów przemysłowych: Ramy takie jak ISO 95 dostarczają istotnej terminologii i szkieletu, a standardy takie jak OPC-UA oraz Asset Administration Shell (AAS) pomagają opisywać dane urządzeń oraz poszczególne aktywa w całym zakładzie.
  
• Rozszerzenie podstawowej triady: Nowoczesna literatura badawcza rozszerza standardową triadę produkt-proces-zasób o niepożądane stany, prawdopodobne przyczyny oraz wiedzę o środkach zaradczych, aby uwzględnić rzeczywiste awarie i przeróbki.
  

Integracja tych relacji semantycznych umożliwia potężne przypadki użycia w przemyśle w całym cyklu życia produkcji:

• Analiza przyczyn źródłowych: Śledzenie odchyleń jakościowych wstecz i w przód, od końca linii produkcyjnej, poprzez rzeczywiste operacje, konkretne narzędzia, materiały i stany zasobów.
  
• Predykcja uwzględniająca kontekst: Wyposażenie modeli predykcyjnych w odpowiedni kontekst operacyjny, taki jak warianty produktów, receptury i konfiguracje narzędzi, aby identyczne sygnały z czujników były poprawnie interpretowane w różnych partiach produkcyjnych

Zostań wspierającym tego podcastu: https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.