Что такое граф знаний PPR — и почему производству с ИИ он нужен

РАЗБЛОКИРОВКА ФАБРИЧНОГО ИИ: ПОЧЕМУ ВАШЕМУ ЗАВОДУ НУЖНЫ ГРАФЫ ЗНАНИЙ PRODUCT-PROCESS-RESOURCE (PPR)Фабричный искусственный интеллект часто способен обрабатывать огромные объемы данных, однако ему зачастую не хватает базового понимания реальной производственной среды. Системы планирования ресурсов предприятия (ERP) знают заказы, системы управления производственным исполнением (MES) знают операции, а историки знают сигналы. Однако ни одна из этих изолированных записей автоматически не объясняет, как продукт, процесс и ресурс (PPR) сочетались в любой конкретный момент. Именно здесь многие перспективные инициативы в области искусственного интеллекта теряют опору. Внедрив граф знаний PPR, производственные команды могут перейти от догадок на основе необработанных значений к реконструкции реальных производственных ситуаций.

Чтобы создать эффективную основу для промышленного искусственного интеллекта и цифровой трансформации, инженерам завода и архитекторам данных следует сосредоточиться на нескольких ключевых структурных компонентах:

• Переход от столбцов к связям: Хранить значения несложно, но данные становятся по-настоящему полезными лишь тогда, когда модель может четко указать, что они описывают, какой источник их предоставил и к какой производственной ситуации они относятся.
  
• Разделение плана и фактических данных: Строгое разделение между плановыми определениями маршрутов и фактическими записями выполнения не позволяет моделям ошибочно объяснять вчерашние производственные проблемы с помощью сегодняшних таблиц маршрутов.
  
• Использование отраслевых стандартов: Такие структуры, как ISO 95, предоставляют важную терминологию и базовую архитектуру, а стандарты OPC-UA и Asset Administration Shell (AAS) помогают описывать данные, связанные с устройствами, и отдельные активы на всем заводе.
  
• Расширение базовой триады: Современная исследовательская литература расширяет стандартную триаду продукт-процесс-ресурс, включая нежелательные состояния, вероятные причины и знания о мерах по устранению, чтобы учитывать реальные сбои и переделки.
  

Интеграция этих семантических связей открывает широкие возможности промышленного применения на всех этапах жизненного цикла производства:

• Анализ первопричин: Отслеживание отклонений качества в обратном и прямом направлении от конца производственной линии через фактические операции, конкретные инструменты, материалы и состояния ресурсов.
  
• Контекстно-зависимое прогнозирование: Снабжение прогностических моделей правильным производственным контекстом, таким как варианты продукции, рецептуры и конфигурации инструментов, чтобы одинаковые сигналы датчиков интерпретировались точно в разных циклах

Станьте сторонником этого подкаста: https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.