Що таке граф знань PPR — і чому виробничому ШІ він потрібен

ВІДКРИТТЯ ФАБРИЧНОГО ШІ: ЧОМУ ВАШОМУ ЗАВОДУ ПОТРІБНІ ГРАФИ ЗНАНЬ ПРОДУКТ-ПРОЦЕС-РЕСУРС (PPR)Фабричний штучний інтелект часто здатний обробляти величезні обсяги даних, але йому зазвичай бракує базового розуміння реального середовища заводу. Системи планування ресурсів підприємства (ERP) знають замовлення, системи виконання виробництва (MES) знають операції, а історики знають сигнали. Однак жоден із цих ізольованих записів автоматично не пояснює, як продукт, процес і ресурс (PPR) поєдналися в будь-який конкретний момент. Саме тут перспективні ініціативи зі штучного інтелекту втрачають опору. Впроваджуючи граф знань PPR, виробничі команди можуть перейти від здогадок на основі сирих значень до відновлення реальних експлуатаційних ситуацій.

Щоб створити ефективну основу для промислового штучного інтелекту та цифрової трансформації, інженери заводів і архітектори даних мають зосередитися на кількох ключових структурних компонентах:

• Перехід від стовпців до зв'язків: Зберігати значення просто, але дані стають по-справжньому корисними лише тоді, коли модель може чітко сказати, що вони описують, яке джерело їх надало і до якої експлуатаційної ситуації вони належать.
  
• Розділення плану і фактичних даних: Строге розділення між плановими визначеннями маршрутів і фактичними записами виконання запобігає тому, щоб моделі неправильно пояснювали вчорашні виробничі проблеми за допомогою сьогоднішніх таблиць маршрутів.
  
• Використання галузевих стандартів: Такі рамки, як ISO 95, надають важливу термінологію та основу, а стандарти на кшталт OPC-UA та Asset Administration Shells (AAS) допомагають описувати дані, орієнтовані на пристрої, і окремі активи на всьому заводі.
  
• Розширення базової триади: Сучасна науково-дослідна література розширює стандартну триаду продукт-процес-ресурс, включаючи небажані стани, ймовірні причини та знання про пом'якшення наслідків, щоб враховувати реальні збої та доробку.
  

Інтеграція цих семантичних зв'язків забезпечує потужні промислові сценарії використання на всіх етапах виробничого циклу:

• Аналіз першопричин: Відстежуйте відхилення якості назад і вперед від кінця виробничої лінії через фактичні операції, конкретні інструменти, матеріали та стани ресурсів.
  
• Контекстно-залежне прогнозування: Забезпечуйте прогнозні моделі належним експлуатаційним контекстом, таким як варіанти продуктів, рецепти та конфігурації інструментів, щоб ідентичні сигнали датчиків правильно інтерпретувалися в різних циклах

Станьте прихильником цього подкасту: https://www.spreaker.com/podcast/m365-fm-a-microsoft-mvp-podcast-by-mirko-peters--6704921/support.