AI 驅動的金屬製造,邁向零廢棄
毫無疑問,任何公司都不是為了將產品送往廢料堆而製造,但是在金屬鑄造的過程中,五分之一的鑄件最終都淪為廢料。雖然有瑕疵的金屬大可回收,但是重加工既耗時又耗費能源。金屬業懷抱著原料和能源零廢棄這個崇高的目標,在製造與改善永續性的過程中,高度聚焦於減少瑕疵。
或許最大的挑戰是促使一個產業放棄行之數十年之久的實務,轉而迎接未來創新的工具與製程,而廠房正是求新求變的起點。
端對端客製化製造商 AI 解決方案創始者 Tvarit GmbH 的創辦人 Rahul Prajapat 表示:「若要讓工業界邁向零廢棄,必須先體認一件事,那就是製造 80% 的 KPI(關鍵效能指標)源於作業。「有了 AI,我們可以開始預測各項重要的 KPI,包括設備效率、生產品質、能源使用情況與碳足跡。」
這些預測可將報廢率減少 20% 至 50%,並且大幅降低能源費用,締造零廢棄的永續製程。
比較新方法與公司行號現行的方法,從熟悉的部分著手,有助於探索可能性。為了定義及改善製造品質與程序,很多人利用六標準差這個行之有年的方法。
Prajapat 表示:「廠房的人員利用這個六標準差方法,達成必要的效率。」「他們最初會先定義生產線的特定瑕疵類型、利用 Excel 工作表測量資料點,並且進行趨勢分析。這樣一來,管理人員便能進一步瞭解異常並著手改善。」
根據下列步驟,Tvarit 由 AI 驅動的品質控管系統與六標準差大幅重疊:
- 瞭解問題陳述與可用的資料量,判斷客戶整備度
- 找出缺少的指標,安裝可收集其他資訊的感測器
- 準備 AI 方法,預測期望的產量
- 執行根本原因分析,找出待改善的地方
- 為廠房工程師指定推薦的設定
Prajapat 表示:「這幾個重疊之處讓廠房工程師與管理人員深具信心,舊式改善原本只能將報廢率降低 1% 或 2%,現今的改善成果則是達兩位數,徹底改變了他們的 KPI。」
AI + 網域知識有助於改善成果
但是光靠 AI 的解決方案並不完整。Tvarit Industrial AI Solution 這類平台透過模擬模式增加網域知識,創造出更準確的混合模式。這些模式包含的冶金知識,是以瞭解產品的特定瑕疵類型為基礎。
該平台包連線至邊緣伺服器的感測器,透過雲端將資訊傳送至使用預測性建模、評估與風險分析的 Tvarit AI 軟體。
Tvarit GmbH 研發主管暨資深合夥人 Juergen Halt 表示:「利用機器、生產線與工廠提供的資料,我們可以根據模式預測。」「我們整合所有資料,建立混合式模型時,可以模擬情況,做出更精準的預測。這就像是汽車內的自動巡航控制系統,但因為現在有了雷達,所以車子不會撞牆。」
工業 AI 解決方案包括三項元素:
- Tvarit Industrial AI (TIA) 儲存了鋁壓鑄這類金屬製程適用的專業預訓練 AI 模組。
- Tvarit Intelligent Monitoring (TIM) 會計算各項 KPI,包括機器可用度與效能、產品品質和能源消耗等。它執行於搭載 Intel® Xeon® 伺服器與 AWS 和 Azure 這類雲端平台的基礎架構。
- Tvarit Observant Module (TOM) 這個硬體模組,包含會收集資料及標記元件以利追蹤的邊緣裝置。
Prajapat 表示:「TIA 是我們獨一無二的銷售主張。」「它會評估資料及預測風險。這個端對端解決方案可讓客戶挑選作業所需的模組。
鋁鑄件的預測性分析可減少廢棄
某個鋁鑄件製造商在設施採用了 Tvarit AI Solution,產生的即時可見度有助於改善報廢率。
Prajapat 表示:「鋁鑄件有兩大難題。」「首先,若要取得結果,瞭解生產的線圈優劣,需要耗時數小時,或者有時得花費一或兩天。公司因為缺少即時可見度,所以無法進行物流或供應鏈規劃。第二個難題是報廢率,在這個行業可能介於 6% 到 10%。
鋁製造商利用預測性分析 AI 模型,採用 Tvarit 適用於模鑄、焊接與冷成形的程序專用 AI 模型,解決了這幾個難題。該公司還利用工廠專用的客製化,透過適用於感測器資料分析的轉移學習技術,簡化擴充。
Prajapat 表示:「最大的影響是即時分析。」「程序發生任何缺陷,他們便可即時獲得深入解析。我們為這位客戶成功減少瑕疵達 35%。這正是我們設法為金屬業所有客戶締造的影響。」
Halt 表示:「變更的關鍵在於概念驗證和敏捷度。」另外,與客戶的團隊合作也是關鍵。這些是做出建設性轉變最重要的元素。」