ABONAMENTE VIDEO REDACȚIA
RO
EN
NOU
Numărul 147
Numărul 146 Numărul 145 Numărul 144 Numărul 143 Numărul 142 Numărul 141 Numărul 140 Numărul 139 Numărul 138 Numărul 137 Numărul 136 Numărul 135 Numărul 134 Numărul 133 Numărul 132 Numărul 131 Numărul 130 Numărul 129 Numărul 128 Numărul 127 Numărul 126 Numărul 125 Numărul 124 Numărul 123 Numărul 122 Numărul 121 Numărul 120 Numărul 119 Numărul 118 Numărul 117 Numărul 116 Numărul 115 Numărul 114 Numărul 113 Numărul 112 Numărul 111 Numărul 110 Numărul 109 Numărul 108 Numărul 107 Numărul 106 Numărul 105 Numărul 104 Numărul 103 Numărul 102 Numărul 101 Numărul 100 Numărul 99 Numărul 98 Numărul 97 Numărul 96 Numărul 95 Numărul 94 Numărul 93 Numărul 92 Numărul 91 Numărul 90 Numărul 89 Numărul 88 Numărul 87 Numărul 86 Numărul 85 Numărul 84 Numărul 83 Numărul 82 Numărul 81 Numărul 80 Numărul 79 Numărul 78 Numărul 77 Numărul 76 Numărul 75 Numărul 74 Numărul 73 Numărul 72 Numărul 71 Numărul 70 Numărul 69 Numărul 68 Numărul 67 Numărul 66 Numărul 65 Numărul 64 Numărul 63 Numărul 62 Numărul 61 Numărul 60 Numărul 59 Numărul 58 Numărul 57 Numărul 56 Numărul 55 Numărul 54 Numărul 53 Numărul 52 Numărul 51 Numărul 50 Numărul 49 Numărul 48 Numărul 47 Numărul 46 Numărul 45 Numărul 44 Numărul 43 Numărul 42 Numărul 41 Numărul 40 Numărul 39 Numărul 38 Numărul 37 Numărul 36 Numărul 35 Numărul 34 Numărul 33 Numărul 32 Numărul 31 Numărul 30 Numărul 29 Numărul 28 Numărul 27 Numărul 26 Numărul 25 Numărul 24 Numărul 23 Numărul 22 Numărul 21 Numărul 20 Numărul 19 Numărul 18 Numărul 17 Numărul 16 Numărul 15 Numărul 14 Numărul 13 Numărul 12 Numărul 11 Numărul 10 Numărul 9 Numărul 8 Numărul 7 Numărul 6 Numărul 5 Numărul 4 Numărul 3 Numărul 2 Numărul 1
×
▼ LISTĂ EDIȚII ▼
Numărul 147
Abonament PDF

Valorificarea grafurilor de cunoștințe în ingineria industrială

Bogdan Bindea
Software Engineer @ Bosch Engineering Center Cluj



PROGRAMARE


În zilele noastre, digitalizarea transformă modul prin care inginerii, operatorii și managerii abordează complexitățile producției moderne într-un context industrial din ce în ce mai dinamic. Integrarea sistemelor de gestionare a cunoștințelor - cum ar fi grafurile de cunoștințe (eng. knowledge graphs) - combinate cu Inteligența Artificială (IA) și Internetul Industrial al Lucrurilor (IIoT) (eng. Industrial Internet of Things), redefinește practicile tradiționale, de la optimizarea proceselor de producție până la predicția defectării echipamentelor.

Aceste tehnologii nu se referă doar la îmbunătățirea mașinilor și a sistemelor, ci și la îmbunătățirea colaborării umane și a luării deciziilor, rezultând echipe mai agile, mai informate și mai eficiente.

În ciuda acestor progrese, mulți încă se întreabă: Cum ne putem adapta la schimbările rapide din domeniul ingineriei? Cum putem valorifica grafurile de cunoștințe și inteligența artificială în mediile industriale digitalizate pentru a oferi o perspectivă orientată spre oameni, care să transforme operațiunile zilnice, să încurajeze colaborarea și să îmbunătățească rezolvarea problemelor în întreaga industrie?

Trăim într-o eră în care normele sunt reprezentate de: dezvoltarea continuă și adaptarea la schimbare. A prospera în acest mediu necesită nu doar îmbrățișarea digitalizării în inginerie și producție, ci și înțelegerea modului în care indivizii și echipele pot valorifica această schimbare. În continuare, vom explora soluții care reinventează modul în care interacționăm cu datele - atât la nivel uman, cât și la nivelul mașinilor - pentru a atinge noi praguri de eficiență și inovație.

Transformarea digitală a ingineriei industriale: O colaborare om-mașină

Ingineria industrială se baza în mare măsură pe cunoștințele umane, experiența practică și manipularea manuală a datelor. Inginerii petreceau multe ore studiind manualul cu instrucțiuni, foi de calcul și diferite sisteme. De exemplu, lucrul cu o Unitate de control electronică (eng. Electronic Control Unit) necesita adesea ca inginerii să răsfoiască 5 până la 6 pachete de documente printate pe hârtie A4, doar pentru a accesa specificațiile tehnice necesare și manualele de întreținere. Însă, în era modernă, digitalizarea extinde domeniul posibilităților. Combinația dintre IoT, IA, grafuri de cunoștințe și sisteme cibernetico-fizice (CPS) a produs ecosisteme inteligente, interconectate, care îmbunătățesc rolul muncitorilor umani și, în același timp, eficientizează operațiunile necesare.

Managementul cunoștințelor sau procesul de colectare, organizare și aplicare a cunoștințelor într-un mod care optimizează valoarea acestora este în centrul acestei schimbări. Odată cu adoptarea tot mai mare a practicilor Industry 4.0 de către diverse industrii, cunoștințele nu mai sunt limitate la baze de date izolate sau documente pe hârtie. Mai degrabă, acestea circulă prin rețele digitale complexe care ajută atât oamenii, cât și mașinile să ia decizii mai rapide și mai inteligente.

Un instrument relativ nou, dar puternic, numit grafuri de cunoștințe conectează date din diverse departamente, domenii și procese pentru a îmbunătăți colaborarea om-mașină și integrarea mașinilor.

Grafuri de cunoștințe: Un cadru pentru sinergia dintre date și oameni

Scopul fundamental al grafurilor de cunoștințe este de a conecta și reprezenta datele ca o rețea de entități și relațiile dintre acestea. Aceste entități pot fi orice element dintr-un cadru industrial, cum ar fi o piesă de mașină sau o specificație de design al produsului, iar relațiile dintre ele pot include lucruri precum programe de întreținere, date în timp real de la senzori sau cunoștințe ale operatorilor.

Cheia puterii grafurilor de cunoștințe este elementul uman. Inginerii experți și operatorii din multe domenii dețin cunoștințe esențiale, care sunt dificil de înregistrat în sistemele convenționale. Organizațiile pot codifica și conecta această expertiză cu date provenite din sisteme IA și IoT folosind grafuri de cunoștințe. Pe lângă faptul că ajută la păstrarea cunoștințelor instituționale importante, acest lucru stimulează rezolvarea cooperativă a problemelor și deschide posibilități de colaborare între ingineri și IA care înainte erau de neconceput.

De exemplu, un operator de pe linia de producție poate detecta o vibrație neobișnuită care încă nu declanșează o alertă automată. Sistemul poate corela această observație cu datele de la senzori, jurnalele de întreținere din trecut și chiar manualele tehnice relevante prin introducerea acesteia în graful de cunoștințe. Acest lucru permite sistemului să ofere informații utile în timp real.

În termeni tehnici, un graf de cunoștințe conține noduri, care reprezintă entitățile, și muchii, care reprezintă relațiile. Nodurile pot fi persoane, utilaje sau alte obiecte, iar muchiile definesc relațiile dintre acestea. În industrie, acestea pot servi drept modele pentru:

Înțelegerea grafurilor crește în complexitate. Graful de cunoștințe încorporează dinamic noi mașini, date și personal pe măsură ce o unitate industrială se extinde în dimensiune și scop. Acest lucru duce la o hartă vie, în continuă evoluție, a întregii operațiuni.

Grafurile de cunoștințe la locul de muncă: Îmbunătățirea procedurilor centrate pe oameni

Deși grafurile de cunoștințe au capabilități tehnice puternice, valoarea lor reală se găsește în modul în care ajută oamenii. Ele acționează, în esență, ca un liant care leagă cunoștințele umane de inteligența digitală, permițând operatorilor și inginerilor să ia decizii mai bune, bazate pe date.

Ca piatră de temelie a ingineriei industriale contemporane, considerând problema întreținerii predictive, inspecțiile regulate sau acțiunile de urgență întreprinse atunci când echipamentele se defectează sunt forme comune de întreținere în configurațiile convenționale. Utilizarea grafurilor de cunoștințe permite corelarea datelor istorice de performanță, jurnalelor de reparații și variabilelor de mediu cu datele în timp real ale senzorilor de la mașini.

Ca rezultat, inginerii vor fi echipați cu cunoștințele necesare pentru a lua măsuri preventive și a anticipa problemele înainte de a apărea. Eficiența forței de muncă este îmbunătățită de graful de cunoștințe, care creează o imagine de ansamblu completă și ușor de înțeles, legând împreună citirile senzorilor, incidentele istorice și observațiile operatorilor.

În ingineria industrială, lanțurile de aprovizionare sunt unele dintre cele mai complexe sisteme. Ele implică rețele extinse de furnizori, rute de transport și programe de producție, toate fiind susceptibile la întreruperi cauzate de circumstanțe neprevăzute. Prin fuzionarea diferitelor sisteme și surse de date într-un singur cadru în timp real, grafurile de cunoștințe oferă o metodă ușor de utilizat pentru modelarea întregului lanț de aprovizionare în această situație.

Colaborarea și aportul uman sunt esențiale în acest context. Pe lângă programele de producție și informațiile despre furnizori, operatorii pot înregistra întreruperi sau probleme de control al calității, care sunt apoi analizate instantaneu și integrate în graful de cunoștințe. Prin furnizarea de informații detaliate și în timp real despre posibilele întreruperi, acest lucru permite inginerilor și managerilor de lanțuri de aprovizionare să găsească materiale alternative, să redirecționeze livrările sau să modifice programele de producție înainte ca problemele să scape de sub control.

Mediile industriale utilizează din ce în ce mai mult așa numiții digital twins, care sunt duplicatele virtuale ale sistemelor fizice. Acești "copii" sunt construiți pe baza grafurilor de cunoștințe, care combină datele senzorilor cu istoricul performanțelor trecute, comentariile operatorilor și chiar analiza inteligentă realizată în timp real de inteligența artificială.

Combinația dintre grafurile de cunoștințe și digital twins permite inginerilor să:

De exemplu, dacă o piesă importantă de echipament funcționează în condiții neobișnuite, inginerii pot folosi componenta în format digital pentru a simula problema în cadrul grafului de cunoștințe. Acest sistem se bazează pe date în timp real și cunoștințe istorice, oferind sugestii imediate pentru depanare sau ajustări.

Grafurile de cunoștințe și IA: Creșterea capacității de decizie umană

Un beneficiu major al integrării IA cu grafurile de cunoștințe este că aceasta poate îmbunătăți capacitatea de decizie umană. Cu mii de puncte de date provenind de la senzori IoT, jurnale de întreținere și metrici de producție, inginerii din domeniul ingineriei industriale se confruntă frecvent cu o supraîncărcare de informații. Aceste date sunt procesate și prioritizate de IA, grafurile de cunoștințe oferindu-le contextul necesar pentru a avea sens.

Procesele decizionale de rutină, cum ar fi identificarea unor mici probleme de întreținere sau modificarea setărilor mașinilor pot fi automatizate de algoritmi IA. Datorită acestei automatizări, inginerii nu mai trebuie să se preocupe de sarcinile zilnice repetitive, permițându-le să se concentreze pe rezolvarea problemelor mai complexe și pe gândirea strategică. De exemplu, într-o fabrică, IA poate fi utilizat pentru a monitoriza continuu performanța mașinilor și, atunci când este combinată cu un graf de cunoștințe, poate notifica automat operatorii umani despre eventualele probleme, sugera soluții sau oferi îmbunătățiri în modul de operare. Cu ajutorul acestor perspective, echipa umană poate acționa rapid, asigurându-se că analiza IA susține eficient experiența lor practică.

În plus, deși inginerii posedă o înțelegere profundă a domeniului lor, IA și grafurile de cunoștințe oferă scalabilitate și viteză în analizarea unor seturi mari de date. Aceste instrumente pot identifica tipare, relații și anomalii care nu ar fi evidente imediat. De exemplu, în controlul calității, IA poate analiza datele produselor pentru a detecta defecte subtile, bazându-se pe înregistrările istorice de producție, în timp ce graful de cunoștințe leagă aceste probleme de cauze potențiale, fie că este vorba de o mașină defectă, variații ale materialelor brute sau erori ale operatorilor. Acest lucru le permite inginerilor să ajusteze procesul de producție în timp real, asigurând o calitate constantă și ridicată a produselor.

O abordare bazată pe cunoștințe și orientată spre oameni pentru viitorul ingineriei industriale

Succesul ingineriei industriale depinde în mare măsură de expertiza umană, chiar și pe măsură ce digitalizarea avansează. Potențialul colaborării dintre muncitorii umani și mașini va fi sporit de grafurile de cunoștințe, IA și IoT. Aceste tehnologii vor crea medii în care oamenii vor fi împuterniciți de perspective bazate pe date și eliberați de sarcini manuale, repetitive și laborioase.

Sistemele de management al cunoștințelor și expertiza umană, lucrând împreună vor reprezenta cheia viitorului ingineriei industriale. Organizațiile pot promova inovația, eficiența și sustenabilitatea în sectorul industrial utilizând grafurile de cunoștințe pentru a asigura că datele și personalul lor sunt complet interconectate.

Inginerii nu vor mai supraveghea doar utilajele în acest viitor conturat pe cunoștințe, ci vor organiza, analiza și îmbunătăți fluxul de informații în cadrul companiilor lor. Cu ajutorul unei infrastructuri de cunoștințe îmbunătățită de IA, ei vor putea să se concentreze pe gândirea strategică, rezolvarea inovativă a problemelor și perfecționarea continuă.

Conferință TSM

NUMĂRUL 147 - Automotive

Sponsori

  • Accenture
  • BT Code Crafters
  • Accesa
  • Bosch
  • Betfair
  • MHP
  • BoatyardX
  • .msg systems
  • P3 group
  • Ing Hubs
  • Cognizant Softvision
  • Colors in projects