Макс Эллерих, Джимми Чхор, Ларс Гуссен, Никола Викторов (Лаборатория станков и машиностроения (WZL), RWTH Aachen)

Современная промышленность вступает в новые области с распространением цифровизации в связи с появлением Индустрии 4.0 - интеграции датчиков и больших данных в производство и разработку продуктов. Этот набор данных может создать живую «виртуальную» фабрику, которая легко поддается моделированию, что позволяет непрерывно оптимизировать процессы и разработку продукта. Однако создание ценности из огромного количества данных, поступающих из физического производственного цеха, сопряжено с множеством проблем, а именно с масштабом и сложностью данных, которые необходимо обрабатывать. Это объясняет недавнее стремление к созданию общеотраслевых инструментов, таких как цифровые тени, для извлечения данных виртуальных фабрик, которые могут быть применены для оптимизации фабрик в реальном мире.

Миллионы точек данных создаются в течение жизненного цикла продукта - от производства до продажи, использования и, наконец, утилизации. Анализ этого большого объема данных для получения дополнительной информации является сложной задачей, если не применяются определенные фильтры. Вот где появляются цифровые тени: если эти необработанные данные воспринимаются как солнечный свет, падающий на продукт или процесс, способы исследования «объекта» изменяют форму его цифровой тени. По сути, именно то, как можно наклонить чашку и изменить ее тень, точка обзора, используемая для изучения продукта или процесса, определяет соответствующие данные - цифровую тень.

Однако можно одновременно наблюдать за несколькими точками зрения и построить сеть цифровых теней. Эта сеть действует как шлюз для наблюдения за одним или несколькими реальными процессами посредством создания виртуальной фабрики. Например, сеть цифровых теней может включать в себя следующие ключевые элементы реальности: (1) индивидуальные требования клиента к продукту, (2) уникальные свойства готового продукта и (3) производственные процессы с их гибкостью.

Понимание, полученное в результате взаимодействия цифровых теней при моделировании, отражает оптимизацию на разных уровнях. Как показано на рисунке 1, адаптации происходят внутри цифровой тени за счет интеграции обратной связи из физического пространства, тогда как основные взаимодействия происходят между (а) покупателем и продуктом и (б) продуктом и процессами. Это обеспечивает локальную оптимизацию и расширяется за счет учета всех цифровых теней в сетевом представлении, прокладывая путь к общей оптимизации. Чтобы объяснить фундаментальные различия между типами цифровых теней, в следующих заголовках будет представлена ​​конкретная идея о том, что цифровые тени ориентированы на клиента, продукт и процесс. Систематический анализ представлен в качестве примера агрегирования идей, полученных из комбинации цифровых теней.

Цифровое представление клиента

При проектировании продукта, ориентированного на клиента, наиболее важным фактором успеха является его удовлетворенность. При виртуальном подходе к комплексной оптимизации виртуальной фабрики начальным шагом является создание цифровой тени клиента. Эта цифровая тень по существу вводит компонент так называемого «человеческого фактора» в цикл разработки и оптимизации продукта путем количественной оценки и моделирования их ожиданий, как показано в [1]. Важно не только понимать ожидания клиентов, но и интегрировать эти знания с опытом клиентов, полученным при взаимодействии с продуктом. Для этого очень важна количественная оценка субъективного восприятия клиентов до создания цифровой тени [2].

Цифровое представление продукта

Удовлетворенность клиентов зависит от проявления свойств продукта для каждого уникального продукта. Цифровое представление продукта может отличаться в зависимости от его статуса в течение его жизненного цикла. Продукт в производстве и во время его развертывания в полевых условиях дифференцируется из-за разных целей моделирования цифровых теней. И при проектировании, и при производстве особое внимание уделяется характеристикам продукции и их значимости для клиентов. Рассматриваемые основные характеристики продукта частично зависят от качества, воспринимаемого покупателями, как показано в [3] и [4]. Цифровое представление продуктов в полевых условиях также учитывает сценарии взаимодействия и применения. Это особенно актуально для новой волны интеллектуальных продуктов на рынке, для которых информационные и коммуникационные технологии (ИКТ) позволяют передавать данные об использовании обратно производителю оборудования для создания точных цифровых теней продуктов на протяжении всего их жизненного цикла. Знания, полученные из этого обширного набора данных, используются для постоянного улучшения продукта [5].

Цифровое представление процесса

Цифровое представление производства включает в себя основные факторы, способствующие преобразованию продукции на определенных этапах на протяжении всей истории ее производства. Это позволяет создавать более гибкие и масштабируемые производственные системы, адаптированные к требованиям клиентов [6]. Результатом является более эффективная производственная линия наряду с контекстно-зависимой адаптацией и оптимизацией производственных процессов [7]. Одна из основных целей - агрегировать и структурировать входные данные системы и неструктурированные требования [8], чтобы сделать возможным прогнозирование рассматриваемых характеристик продукта [9].

Агрегирование цифровых представлений для формирования виртуальной фабрики

Каждое цифровое представление учитывает существенные аспекты и индивидуальные задачи в комплексном подходе к непрерывной оптимизации виртуальных фабрик. Первоначальный импульс для их создания и оптимизации исходит из физического пространства в виде данных и опыта, и эти цифровые тени постоянно включают обратную связь из того же самого пространства, чтобы гарантировать надежность и точность полученных моделей. Объединение цифровых представлений для оптимизации виртуальной фабрики в целом представляет собой сложную задачу, требующую рассмотрения неопределенностей модели для получения знаний и влияния взаимодействий моделей в моделировании. Ориентированные на процесс подходы к повышению точности модели для прогнозирования качества продукции были проанализированы и для дальнейшего чтения даны в [10] и [11]. Подход к объединению различных размеров с более широким фокусом, чем только производственный процесс, объясняется в [12].

Учитывая постоянно растущее количество и сложность данных, составляющих виртуальную фабрику, создание набора инструментов для обработки этих данных с целью извлечения ценности и реализации непрерывной оптимизации имеет решающее значение. Однако, как показано, решения для цифрового представления клиента, продукта и процесса уже существуют. Цифровые тени представляют собой один из этих простых, но мощных инструментов, позволяющих использовать преимущества виртуальных фабрик.

Литература

[1] Fels, A; Бриэле, К; Эллерих, М; Шмитт, Р.: Извлечение информации о клиентах для выявления потребностей. В: Human Systems Engineering and Design 2018. IHSED 2018. Advances in Intelligent Systems and Computing, vol 876. Springer, Cham / Swiss, 2018.

[2] Гуссен, Л; Эллерих, М; Шмитт, Р .: Прогнозирование воспринимаемого качества посредством разработки мультисенсорной системы, поддерживаемой роботом. В: CIRP Design 2019, Повуа-де-Варзин / Португалия. примечание: принято, опубликовано до конца 2019 г.

[3] Fels, A; Фальк, Б; Шмитт, Р.: Анализ восприятия устаревшего продукта в социальных сетях. В: Процедуры CIRP (2016).

[4] Schmitt, R; Falk, B .; Кёлер, М .: Интеграция внимания пользователей для оценки дизайна в ориентированной на клиента разработке продукта. В: Достижения в области человеческого фактора и эргономики, 2014–5-я Международная конференция по прикладному человеческому фактору и эргономике, Краков / Польша, 2014.

[5] Voet, H; Альтенхоф, М; Эллерих, М; Schmitt, R; Линке, Б.: Структура для сбора и анализа данных об использовании продукта для непрерывного улучшения продукта. В: Journal of Manufacturing Science and Engineering 141, 2018.

[6] Groggert, S .; Elser, H .; Ngo, Q .; Шмитт, Р. Х. (2018): Аналитика производственных данных на основе сценариев с примером отслеживания заказов с помощью BLE-маяков. В: Производство процедур 24: стр. 243–249.

[7] Schmitt, R.H .; Losse, S .; Пермин, Э. (2013): Достижение оптимальных ресурсов и энергоэффективности системы для производственных цепочек с помощью когнитивной самооптимизации. В: Материалы / 11-я Глобальная конференция по устойчивому производству: инновационные решения. Берлин, Германия, 23-25 ​​сентября 2013 г .; Труды / спонсируются Международной Академией Технологий Производства (CIRP).

[8] Schmitt, R.H .; Ellerich, M .; Хамфри, С. (2016): Многоцелевое распределение индивидуальных заказов по сетям производственных линий. В: CIRP Annals - Manufacturing Technology 65 (1), стр. 429–432.

[9] Heutmann, T .; Шмитт, Р. Х. (2019): Прогностический контроль синхронизированного индивидуального производства. В: CIRP CMS, стр. 69–74.

[10] Krauß, J .; Frye, M .; Beck, G .; Шмитт, Р. Х. (2019) Выбор и применение алгоритмов машинного обучения для повышения качества продукции. В: Машинное обучение для киберфизических систем, том 9., Гейдельберг, стр. 46–57.

[11] Fels, A .; Ellerich, M .; Шмитт, Р. Х. (2018): Кластерный анализ для повышения качества производственного процесса. В: IRF2018. Труды 6-й Международной конференции по целостности, надежности и отказу: (Лиссабон, Португалия, 22–26 июля 2018 г.).

[12] Elser, H .; Fimmers, C .; Groggert, S .; Schmitt, R.H .; Брехер, К. (2018): Повышение качества процессов за счет сотрудничества в синхронизированных отдельных производственных компаниях. В: Процедура CIRP 67, стр. 589–594.