این یک پست مهمان توسط نسلیهان اردوغان، مدیر فناوری اطلاعات صنعتی جهانی در هلدینگ HAYAT است.
با دیجیتالی شدن مداوم فرآیندهای تولید و Industry 4.0، پتانسیل بسیار زیادی برای استفاده از یادگیری ماشین (ML) برای پیشبینی کیفیت وجود دارد. فرآیند تولید یک روش تولید است که از فرمول ها یا دستور العمل ها برای تولید کالا با ترکیب مواد اولیه یا مواد خام استفاده می کند.
کیفیت پیشبینی شامل استفاده از روشهای ML در تولید برای تخمین و طبقهبندی کیفیت مرتبط با محصول بر اساس دادههای فرآیند تولید با اهداف زیر است[1]:
- توضیحات کیفیت - شناسایی روابط بین متغیرهای فرآیند و کیفیت محصول. به عنوان مثال، چگونه حجم یک ماده چسب بر پارامترهای کیفیت، مانند استحکام و کشش آن تأثیر می گذارد.
- پیش بینی کیفیت - برآورد یک متغیر کیفیت بر اساس متغیرهای فرآیند برای پشتیبانی تصمیم یا برای اتوماسیون. مثلاً چند کیلوگرم بر متر3 ماده چسبنده باید برای دستیابی به استحکام و خاصیت کشسانی مصرف شود.
- طبقه بندی کیفیت - علاوه بر پیش بینی کیفیت، این شامل برآورد انواع خاصی از کیفیت محصول نیز می شود.
در این پست، نحوه همکاری HAYAT HOLDING - یک بازیگر جهانی با 41 شرکت فعال در صنایع مختلف، از جمله HAYAT، چهارمین تولید کننده پوشک مارک دار در جهان، و KEAS، پنجمین تولید کننده بزرگ پانل های چوبی در جهان، با AWS را به اشتراک می گذاریم. برای ساخت راه حلی که از آموزش مدل آمازون SageMaker، تنظیم خودکار مدل Amazon SageMaker و استقرار مدل Amazon SageMaker برای بهبود مستمر عملکرد عملیاتی، افزایش کیفیت محصول و بهینه سازی خروجی تولید صفحات چوبی تخته فیبر با چگالی متوسط (MDF) استفاده می کند.
پیشبینی کیفیت محصول و نتایج توصیههای مصرف چسب را میتوان توسط کارشناسان میدانی از طریق داشبوردها در زمان واقعی مشاهده کرد که در نتیجه یک حلقه بازخورد سریعتر ایجاد میشود. نتایج آزمایشگاهی نشان دهنده تأثیر قابل توجهی معادل صرفه جویی 300,000 دلاری سالانه، کاهش ردپای کربن آنها در تولید با جلوگیری از ضایعات شیمیایی غیر ضروری است.
کیفیت پیش بینی مبتنی بر ML در HAYAT HOLDING
HAYAT چهارمین تولیدکننده بزرگ پوشک بچه با برند در جهان و بزرگترین تولید کننده دستمال کاغذی در منطقه EMEA است. KEAS (Kastamonu Entegre Ağaç Sanayi) یارانه ای از HAYAT HOLDING برای تولید در صنعت پانل های چوبی است و به عنوان چهارمین در اروپا و پنجمین در جهان قرار دارد.
تخته فیبر با چگالی متوسط (MDF) یک محصول چوبی مهندسی شده است که از شکستن بقایای چوب به الیاف، ترکیب آن با چسب ها و تبدیل آن به پانل ها با اعمال دما و فشار بالا ساخته می شود. زمینه های کاربردی زیادی مانند مبلمان، کابینت و کفپوش دارد.
تولید پانل های چوبی ام دی اف نیاز به استفاده گسترده از چسب دارد (تن دو رقمی هر ساله در هلدینگ حیات مصرف می شود).
در یک خط تولید معمولی از صدها سنسور استفاده می شود. کیفیت محصول با ده ها پارامتر مشخص می شود. استفاده از حجم صحیح چسب ها یک آیتم هزینه مهم و همچنین یک فاکتور کیفیت مهم برای پانل تولید شده است، مانند چگالی، قابلیت نگه داشتن پیچ، استحکام کششی، مدول الاستیسیته و مقاومت خمشی. در حالی که استفاده بیش از حد از چسب هزینه های تولید را افزایش می دهد، استفاده نامناسب از چسب مشکلات کیفی را ایجاد می کند. استفاده نادرست باعث می شود تا ده ها هزار دلار در یک نوبت کاری به ارمغان بیاورد. چالش این است که یک وابستگی قهقرایی کیفیت به فرآیند تولید وجود دارد.
اپراتورهای انسانی بر اساس تخصص دامنه در مورد میزان چسب مورد استفاده تصمیم می گیرند. این دانش صرفاً تجربی است و برای ایجاد شایستگی به سالها تخصص نیاز دارد. برای حمایت از تصمیمگیری برای اپراتور انسانی، آزمایشهای آزمایشگاهی بر روی نمونههای منتخب انجام میشود تا کیفیت را در طول تولید دقیقاً اندازهگیری کند. نتایج آزمایشگاهی بازخوردی را برای اپراتورها فراهم می کند که سطوح کیفیت محصول را آشکار می کند. با این وجود، آزمایشات آزمایشگاهی در زمان واقعی نیستند و با تأخیر چندین ساعته اعمال می شوند. اپراتور انسانی از نتایج آزمایشگاهی برای تنظیم تدریجی مصرف چسب برای دستیابی به آستانه کیفیت مورد نیاز استفاده می کند.
بررسی اجمالی راه حل
پیشبینی کیفیت با استفاده از ML قدرتمند است، اما برای طراحی، ادغام با فرآیند تولید و نگهداری نیاز به تلاش و مهارت دارد. با پشتیبانی متخصصان AWS Prototyping و AWS Partner Deloitte، HAYAT HOLDING یک خط لوله سرتاسر به شرح زیر ساخت:
- داده های حسگر را از کارخانه تولید به AWS وارد کنید
- آماده سازی داده ها و تولید مدل ML را انجام دهید
- مدل ها را در لبه مستقر کنید
- داشبورد اپراتور ایجاد کنید
- گردش کار را هماهنگ کنید
نمودار زیر معماری راه حل را نشان می دهد.
بلع داده ها
هلدینگ حیات دارای زیرساختی پیشرفته برای کسب، ثبت، تجزیه و تحلیل و پردازش داده های اندازه گیری است.
دو نوع منبع داده برای این مورد استفاده وجود دارد. پارامترهای فرآیند برای تولید یک محصول خاص تنظیم می شوند و معمولاً در طول تولید تغییر نمی کنند. دادههای حسگر در طول فرآیند تولید گرفته میشود و وضعیت واقعی دستگاه را نشان میدهد.
داده های ورودی از طریق OPC-UA از طریق دروازه SiteWise Edge از کارخانه پخش می شود. AWS IoT Greengrass. در مجموع 194 حسگر وارد شده و برای افزایش دقت پیش بینی ها استفاده شده است.
آموزش و بهینه سازی مدل با تنظیم خودکار مدل SageMaker
قبل از آموزش مدل، مجموعه ای از فعالیت های آماده سازی داده ها انجام می شود. به عنوان مثال، یک کارخانه پانل MDF چندین محصول متمایز را در یک خط تولید تولید می کند (چند نوع و اندازه پانل های چوبی). هر دسته با یک محصول متفاوت، با مواد اولیه متفاوت و ویژگی های فیزیکی متفاوت همراه است. اگرچه تجهیزات و سریهای زمانی فرآیند بهطور پیوسته ثبت میشوند و میتوانند بهعنوان یک سری زمانی تکجریان نمایهشده با زمان دیده شوند، اما باید بر اساس دستهای که با آن مرتبط هستند، تقسیمبندی شوند. به عنوان مثال، در یک شیفت، پانل های محصول ممکن است برای مدت زمان های مختلف تولید شوند. نمونه ای از ام دی اف تولیدی هر چند وقت یکبار برای تست های کیفی به آزمایشگاه ارسال می شود. سایر وظایف مهندسی ویژگی عبارتند از کاهش ویژگی، مقیاس بندی، کاهش ابعاد بدون نظارت با استفاده از PCA (تجزیه و تحلیل مؤلفه اصلی)، اهمیت ویژگی، و تشخیص نقاط پرت.
پس از مرحله آماده سازی داده ها، یک رویکرد دو مرحله ای برای ساخت مدل های ML استفاده می شود. نمونه های آزمایش آزمایشگاهی با نمونه برداری تصادفی متناوب محصول از تسمه نقاله انجام می شود. نمونه ها برای آزمایش های کیفی به آزمایشگاه فرستاده می شوند. از آنجایی که نتایج آزمایشگاهی را نمی توان در زمان واقعی ارائه کرد، حلقه بازخورد نسبتاً کند است. اولین مدل برای پیش بینی نتایج آزمایشگاهی برای پارامترهای کیفیت محصول آموزش داده شده است: چگالی، کشش، مقاومت در برابر کشش، تورم، آب جذب شده، دوام سطح، رطوبت، مکش سطح، و مقاومت خمشی. مدل دوم برای توصیه مقدار چسب مورد استفاده در تولید، بسته به کیفیت خروجی پیش بینی شده، آموزش دیده است.
راه اندازی و مدیریت محیط های ML سفارشی می تواند زمان بر و دست و پا گیر باشد. آمازون SageMaker مجموعه ای از الگوریتم های داخلی، مدل های از پیش آموزش دیده و الگوهای راه حل از پیش ساخته شده برای کمک به دانشمندان داده و متخصصان ML برای شروع سریع آموزش و استقرار مدل های ML.
چندین مدل ML با استفاده از الگوریتمهای داخلی SageMaker برای بهترین نوع محصول تولید شده و برای پارامترهای مختلف کیفیت آموزش داده شدند. مدلهای پیشبینی کیفیت، روابط بین استفاده از چسب و نه پارامتر کیفیت را شناسایی میکنند. مدلهای پیشنهادی حداقل میزان استفاده از چسب را برای برآورده کردن الزامات کیفیت با استفاده از رویکرد زیر پیشبینی میکنند: یک الگوریتم از بالاترین مقدار چسب مجاز شروع میشود و در صورت برآورده شدن تمام الزامات تا حداقل مقدار مجاز چسب، آن را گام به گام کاهش میدهد. اگر حداکثر مقدار چسب همه الزامات را برآورده نکند، خطا می دهد.
تنظیم خودکار مدل SageMaker که به عنوان تنظیم هایپرپارامتر نیز شناخته می شود، با اجرای بسیاری از کارهای آموزشی روی مجموعه داده شما با استفاده از الگوریتم و محدوده هایپرپارامترهایی که شما مشخص کرده اید، بهترین نسخه یک مدل را پیدا می کند. سپس مقادیر فراپارامتر را انتخاب می کند که منجر به مدلی می شود که بهترین عملکرد را دارد، همانطور که توسط متریکی که انتخاب می کنید اندازه گیری می شود.
با تنظیم خودکار مدل، تیم بر تعریف هدف مناسب، محدوده فراپارامترها و فضای جستجو متمرکز شد. تنظیم خودکار مدل بقیه موارد را شامل می شود، از جمله زیرساخت، اجرا و هماهنگی کارهای آموزشی به صورت موازی، و بهبود انتخاب هایپرپارامتر. تنظیم خودکار مدل طیف گسترده ای از انواع نمونه های آموزشی را فراهم می کند. این مدل بر روی انواع نمونه c5.x2large با استفاده از یک نسخه هوشمند از روشهای تنظیم فراپارامتر که بر اساس تئوری جستجوی بیزی است و برای یافتن بهترین مدل در کوتاهترین زمان طراحی شده است، تنظیم شد.
استنتاج در لبه
روشهای متعددی برای استقرار مدلهای ML برای پیشبینی در دسترس هستند.
استنتاج بلادرنگ SageMaker برای حجم کاری که در آن زمان واقعی، تعاملی و با تأخیر کم مورد نیاز است، ایده آل است. در طول مرحله نمونه سازی، HAYAT HOLDING مدل هایی را در سرویس های میزبانی SageMaker مستقر کرد و نقاط پایانی را دریافت کرد که به طور کامل توسط AWS مدیریت می شوند. نقاط پایانی چند مدل SageMaker ارائه یک راه حل مقیاس پذیر و مقرون به صرفه برای استقرار تعداد زیادی مدل. آنها از همان ناوگان منابع و یک ظرف سرویس مشترک برای میزبانی همه مدل های شما استفاده می کنند. این امر با بهبود استفاده از نقطه پایانی در مقایسه با استفاده از نقاط پایانی تک مدل، هزینه های میزبانی را کاهش می دهد. همچنین سربار استقرار را کاهش می دهد زیرا SageMaker بارگذاری مدل ها را در حافظه مدیریت می کند و آنها را بر اساس الگوهای ترافیکی به نقطه پایانی شما مقیاس می دهد.
استنتاج بلادرنگ SageMaker با نقاط پایانی چند مدل برای بهینهسازی هزینه و برای در دسترس قرار دادن همه مدلها در همه زمانها در طول توسعه استفاده میشود. اگرچه استفاده از یک مدل ML برای هر نوع محصول منجر به دقت استنتاج بالاتری میشود، هزینه توسعه و آزمایش این مدلها بر این اساس افزایش مییابد، و همچنین مدیریت مدلهای متعدد دشوار میشود. نقاط پایانی چند مدل SageMaker این نقاط درد را برطرف می کند و به تیم راه حلی سریع و مقرون به صرفه برای استقرار چندین مدل ML می دهد.
Amazon SageMaker Edge مدیریت مدل را برای دستگاههای لبه فراهم میکند تا بتوانید مدلهای ML را در ناوگان دستگاههای لبه بهینه، ایمن، نظارت و نگهداری کنید. کارکردن مدلهای ML در دستگاههای لبه چالش برانگیز است، زیرا دستگاهها، بر خلاف نمونههای ابری، محاسبات، حافظه و اتصال محدودی دارند. پس از استقرار مدل، باید مدلها را به طور مداوم نظارت کنید، زیرا دریفت مدل میتواند باعث کاهش کیفیت مدل در زمان اضافه شود. نظارت بر مدلها در ناوگان دستگاه شما دشوار است، زیرا برای جمعآوری نمونههای داده از دستگاه خود و تشخیص انحراف در پیشبینیها، باید کد سفارشی بنویسید.
برای تولید، عامل SageMaker Edge Manager برای پیشبینی مدلهای بارگذاری شده روی دستگاه AWS IoT Greengrass استفاده میشود.
نتیجه
HAYAT HOLDING یک پلت فرم تحلیلی پیشرفته را به عنوان بخشی از استراتژی تحول دیجیتال خود ارزیابی می کرد و می خواست هوش مصنوعی را برای پیش بینی کیفیت در تولید به سازمان بیاورد.
با پشتیبانی متخصصان AWS Prototyping و AWS Partner Deloitte، HAYAT HOLDING یک معماری پلت فرم داده منحصر به فرد و خط لوله ML را برای رفع نیازهای تجاری و فنی بلند مدت ایجاد کرد.
HAYAT KIMYA محلول ML را در یکی از کارخانه های خود ادغام کرد. نتایج آزمایشگاهی نشان دهنده تأثیر قابل توجهی معادل صرفه جویی 300,000 دلاری سالانه، کاهش ردپای کربن آنها در تولید با جلوگیری از ضایعات شیمیایی غیر ضروری است. این راه حل با ارائه پیش بینی های کیفیت محصول و نتایج توصیه های مصرف چسب از طریق داشبورد در زمان واقعی، یک حلقه بازخورد سریعتر برای اپراتورهای انسانی فراهم می کند. این راه حل در نهایت در سایر کارخانه های پانل چوبی HAYAT HOLDING به کار گرفته خواهد شد.
ML یک فرآیند بسیار تکراری است. در طول یک پروژه واحد، دانشمندان داده صدها مدل، مجموعه دادهها و پارامترهای مختلف را در جستجوی حداکثر دقت آموزش میدهند. SageMaker کامل ترین مجموعه ابزارها را برای مهار قدرت ML ارائه می دهد. این به شما امکان می دهد آزمایش های ML را در مقیاس سازماندهی، پیگیری، مقایسه و ارزیابی کنید. میتوانید با استفاده از الگوریتمهای داخلی SageMaker، تنظیم خودکار مدل، استنتاج بلادرنگ و نقاط پایانی چند مدل، تأثیر نهایی تیمهای ML خود را برای دستیابی به بهبودهای بهرهوری قابل توجه افزایش دهید.
با مدرن کردن رویکرد تجاری خود از لبه به ابر، زمان رسیدن به نتایج را تسریع کنید و عملیات را بهینه کنید یادگیری ماشین در AWS. از نوآوری ها و راه حل های خاص صنعت استفاده کنید AWS برای صنعتی.
نظرات و سوالات خود را در نظرات به اشتراک بگذارید.
درباره هلدینگ HAYAT
HAYAT HOLDING که پایه های آن در سال 1937 گذاشته شد، امروزه با 41 شرکت فعال در صنایع مختلف، از جمله HAYAT در بخش کالاهای مصرفی سریع، KEAS (Kastamonu Entegre Ağaç Sanayi) در بخش پانل های چوبی، یک بازیگر جهانی است. و LIMAS در بخش مدیریت بندر، با نیروی کار بیش از 17,000 نفر. هلدینگ حیات 49 برند تولید شده با فناوری های پیشرفته را در 36 مرکز تولیدی در 13 کشور به میلیون ها مصرف کننده در سراسر جهان تحویل می دهد.
حیات با فعالیت در بخش کالاهای مصرفی پرشتاب در سال 1987 تاسیس شد. امروزه با پیشرفت سریع در مسیر جهانی شدن با 21 مرکز تولید در 8 کشور در سراسر جهان، حیات چهارمین تولید کننده پوشک مارک دار و بزرگترین تولید کننده پوشک در جهان است. تولیدکننده در خاورمیانه، اروپای شرقی و آفریقا و بازیگر اصلی در بخش کالاهای مصرفی در حال حرکت است. حیات با 16 برند قدرتمند از جمله مولفیکس، بیبم، مولپد، جولی، بینگو، تست، هاس، پاپیا، فامیلیا، تنو، فوکوس، نلکس، گودکر و ایوانی در بخشهای بهداشت، مراقبت در منزل، دستمال کاغذی و سلامت شخصی HAYAT* را به میلیون ها خانه در بیش از 100 کشور جهان می آورد.
Kastamonu Entegre Ağaç Sanayi (KEAS)، اولین سرمایه گذاری HAYAT HOLDING در حرکت صنعتی خود، در سال 1969 تأسیس شد. با ادامه رشد بی وقفه خود به سمت تبدیل شدن به یک قدرت جهانی در بخش خود، رتبه چهارم در اروپا و پنجمین در جهان را به خود اختصاص داد. KEAS با حدود 7,000 کارمند و صادرات به بیش از 100 کشور جهان رتبه اول را در صنعت دارد.
*حیات در ترکی به معنای زندگی است.
منابع
- Tercan H، "یادگیری ماشین و یادگیری عمیق مبتنی بر کیفیت پیش بینی در تولید: یک بررسی سیستماتیک"، مجله تولید هوشمند، 2022.
درباره نویسندگان
نسلیهان اردوغان، (کارشناسی و کارشناسی ارشد مهندسی برق)، نقش های فنی و تجاری مختلفی را به عنوان متخصص، معمار و مدیر در فناوری اطلاعات بر عهده داشت. او در HAYAT به عنوان مدیر جهانی فناوری اطلاعات صنعتی کار کرده و پروژههای Industry 4.0، Transformation Digital، OT Security و Data & AI را رهبری کرده است.
چاغری یورتسون (لیسانس مهندسی برق-الکترونیک، دانشگاه بوغازیچی) مدیر حساب سازمانی در خدمات وب آمازون است. او ابتکارات پایداری و IOT صنعتی را در ترکیه رهبری میکند و در عین حال به مشتریان کمک میکند تا با نشان دادن هنر ممکن در AWS، پتانسیل کامل خود را درک کنند.
جنک سزگین (PhD – Electrical Electronics Engineering) مدیر اصلی آزمایشگاه نمونه سازی AWS EMEA است. او از مشتریان با کاوش، ایدهپردازی، مهندسی و توسعه راهحلهای پیشرفته با استفاده از فناوریهای نوظهور مانند IoT، Analytics، AI/ML و سرور پشتیبانی میکند.
حسن بصری آکیرمک (کارشناسی و کارشناسی ارشد در مهندسی کامپیوتر و MBA اجرایی در دانشکده تحصیلات تکمیلی کسب و کار) یک معمار اصلی راه حل در خدمات وب آمازون است. او یک تکنسین تجاری است که به مشتریان بخش سازمانی مشاوره می دهد. حوزه تخصصی او طراحی معماری و موارد تجاری در سیستم های پردازش داده در مقیاس بزرگ و راه حل های یادگیری ماشین است. حسن توسعه تجارت، یکپارچه سازی سیستم ها، مدیریت برنامه را برای مشتریان در اروپا، خاورمیانه و آفریقا ارائه کرده است. از سال 2016، او به صدها کارآفرین در برنامههای جوجهکشی استارتآپ pro-bono راهنمایی کرد.
مصطفی الدمیر (لیسانس مهندسی برق-الکترونیک، کارشناسی ارشد مکاترونیک و کاندید دکترا در علوم کامپیوتر) پیشرو نمونه سازی رباتیک در خدمات وب آمازون است. او راهحلهای اینترنت اشیا و یادگیری ماشین را برای برخی از بزرگترین مشتریان در سراسر EMEA طراحی و توسعه داده و تیمهای آنها را در اجرای آنها رهبری میکند. در همین حال، او دوره های هوش مصنوعی را در دانشگاه یادگیری ماشین آمازون و دانشگاه آکسفورد ارائه کرده است.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- پلاتوبلاک چین. Web3 Metaverse Intelligence. دانش تقویت شده دسترسی به اینجا.
- منبع: https://aws.amazon.com/blogs/machine-learning/hayat-holding-uses-amazon-sagemaker-to-increase-product-quality-and-optimize-manufacturing-output-saving-300000-annually/