品質管理を新次元に引き上げるインダストリアルインテリジェンス

2020年10月29日-インダストリー4.0人工知能テクノロジー生産
©Nastco / iStock&maxkabakov / iStock; PSIMetalsが編集

人工知能は私たちの日常生活のいたるところにあります。インターネットを検索したり、コネクテッドカーを運転したり、健康診断を受けたりするときに利用しています。 成功し、時に脅威とさえ感じられるAIアプリケーションの爆発的な増加は、私たちの社会のデジタル化に直接影響を与えています。 近年、AIは産業、特に金属生産においてますます重要な役割を果たしています。 デジタル生産データの可用性は、真の目新しさであり、新しい産業革命の引き金です。 AIや機械学習などの新しいテクノロジーがどのように生産品質を向上させ、最終的に製造現場はクレームから解放され静寂さがもたらされるのでしょうか。

知識ベースのAIテクノロジーは、長年にわたって産業品質管理に使用されてきました。たとえば、PSImetals Order Dressing(工程設計モジュール)は、エキスパートシステム技術により、チャージ材、スラブ、コイル、厚板、管材などの製造方法に関するすべての必要な生産ステップと生産プロセスの詳細を決定する仕様展開した形で製造指示を計画します。人間の品質と生産技術のエキスパートは、構成可能なナレッジベースによりモデル化されます。さらに、PSI Metals Qualityは、専門家のルールベースによる品質指標(QI)を使用することで、各生産ステップ後の品質を評価、求められる品質基準を決定します。製鉄所を通るコイル、管材、または厚板のライフサイクル中に、多かれ少なかれ500.000のデータ特性が生成されます。

これらのデータは、データ駆動型AIテクノロジーの品質管理の世界への扉を開きます。

Deep Qualicisionによるデータ学習

ファジーロジックやニューラルネットワークなどのデータ分析テクノロジーは、様々な事例から学習します。品質指標を計算するための厳密なルールを定義する代わりに、事例を学習しモデルを洗練化できます。これらのモデルは、数千万のデータ特性を相関させ、専門家の事例や、抽出された専門家ルールから学習されたのと同じ手法で品質指標を分類します。 Deep Qualicisionは、生データから品質データのラベル付けを処理できるデータ分析ツールの1つです。品質データのラベリングは、利用可能なすべてのデジタルデータから付加価値を生み出すための最初の、しかし不可欠なステップです。

機械学習とニューラルネットワークによる欠陥画像の検出

機械学習とニューラルネットワークは、画像を解釈し、欠陥画像から欠陥を認識して分類することを完全に学習できます。 PSIは、表面の欠陥を識別および分類するために、畳み込みニューラルネットワークテクノロジー(CNN)に基づく欠陥検出サービスを開発しました。

表面欠陥検出のモデルは、どの人間よりもはるかに高速かつ正確に欠陥を検出します。

 

同じ技術は、スクラップの分類、形状の欠陥、超音波検査など、他の画像ベースの品質領域にも適用できます。

©PSI Metals

パンフレット(英文)をダウンロードして、画像認識ベースの表面欠陥検出の詳細を確認してください

 

  • 人間よりもはるかに速く、正確
  • 最終製品の品質を向上
  • 製造コストを削減
  • 効率を向上

 

 

 

 

 

目に見えない欠陥を予測する方法

機械学習の手法は、過去の全体的な経験をいわゆる予測モデルに組み込むことができます。多くの場合数十年にわたって成長した幅広い知識を巧みにモデルに詰め込むことができるのは、どういうわけか驚くべきことであり、少なくとも考えさせられることです。このアプローチの美しさと有用性は、後でさまざまな状況で使用できるという事実にあります。これは、熱間圧延機(HSM)を通過後のコイルの品質予測を考えるときにまさに言えることです。

図1:ホットストリップミルの製造ステップ(CC =連続鋳造、HSM =ホットストリップ圧延ミル、SKP =スキンパス、PKL =酸洗、GLV =亜鉛メッキ、PNT =塗装)、©PSI Metals図1:ホットストリップミルの製造ステップ(CC =連続鋳造、HSM =ホットストリップ圧延機、SKP =スキンパス、PKL =酸洗、GLV =亜鉛メッキ、PNT =塗装)、©PSI Metals

これらのコイルはまださらなる技術的ステップを経ていませんが(図1を参照、赤いステップはすでに実行され、青いステップは計画されています)、光学検査で簡単にアクセスできない重大な欠陥がすでにここにあることがよくあります。難しいのは、圧延後の表面がコイル状になっているため、ほとんどが隠されているだけです。

一方、欠陥のあるコイルを正しく処理することは、かなりの利点をもたらす可能性があります。欠陥の種類と重大度に応じて、コイルを別の生産ラインに送るか、極端な場合には、鋼のライフサイクルの最初に戻すことができます。したがって、潜在的な欠陥に関する情報が必要ですが、それを取得することはできません。しかし、過去に製造されたコイルと発見された欠陥を説明するデータを使用することは可能です。

頭に浮かぶ自然な考えは、コイルを説明する情報の量(これを一連の予測子と呼びます)を発生する欠陥(ターゲット)と相関させることです。ここで機械学習が役立ちます。

データと対応する統計モデルアーキテクチャを収集するだけで、欠陥の可能性を確実に予測できるツールを作成できます。

これを実現するために、スラブの化学組成、鋼種、最終顧客の説明、製造からのプロセス情報など、入手可能なすべての情報を考慮に入れます。このすべての情報は、次のような巨大なベクトルとして想像できます。番号、それをFと呼びましょう。

代表的なサンプルを形成するさまざまなケースのこのデータがあります。しかし、日付だけでは十分ではありません。この複雑な情報の使用方法も知っています。状況に応じて、利用可能な機械学習手法の1つ、通常はニューラルネットワークまたは極端な勾配ブースティングを採用し、後で未知のコイルのベクトルFを取得して結果を欠陥の確率として計算するように、モデルをトレーニングします。高レベルの観測では、予測モデルを、このベクトルを確率に変換する非線形関数として想像できます。

ML(F)=p

ML関数には特定のパラメータ化があり、トレーニング全体の取り組みはこのパラメータ化を見つけることに重点を置いています。 これは、慎重に前処理された履歴データのセット全体にモデルを公開した後に実現されます。

過去のすべてのケースの経験と知識が結果のモデルに埋め込まれているため、数十テラバイトのデータでも比較的小さなオブジェクトに圧縮できます。

さらに重要なことは、まだ未知のケースと同様に、このモデルを将来に使用できることです。 適用された手法には大きな回帰の可能性があるため、これらの新しいケースは過去の例とは大幅に異なる場合があります。 モデルは内部で同様のケースを見つけ、新しいケースを近くのどこかに配置して確率を計算します。

アダプティブモデリングとスマートエージェント

産業の現実は生き物です。すべての新しいスラブ、ビレット、またはコイルは、インダストリー4.0パラダイムの時代に保存され、おそらく使用される新しい情報のバンドルにつながります。人間の観点からは、このような新しいデータは、私たちの考え方や意思決定に何らかの影響を与える経験を形成します。私たちは、単に現在の状況に私たちの経験と向き合うことによって、経験的にエラーを回避する傾向があります。この一般的なスキームは、適切に管理された相互作用によって環境からエクスペリエンスを抽出することに焦点を当てた、機械学習へのいくつかのアプローチの基礎です。エージェントには、環境に影響を与える可能性のある決定の明確なセットがあります(図2を参照)。ここでは、環境はデジタルツインとして知られる工場のデジタル画像として見ることができます。

図2:エージェントと環境の関係©PSIMetals

極端な場合、特別な状況下では、それは実際の工場である可能性もあります。ライフサイクルの初めでは、エージェントは新生児のようなものであり、ランダムな決定しかできません。ただし、報酬と新しいによって形成されたフィードバックを受け取るたびに。このようにして、以前の決定が報酬機能の改善にどの程度つながったかを評価することができます。これは、強化学習の一般的なスキームです。この手法の主な特徴は、一連の決定を学習する機能であり、長期的な視点で最終的な目標のためにいくつかの短期的な目標を犠牲にする可能性があります。

製鉄所の観点からは、たとえば特定の生産ラインの再スケジュールを決定する際に、この手法が非常に役立つ可能性のある多くの典型的なユースケースを想像することができます。スケジュールの変更が大量に蓄積された後、ある時点で、新しいスケジュールを作成するのが最善の方法です。これらの変更には、たとえば、顧客の優先順位の変更、品目または設備の利用不能、または発生した生産上の欠陥が含まれることがよくあります。適切に訓練されたエージェントは、これらの状況に対処できます。

強化学習の動的な性質により、進化する環境に適応することもできます。これは、新しい経験をゆっくりと取り入れることによって達成されます。ある意味で、この適応性により、エージェントは自律ユニットになります。その動作を手動で調整する必要はありません。動作の変更は、フレームワーク全体に固有の機能です。自然な次のステップは、いくつかのエージェントのリリースです。各エージェントは、特定の領域、特に製品、注文、およびプロセスを担当します。それらは、コミュニケーション、経験の保存、および意思決定のための適切なレイヤーを備えています。例示的な用途は、熱間圧延機における規格外の製品の管理であり得る。

マルチエージェントシステムは、特定の偏差が発生するような方法で生産プロセスを制御できます。目標の厚さに達していないため、最小化されます。

もっと知りたいですか?興味深いブログ記事や限定ウェビナーが豊富に用意されている「エンジョイザサウンドオブサイレンス」キャンペーンをフォローして、スムーズな生産現場にもたらされる静寂の世界を想像してみてください。

このトピックについてご意見、ご感想をお待ちしております。

PSI Metals GmbHマーケティングディレクター、ラファエル・ビンダー(Raffael Binder)

2015年にPSIMetalsのマーケティングディレクター就任後、ラファエル氏ははインダストリー4.0を重点戦略に盛り込みました。弊社ブログで彼がデジタル化、KPI、人工知能(AI)などの活発な議論を促しています。ラファエル氏の関心は、デジタル化が様々な分野に与える影響について、科学(フィクション)や歴史からスポーツやコミュニケーションのあらゆる側面にまで及びます。

+43 732 670 670-61
rbinder@psi.de