Wraz z postępem cyfryzacji i automatyzacji, integracja sztucznej inteligencji (AI) jest ważnym krokiem dla przemysłu przetwarzania szkła płaskiego w celu optymalizacji procesów, zmniejszenia zużycia energii i emisji CO2 oraz zwiększenia konkurencyjności.
Digitalizacja pozwala na produkcję szkła o całkowitej przezroczystości. fot: Siemens AG
Podczas analizy błędów w procesach produkcyjnych, wykorzystanie sztucznej inteligencji, a w szczególności technologii głębokiego uczenia (deep learning), umożliwia szybką i precyzyjną analizę oraz interpretację coraz bardziej złożonych, obszernych zbiorów danych.
Cel: mniej wad i mniej przestojów, wytwarzanie tego samego produktu w krótszym czasie przy mniejszym zużyciu energii i surowców/zasobów.
Temat „Sztuczna inteligencja AI w technologii maszyn” jest również ważnym tematem na targach glasstec 2024 – wiodących targach nie tylko dla producentów szkła, ale także dla producentów maszyn. W imieniu organizatora targów – Messe Düsseldorf – autor rozmawiał z Forum Technologii Szkła VDMA oraz renomowanymi firmami z branży w okresie poprzedzającym targi.
Stowarzyszenie VDMA zajmuje się także tematyką sztucznej inteligencji w ramach tematu „zarządzanie innowacjami”. Gesine Bergmann (kierownik Forum Technologii Szkła – działu VDMA) informuje: „To zdolności adaptacyjne konstruktorów maszyn i urządzeń napędzają innowacje i pozwalają naszej branży zachować konkurencyjność.
Sztuczna inteligencja ogólnie oznacza zdolność maszyny lub systemu komputerowego do wykonywania zadań, które zwykle wymagają ludzkiej inteligencji takich, jak uczenie się i rozwiązywanie problemów, rozpoznawanie i reprodukcja mowy, rozpoznawanie obrazów, a w przyszłości być może także coś w rodzaju „intuicji” na podstawie doświadczenia.
Nad tym, w jaki sposób można przypisać tego typu inteligencję maszynie, zastanawiał się już w latach 50. brytyjski matematyk i informatyk Alan Turing.
Opracowany przez niego „Test Turinga” ma na celu ocenę zdolności maszyny do wykazywania zachowań podobnych do ludzkich lub wykazywania inteligencji podobnej do ludzkiej. Podstawowa idea: człowiek i maszyna wchodzą w interakcję w oparciu o tekst – przebywając w oddzielnych pomieszczeniach, przy czym człowiek nie wie, czy komunikuje się z maszyną, czy z inna osobą.
Cyfrowy bliźniak umożliwia, na przykład wirtualne uruchomienie systemów wody stłuczkowej, kompleksowe szkolenie operatorów przed rozpoczęciem rzeczywistej pracy oraz kompleksowe testowanie rozwiązań automatyzacji w oparciu o Simatic PCS 7. fot: Siemens AG/PVAG
Jeśli człowiek nie jest w stanie wiarygodnie tego określić, test Turinga uznaje się za zdany. Test jest nadal uważany za obiektywne kryterium oceny ludzkich interakcji między maszynami i stanowi podstawę licznych dyskusji na temat rozwoju systemów sztucznej inteligencji AI, a także ich implikacji etycznych.
Wykorzystanie sztucznej inteligencji w branży obróbki szkła płaskiego
Nowoczesne algorytmy sztucznej inteligencji są często oparte na uczeniu maszynowym, czyli tzw. „głębokim uczeniu”. Uczenie maszynowe jako segment sztucznej inteligencji koncentruje się na opracowywaniu algorytmów, które mogą uczyć się na podstawie danych, bez bezpośredniego/ wyraźnego zaprogramowania regul.
Poza tym identyfikują wzorce i relacje między danymi oraz na ich podstawie „tworzą” prognozy lub „podejmują” decyzje. Głębokie uczenie to z kolei metoda uczenia maszynowego, która wykorzystuje wielowarstwowe, głębokie sieci neuronowe.
Sieci te są niezwykle wydajne w przetwarzaniu danych, ponieważ wykrywają złożone struktury w ogromnych ilościach danych i są w stanie wyodrębnić z nich abstrakcyjne cechy.
To właśnie tutaj „w dalszym ciągu istnieje duży potencjał dla branży szkła płaskiego”, informuje Peter Seidl, szef działu zarządzania produktem w firmie Grenzebach, produkującej maszyny szklarskie. Ta firma, wprowadzajaca wiele innowacji technologicznych, obsługuje przemysł szkła płaskiego, oferując dostosowane do indywidualnych potrzeb klienta rozwiązania w zakresie automatyzacji produkcji i przetwarzania przemysłowego szkła float.
Peter Seidl informuje: – W przypadku wielu procesów zachodzących w tych wysoce zautomatyzowanych fabrykach doświadczenie pokazuje, że nie ma nic ważniejszego niż posiadanie doświadczonego operatora maszyn na wszystkich ważnych stanowiskach, od pieca hartowniczego po centra monitorowania wszystkich procesów w działach IT.
Tutaj przemysł i nowoczesne fabryki są już bardzo zaawansowane, a wydajność produkcji szkła i wynikająca z niej jakość szkła przy użyciu konwencjonalnych środków osiągnęły prawie granice optymalizacji. Wykorzystanie głębokiego uczenie się AI nadal oferuje duży potencjał, zwłaszcza w zakresie wykrywania i oceny wad.
Ci, którzy patrzą na postępy poczynione przez przemysł szkła płaskiego, będą zaskoczeni: „Podczas gdy kilkadziesiąt lat temu kamery używane w produkcji były w stanie odróżnić tylko dobre od złych tafli szkła, dzisiejsze systemy są tak wydajne,że wiele danych jest stale dostępnych do analizy wad”.
Peter Seidl wyjaśnia: – Dzięki analizie obrazu i informacjom zebranym przez czujniki, modele głębokiego uczenia mogą szybko i precyzyjnie identyfikować najmniejsze wady/defekty, kompletne wzorce defektów lub nieprawidłowości w procesie produkcyjnym, rozpoznawać wzorce w danych i wnioskować na ich podstawie o potencjalnych przyczynach źródłowych np. powstawania wad.
Przegląd wad zidentyfikowanych według typów i ich klas na przykładzie systemu kontroli szkła płaskiego pozwala na wyciągnięcie wniosków na temat stanu systemu. fot: ISRA VISION GmbH
Sztuczna inteligencja może następnie przekształcić te oceny na zalecane działania dla danego operatora, aby na bieżąco optymalizować produkcję. Sztuczna inteligencja nie może zastąpić doświadczonych pracowników, ale może dostarczać i wspierać ich coraz bardziej precyzyjnymi informacjami.
Podobnie, złożoność całej drogi szkła – od „gorącego początku” do „zimnego końca” procesu produkcyjnego jest idealnym obszarem zastosowania sztucznej inteligencji AI: dozowanie składników, topienie masy szklanej, ogrzewanie, chłodzenie i cięcie tafli szklanych. Złożona interakcja pomiędzy wieloma obszarami systemu oraz setkami parametrów i stanów, które często wzajemnie na siebie wpływają.
Jest to trudne do zrozumienia i zarządzania/kontrolowania nawet dla najbardziej doświadczonych operatorów. Awarie pojawiają się nagle lub już stają się widoczne jako trendy. Systemy wspomagane sztuczną inteligencją mogą jednak je wcześnie przewidywać na podstawie najmniejszych symptomów, i jeśli to konieczne, zapobiec im z wyprzedzeniem, za pomocą wcześniej ogłaszanych alertów.
Peter Seidl dodaje: – Warunkiem wstępnym jest jednak digitalizacja i wwcześniejsze przetworzenie wiedzy pochodzącej ze wszystkich stacji w procesie produkcjii. W tym procesie sztuczna inteligencja musi zostać przeszkolona, aby ostatecznie rozpoznać korelacje w danych.
Statystyczna analiza wad na przykładzie systemu kontroli produkcji szkła solarnego – w tym rozkład wad i/lub grupowanie typów wad na linii produkcyjnej szkła. fot: ISRA VISION GmbH
Sztuczna inteligencja podczas procesu szkolenia stale się uczy – rejestruje wszelkie zmiany grubości, warunki klimatyczne oraz inne czynniki wpływające – w każdym momencie sztuczna inteligencja będzie w stanie uchwycić i ocenić wszystkie czynniki wpływu.
ISRA Vision GmbH również korzysta już z systemów AI. Firma oferuje rozwiązania inspekcyjne dla przemysłu szklarskiego – które automatycznie wykrywają 100% wad szkła float i przetworzonych produktów, przy pełnej prędkości produkcyjnej i z niezawodną/wiarygodną klasyfikacją w czasie rzeczywistym. Systemy ISRA monitorują cały proces w celu optymalizacji wydajności szkła przy jednoczesnym oszczędzaniu zasobów i energii.
Jednym z konkretnych przykładów wykorzystania sztucznej inteligencji jest rozwiązanie EPROMI, jak podaje Florian Sterzing, lider zespołu badawczo-rozwojowego ds. analizy danych w ISRA Surface Vision. „Rozwiązanie to uwidacznia potencjał ukryty w danych produkcyjnych i pomaga w podejmowaniu decyzji w całym łańcuchu wartości. W tym celu zbiera dane z systemów kontroli i innych dostępnych źródeł, przetwarza je i wizualizuje w intuicyjnych pulpitach nawigacyjnych.
Najważniejszym i najgoręcej dyskutowanym obecnie obszarem rozwoju jest analityka predykcyjna/prognozująca, w której systemy wspierane przez sztuczną inteligencję analizują trendy historyczne, identyfikują wzorce i przewidują wąskie gardła i nieefektywności, i tym samym inicjują ciągłe doskonalenie procesów.
Początkowo systemy te uczą się na podstawie danych, a następnie także na podstawie każdego zdobytego doświadczenia. Wyspecjalizowana sztuczna inteligencja podejmująca decyzje może być szkolona pod kątem każdej aplikacji/zastosowania, każdego obszaru produkcji, który generuje dane. Pomaga to skrócić czas konserwacji, uniknąć przestojów, a tym samym zmniejszyć emisję CO2: ten sam produkt, wykonany jest w krótszym czasie przy mniejszym zużyciu zasobów i energii”.
Uczenie się od „cyfrowego bliźniaka” procesu produkcji
Tobias Wachtmann, szef pionu szkła i energii słonecznej Siemens Digital Industries, zajmuje się cyfryzacją w całym łańcuchu wartości produkcji szkła. Zapytany o możliwości sztucznej inteligencji w tej dziedzinie, odpowiedział pytaniem: – W jakim celu? Dekarbonizacja? Oszczędzanie zasobów? Poprawa warunków pracy? Zwiększenie efektywności energetycznej?
Wiele rozwiązań firmy Siemens, które można znaleźć również w produkcji szkła float, wykorzystuje już sztuczną inteligencję wbudowaną w systemy i usługi, często we współpracy z partnerami, takimi jak Grenzebach. Według Wachtmanna jednym z problemów jest: – Łączenie ze sobą różnych systemów: dane z wsadu szklarskiego, wytopu i całej „podróży szkła” od gorącego do zimnego końca procesu produkcji.
Celem jest tutaj nadal stabilny proces produkcyjny o najwyższej wydajności, przy jednoczesnym identyfikowaniu i wykorzystywaniu potencjału do dalszej optymalizacji”.
Właśnie dlatego Wachtmann uważa „cyfrowe bliźniaki” (wirtualne odwzorowanie rzeczywistej fabryki) za inteligentne, długoterminowe rozwiązanie do testowania i optymalizacji działania AI: – Dokładny cyfrowy bliźniak kompletnych linii produkcyjnych i warunków może pozwolić nam wirtualnie symulować, obliczać i wielokrotnie optymalizować działania systemów sztucznej inteligencji.
Znalezione spostrzeżenia i modele działania można następnie zastosować w rzeczywistości, aby stale zmniejszać liczbę odrzutów/odpadów lub optymalizować zużycie energii. Na tej podstawie nawet maszyny mogą być początkowo „budowane wirtualnie”, a sztuczna inteligencja może być szkolona dla szerokiej gamy modeli.
Etyczne implikacje/konsekwencje przełomowych technologii
Każda przełomowa technologia niesie ze sobą implikacje etyczne: koleje, samochody, Internet, komunikacja mobilna – wszędzie tam, gdzie pojawiają się nowe technologie, zawsze pojawia się niepewność co do tego, czy znane struktury upadną.
Wydaje się zatem niezbędne, aby systemy sztucznej inteligencji były opracowywane i wykorzystywane w sposób uczciwy, przejrzysty i etycznie odpowiedzialny, przy jednoczesnym ocenianiu konsekwencji dla świata pracy na wczesnym etapie, w celu ich przeprojektowania, rozważnie i z dbałością o interesy ludzi.
Z niecierpliwością czekamy na tegoroczną edycję glasstec, na której temat „sztucznej inteligencji” również będzie poruszany jako jeden z gorących tematów na scenach konferencji glasstec.
Marc Everling, Nachhaltige Kommunikation
źródło: glasstec.de