Rostislav Schwob: Propojená výroba nebo využití AI/ML se v nové verzi Aimtec DCIx stávají realitou

V rámci velkých digitalizačních projektů vstupujeme do role integrátora dostupných technologií a systémů. Naše řešení Aimtec DCIx vše řídí a integruje v jeden celek a tím zákazníkům zjednodušuje práci. Systém, který nasadíme, je funkční. Klienti se o něj nemusí starat, to zajistíme my. Nepotřebují žádné odborníky a mohou řešení „jen“ používat. K systému zároveň připojíme potřebné technologie, senzory nebo již existující systémy, a integrace bude fungovat. Naše řešení je plně konfigurovatelné, aby si je mohli zákazníci sami rozvíjet a aby na nás byli nezávislí. Tím se stávají součástí našeho týmu a spolupodílí se na určování budoucnosti systému.

Zaprvé musím zmínit komplexně propojenou výrobu, kde spolu stroje, nástroje, díly, formy, materiál a lidé komunikují. Lidmi myslím pracovníky ve výrobě, logistice a kvalitě na pozicích operátorů, vedoucích a mistrů. V reálném čase jsou předávány povely, instrukce a parametry, které jsou zpětně vyhodnocovány bez zásahu člověka. Tím je zajištěna bezchybnost procesu. Člověk nebo stroj vědí, co mají dělat, a různé senzory nebo kamery kontrolují, že se tak skutečně stalo. Dále se otevírá nový prostor v uplatnění umělé inteligence (AI). Celá tato oblast má zatím nevyužitý potenciál. Dnes už je například možné vyhodnocovat obrazové snímky a s jejich pomocí identifikovat různé vady v reálném čase. Zatřetí je to práce s daty.

Data jsou poklad, je to obrovské nevyužité know-how firem. Je důležité je sledovat, vyhodnocovat a optimalizovat. V neposlední řadě nesmím zapomenout na automatizaci, neboť toto téma se dotýká jakékoliv firmy – výrobní, distribuční nebo obchodní. S každou novou technologií se nabízí otázka, jak ji napojit, řídit a zaintegrovat do současného řešení.

Mohu uvést příklad z oblasti komplexního propojení výroby. Představte si pracoviště, na kterém dělník montuje výrobek opatřený jasným identifikátorem. Operátor drží v ruce nástroj, který je připojen přes wifi rozhraní k systému a dostane tak relevantní program. Systém ví, jaký konkrétní výrobek se má vyrábět a s jakými parametry. Zkontroluje, že přihlášený operátor na pracovišti má odpovídající kvalifikaci a že byl vyškolen na všechny potřebné postupy. Pomocí senzorů umístěných na nástroji a výrobku přesně identifikuje jejich polohy a je schopen zkontrolovat, že člověk montuje na správném místě. V okamžiku ukončení montáže proběhne kontrola dodržení všech předepsaných parametrů, která je nezávislá na člověku a nevyžaduje zadávání dalších dat. Přínosem této propojené výroby je zajištění stoprocentní kvality a detailní zpětné dohledatelnosti – traceability výrobku.

Podobným tématem může být také využití senzoru, který představuje obecnou kameru zpracovávající obraz. Z něho je možné za pomoci machine learning (ML) metod vyhodnotit a najít vady, škrábance, prolisy, špatný odstín a tvar dílů nebo chybějící díly. Kontrola správnosti tak probíhá systémově přímo na pracovišti.

Zde se jednoznačně bavíme o automatizaci, a tím nemyslím jen propojování technologií, ale i procesů. V nových verzích našeho systému pracujeme s task managementem, tzn. že každý požadavek z logistiky rozdělujeme na celou řadu dílčích úkolů, které pak můžeme zařadit do různé fronty. Úkolům můžeme automaticky přiřazovat priority nebo je měnit. Dokážeme sadu úkolů vytáhnout, nechat ji zoptimalizovat a setřídit chytřejším algoritmem pomocí matematické úlohy, která hledá minimum funkce, nebo v případě strojového učení nalézt souvislosti. Máme ověřeno, že pokud se podíváme na zadání tímto způsobem, zkrátíme čas pro provedení úkolu o dalších 10–15 % a zvýšíme výkon celé aplikace.

Na optimalizaci navazuje téma datové analýzy a simulace. V nové verzi umíme vybudovat datový sklad, nad kterým lze provádět pokročilý reporting. Uživatel vidí, kde má nejužší místo, kde má největší rezervy, a ví, na co se má zaměřit. Pro hledání optima využíváme nástroj simulace. Předtím, než se cokoliv fyzického postaví, a pokud známe časy a parametry, jsme schopni procesy nasimulovat a říci, jakým výkonem bude soustava fungovat. A asi nejzajímavější je umět porovnat dvě varianty a říci, o kolik se mezi s sebou liší a která je efektivnější.

Také pro oblast logistiky hledáme pilotní projekty, kde je možné využít AI/ML. Jedním z příkladů může být automatická inventura. Pomocí kamery jsme schopni doplňovat supermarket ve výrobě. Operátor neskenuje, ale kamera vyhodnocuje stav supermarketu a v případě nedostatku materiálu vygeneruje požadavek na jeho doplnění.

Chceme, aby tu systém byl i za dalších deset let, proto k němu tak přistupujeme a vnitřně jej modernizujeme. Na zákaznickém setkání uživatelů v říjnu letošního roku proto budeme představovat Aimtec DCIx, verzi 8, která přináší vyšší bezpečnost, dostupnost aplikace a spolehlivost a která obsahuje výše zmíněné funkce. Již verze 7 byla určena pro provoz v cloudu jako SaaS. Nyní jsme rozšířili aplikaci o využití cloudového uložiště Amazon S3 (Cloud Object Storage), kam lze dlouhodobě ukládat velké množství dat souvisejících s naší nebo jakoukoliv jinou aplikací. S provozem systému v cloudu jsme přestali využívat SQL Server Reporting Services (SSRS) od Microsoftu a přešli jsme na pokročilejší Power BI.

Celou aplikaci jsme obalili rozhraními – API, na které je možné se připojit z okolních systémů. Přepsali jsme uživatelské rozhraní aplikace do frameworku Angular s cílem vyšší bezpečnosti, modernosti a budoucí udržitelnosti. V aplikaci mohou zákaznici nově využít možnost zobrazování grafů – EChart – a mohou si sami přizpůsobit prostředí, například změnit popisky nebo názvy transakcí a nastavit různé jazyky. Testujeme využití AI pro vlastní účely. Využíváme Copilot pro rychlejší psaní kódu. Máme vizi vybudovat podobný nástroj i pro nastavování procesů a transakcí a testujeme využití chatbota pro rychlejší a snadnější přístup k informacím. Na pozadí všech těchto změn proběhla modernizace technologií, na kterých systém běží.

V oblasti logistiky (WMS) jsem již mluvil o task managementu. Doplnili jsme integraci na další zařízení a technologie. Ve výrobě (MES) umí systém komunikovat s dalšími stroji a zařízeními přes protokol MQTT (Message Queuing Telemetry Transport). V kvalitě, zejména té mezioperační, využíváme metodu čtyř očí, tzn. provedenou kontrolu musí odsouhlasit druhý pracovník.