نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

1 تیر 1403 4:53 ب.ظ

رویکرد جنرال موتورز در نوآوری مشترک و ادغام فناوری منحصر به فرد

28 ژوئن 2022 -جفری آبل

فناوری جدید، تغییرات در ترجیحات مصرف کننده و افزایش فوریت در مورد پایداری، تولید خودرو را به دوره جدیدی از نوآوری سوق می دهد. پیشرفت هوش مصنوعی (AI) راه را برای خودروهای خودمختار، الکتریکی و کم آلایندگی هموار می کند که به نوبه خود آینده ای امن و پایدار را نوید می دهند.

اما هوش مصنوعی در سراسر فرآیند تولید کاربرد دارد – از طراحی و آزمایش خودرو گرفته تا استفاده از سیستم‌های بینایی کامپیوتری برای شناسایی و رفع عیوب. با ظهور محصولات و مواد جدید روزانه، تولیدکنندگانی که به طور مداوم در فرآیندها، تجهیزات و عملیات بهبود نمی‌یابند، می‌توانند به سرعت عقب بمانند.

به عنوان محققین در فضای تولید خودرو، وظیفه ما نوآوری مداوم است. برای انجام این کار، ما باید فرآیند نوآوری را ساده کنیم، مراحل غیر ضروری را برداریم و موانع راه را حذف کنیم. در جنرال موتورز، ما به این امر از طریق یک مدل نوآوری باز دست می‌یابیم. نوآوری باز فرآیند ترکیب فناوری از داخل و خارج از شرکت برای ایجاد برنامه های کاربردی جدید را توصیف می کند.

با حذف نیاز به ایجاد فناوری از ابتدا، می‌توانیم تلاش‌ها را بر روی کاربرد و ادغام فناوری به روش‌های منحصربه‌فرد متمرکز کنیم و فرآیند تحقیق و توسعه را ساده‌سازی کنیم و در عین حال نتایج را به حداکثر برسانیم. به عنوان مثال، یک تیم در GM در حال کار برای ایجاد سیستم‌های مونتاژ قابل تنظیم مجدد با استفاده از فناوری پیشرفته و غیرقابل استفاده مانند سیستم‌های بینایی، رباتیک و ابزارهای قابل تنظیم مجدد است. با ترکیب فن‌آوری‌های موجود در مدلی که به طور خاص نیازهای ما را برآورده می‌کند، می‌توانیم سیستم‌های تولیدی قابل تنظیم و مقیاس‌پذیر بسازیم و در نهایت وسایل نامنطبق را در کارخانه‌هایمان حذف کنیم.

به عنوان محققین کاربردی، نقش ما درک مشکلات داخل شرکت و استفاده از مفاهیم جدید و موجود برای ارائه راه حل است. استفاده از فناوری بیرونی یکی از راه‌های تسریع این فرآیند است. یکی دیگر از مؤلفه‌های حیاتی، تحقیقات در مراحل اولیه است که عمدتاً خارج از دیوارهای ما در آزمایشگاه‌های ملی، دانشگاه‌ها و سازمان‌های پژوهش محور انجام می‌شود. با همکاری با این مؤسسات، می‌توانیم تحقیقات در مراحل اولیه را به سمت توسعه کاربردی سوق دهیم.

امروزه یکی از مهم ترین چالش های صنعت ما تحقق وعده تولید هوشمند است. از لحاظ تئوری، تولید هوشمند امکان سیستم‌های تولید مشارکتی کاملاً یکپارچه را فراهم می‌کند که از داده‌ها برای پاسخگویی در زمان واقعی برای پاسخگویی به شرایط متغیر استفاده می‌کنند – از مسائل زنجیره تامین تا تغییر در تقاضای مشتری.

اما مجموعه داده‌هایی که سیستم‌های تولید هوشمند را ارتقا می‌دهند، بزرگ و پیچیده هستند. برای ساختن سیستم‌های انطباق‌پذیر و انعطاف‌پذیر، باید بدانیم که چگونه داده‌های خام را به اطلاعات عملی تبدیل کنیم و آن اطلاعات را در کار خود به کار ببریم. تحقیقات در مراحل اولیه نقش حیاتی ایفا می کند.

این هفته، دانشگاهیان مهندسی و متخصصان در فضای تحقیقاتی تولید گرد هم می آیند تا در پنجاهمین کنفرانس سالانه تحقیقات تولید آمریکای شمالی (NAMRC) در دانشگاه پردو شرکت کنند. این رویداد پنج روزه که طولانی‌ترین انجمن تحقیقات کاربردی و کاربردهای صنعتی در تولید و طراحی است، ارائه‌ها و انتشارات تحقیقات اصلی، پایه و کاربردی را ارائه خواهد کرد. موضوعات از کاربردهای تجزیه و تحلیل داده های بزرگ برای برنامه ریزی و کنترل تولید تا چالش ها و فرصت ها در تولید افزایشی متغیر است.

برای متخصصان صنعت، انجمن‌هایی مانند NAMRC فرصت ارزشمندی برای تأثیرگذاری بر تحقیقات دانشگاهی و الهام بخشیدن به تمرکز عمیق‌تر بر حوزه‌های اولویت‌دار فراهم می‌کنند. به عنوان مثال، GM حدود 10 سال پیش شروع به کار در جوشکاری اولتراسونیک کرد. در آن زمان، یکی از چالش‌هایی که با آن مواجه شدیم، کمبود ادبیات علمی در این زمینه بود. با به اشتراک گذاشتن کار خود در کنفرانس‌ها، توانستیم تمرکز و گفتمان پیرامون آن را تحریک کنیم، و الهام‌بخش مجموعه‌ای از مقالات آکادمیک و تحقیقات در مراحل اولیه بودیم که تا به امروز ادامه دارد.

نوآوری برای آینده

امروزه، ما از یادگیری عمیق و شبکه های عصبی کانولوشنال (مبتنی بر دیداری) در سیستم های بینایی استفاده می کنیم که کیفیت را در خطوط مونتاژ ما نظارت می کنند. ریشه اینها به اوایل دهه 1970 بازمی گردد، زمانی که محققان شروع به بررسی امکان شبکه های عصبی کردند. در دهه‌های میانی، متخصصان تحقیق و توسعه در فضای خودرو به طور مداوم برای مدل‌سازی کاربردهای این فناوری در تولید کار کرده‌اند.

در شبکه های عصبی، ما پتانسیل واقعی هوش مصنوعی را برای نوآوری نه تنها در محصولات خود بلکه در فرآیندها و عملیات خود می بینیم. استفاده از داده ها برای بهبود فرآیند و عملیات، کاتالیزوری در پشت سر بسیاری از اهداف مهم صنعت ما در دهه آینده خواهد بود، از برقی سازی و پایداری گرفته تا وسایل نقلیه خودران. اما برای رسیدن به آن، به روش‌های کارآمدتری برای مرتب‌سازی مجموعه داده‌هایمان و تبدیل کلان داده‌ها به اطلاعات مناسب و قابل استفاده نیاز داریم. این به تحقیقات عمیق، اولیه و کاربردی نیاز دارد – و ما فرصت قابل توجهی برای رشد داریم.

برای درک پتانسیل تولید هوشمند، به تمرکز تحقیقاتی قابل توجهی در زمینه هایی مانند داده ها در تولید، استحکام تولید و استفاده از شبیه سازی برای کشف نیاز داریم. با به اشتراک گذاشتن کار خود با جامعه دانشگاهی در اجلاس هایی مانند NAMRC، ما این فرصت را داریم که تحقیقاتی را انجام دهیم که در آینده به عنوان بستری برای نوآوری هایی که هنوز نمی توانیم تصور کنیم، شناخته می شود.

دکتر جفری آبل، دانشمند ارشد تولید جهانی و مدیر تحقیقات سیستم های تولید در جنرال موتورز است. او مسئول تحقیقات تولید جهانی با تمرکز بر برق رسانی خودرو، تولید سیستم های سبک وزن، اتوماسیون و تولید هوشمند است. او رهبری یک تیم تحقیقاتی را برعهده داشت که نقشی کلیدی در تولید باتری پیشرفته Chevy Volt ایفا کرد و موقعیت‌های رهبری دیگری در توسعه و تولید محصول در GM، Delphi و DaimlerChrysler داشت.

https://www.industryweek.com

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *