11 جولای 2024-بیل گراکا
بهینه‌سازی مستمر برای سال‌های متمادی یک عنصر کلیدی در تولید خودرو بوده است، بنابراین OEMها در «حافظه فیزیکی» سازمانی خود، بهبود فرآیندی دارند. اما در حال حاضر، خودروسازان از نظر بهینه‌سازی بیشتر فناوری‌ها و استراتژی‌های فعلی‌شان به عملیات کف کارگاه ها دست پیدا می‌کنند.
برای ادامه دستیابی به افزایش بهره وری، زمان آن رسیده است که سازندگان نوع جدیدی از حافظه فیزیکی را با استفاده از هوش مصنوعی (AI) و یادگیری ماشین (ML) توسعه دهند.
هوش مصنوعی و ML فرصت‌های جدیدی را برای تولیدکنندگان خودرو فراهم می‌کنند تا سطوح بالاتری از راندمان تولید، اثربخشی کلی تجهیزات (OEE)، ایمنی و کیفیت را در سطح کارگاهشان نسبت به آنچه که از طریق بهبود فرآیند سنتی و ارتقای دیجیتال دیده‌اند، ارائه دهند. این مزایا یکی از دلایلی است که پیش‌بینی می‌شود بازار هوش مصنوعی خودرو تا سال 2030 با 22.7٪ (CAGR) رشد کند.
آزمایش های فراوان
اگرچه هوش مصنوعی به سرعت در حال پیشرفت است، اما تحقق بخشیدن به دامنه کامل پیشرفت‌های مربوط به تولید خودرو به زمان نیاز دارد. در حال حاضر، پذیرش هوش مصنوعی و ML توسط تاسیسات تولیدی بسیار ناچیز و در مراحل اولیه است. این یک مشکل حاد برای تاسیسات تولید قدیمی است، اما حتی کارخانه‌های گیگ باتری‌های برقی جدید نیز استفاده‌کننده کندی هستند و برای هدایت فرآیندهای خود به حافظه سنتی تکیه می‌کنند که بیشتر با بهبود مستمر سنتی هماهنگ است.
با این حال، ما در حال حاضر شاهد هستیم که سازمان‌ها با این ابزارهای فناوری جدید به صورت موردی آزمایش می‌کنند و تلاش‌های مدیریت تغییر مورد نیاز برای مقیاس‌بندی راه‌حل‌ها را آغاز می‌کنند. آنها می توانند ببینند که چگونه AI و ML می توانند بر کارایی عملیاتی آنها تأثیر بگذارند و بر آنها تأثیر بگذارند و آگاهی را در بین رهبران کلیدی تولید در مورد پتانسیل این راه حل ها در عملیات کلی خود افزایش دهند.
همانطور که قفل داده های بیشتری باز می شود و موارد استفاده بیشتر نتیجه می دهد، انتظار داریم که تولیدکنندگان را در امتداد منحنی بلوغ هوش مصنوعی/ML حرکت دهند – در مورد نحوه اعمال هوش مصنوعی و ML در فرآیندهای خود جسورتر شوند. این باید منجر به سرمایه‌گذاری‌های بیشتر در AI/ML شود زیرا سازمان‌ها به طور فزاینده موارد استفاده را شناسایی می‌کنند. انتهای بالای منحنی بلوغ جایی است که ما سازمان‌ها را می‌بینیم که به طور مداوم هوش مصنوعی و ML را در سطح کارگاه خود به کار می‌گیرند، و جایی که شاهد پذیرش گسترده کارکنان در کار روزانه‌شان خواهیم بود.
موارد استفاده AI/ML امروزی
موارد استفاده ای که برخی از خودروسازان و تولیدکنندگان باتری در حال بررسی هستند بر روی کارایی، کیفیت و ایمنی تمرکز دارند. به عنوان مثال، در زمینه کارایی، هوش مصنوعی و یادگیری ماشینی در حال بهبود زمان‌بندی تولید برای یک تولیدکننده خودرو هستند که مونتاژهای خط تولید اصلی خود را با هم پیوسته می‌کنند. بدون الگوریتم‌هایی برای یادگیری نحوه عملکرد فرآیند و یافتن راه‌هایی برای بهینه‌سازی آن، سازنده باید یک بافر بین چهار تا هشت ساعت حفظ کند تا از توقف خط جلوگیری کند. این بافر همچنین هزینه‌های لجستیک، انبارداری و جابجایی مواد را در کارگاه افزایش می‌دهد.
بهینه‌سازی زمان‌بندی تولید: ابزارهای Al/ML با یکپارچه‌سازی داده‌ها برای ارائه یک نمای اکوسیستمی که شامل مجموعه‌های ورودی و فعالیت خط بلادرنگ یا آنلاین است، می‌توانند آن داده‌ها را برای بهینه‌سازی زمان‌بندی تولید تجزیه و تحلیل کنند. سپس سیستم هوش مصنوعی می تواند به صورت پویا برنامه تولید را با تامین کنندگان تغییر دهد، تاریخ دریافت را به روز کند و در صورت وجود احتمال کمبود قطعات حیاتی، موجودی ایمنی را تعیین کند. این قابلیت‌ها می‌توانند بافر را از چند ساعت به چند دقیقه کاهش دهند، بنابراین مجموعه‌ها دقیقاً به موقع برای رفتن به خط تحویل داده می‌شوند. نتیجه کاهش هزینه ها و افزایش توان عملیاتی است. تولیدکنندگانی که ما با آنها کار می کنیم و موارد استفاده اولیه AI / ML را برای آزمایش و پیاده سازی انتخاب می کنند، شاهد افزایش کارایی فوری و همچنین بازپرداخت سرمایه گذاری اولیه خود در 6 تا 9 ماه پس از اجرای مورد استفاده هستند.
اجتناب از کاهش سرعت زنجیره تامین: موارد استفاده از کارایی می تواند در زنجیره تامین نیز اعمال شود. به عنوان مثال، طبق گفته آژانس بین‌المللی انرژی، تولیدکنندگان باتری‌های برقی باید تقاضایی را که در سال 2030 شش برابر بیشتر از سال 2021 بود، برآورده کنند. به گفته مدیر آزمایشگاه ملی آرگون در وزارت انرژی ایالات متحده، مدیریت چالش های زنجیره تامین برای پاسخگویی به تقاضای فزاینده برای مواد معدنی باتری، چالش اصلی بازار خودروهای الکتریکی است. ابزارهای هوش مصنوعی که به تولیدکنندگان کمک می‌کنند تا ورودی‌ها را بر اساس در دسترس بودن بلادرنگ تهیه کنند، می‌توانند از کاهش سرعت ناشی از کمبود جلوگیری کنند.
بهبود شیمی باتری: هوش مصنوعی و ML نیز شروع به ایفای نقش مهمی در بهینه سازی کیفیت باتری خودروهای الکتریکی کرده اند. برای مثال، برخی از کارخانه‌های گیگا بومی دیجیتال، اتوماسیون گسترده را با تجزیه و تحلیل داده‌های مبتنی بر هوش مصنوعی ترکیب می‌کنند تا نحوه ترکیب ورودی‌های باتری را بهینه کنند. با ردیابی شیمی و نتایج برای مخلوط‌های مختلف، این گیگاکارخانه‌ها می‌توانند بهترین ترکیبات مواد معدنی و سایر ورودی ها برای بهبود کیفیت و ثبات باتری، جلوگیری از اتلاف و کنترل هزینه ها را شناسایی کنند..
ایمن‌تر کردن عملیات: نوسانات اجزای باتری شیمیایی می‌تواند خطرات ایمنی را در سطح کارگاه ایجاد کند، به‌ویژه برای تولیدکنندگانی که بومی فضای تولید مواد شیمیایی نیستند. هوش مصنوعی این پتانسیل را دارد که ایمنی کار با و ذخیره مواد شیمیایی مورد استفاده در باتری‌های EV را با شناسایی بهترین شیوه‌ها و تجزیه و تحلیل داده‌های تولید و ذخیره‌سازی بلادرنگ افزایش دهد.
در کنار هم قرار دادن یک برنامه استقرار
در حالی که موارد استفاده در حال حرکت هستند، زمان آن رسیده است که به طور گسترده تری در مورد استقرار AI/ML در خودروها و تولید باتری EV فکر کنیم.
موانع داده را درک کنید: از آنجایی که داده ها سوخت مدل های یادگیری هوش مصنوعی و موادی هستند که الگوریتم های یادگیری ماشین روی آن کار می کنند، سازندگان باتری و وسایل نقلیه که می خواهند ساخت موارد استفاده از AI/ML را شروع کنند، می توانند با درک معماری داده های موجود خود شروع به کار کنند. درک اینکه داده‌های تولید چقدر در دسترس هستند، چه موانعی ممکن است مانع دسترسی شوند و چگونه آن موانع را از بین ببریم، بسیار مهم است.
موارد استفاده را در اولویت قرار دهید. بعد از داده‌ها، گام بعدی، فهرست‌بندی موارد استفاده در سراسر فرآیند تولید و ارزیابی ارزش بالقوه‌ای است که هوش مصنوعی و ML می‌توانند برای هر کدام ایجاد کنند. ایده این است که ابتدا موارد استفاده ای را که سریع ترین برد را ارائه می دهند، اولویت بندی کنیم تا چرخ لنگر نوآوری راه اندازی شود و شروع به ساخت حافظه عضلانی برای اجرای نهایی هوش مصنوعی در سراسر سازمان شود. همانطور که موارد استفاده اولیه نتایج را ارائه می دهند، مقیاس سازی معماری برای اعمال موارد استفاده بیشتر و ایجاد ارزش بیشتر امکان پذیر می شود. با راه اندازی موارد استفاده اولیه، مدیریت تغییر نقش مهمی ایفا می کند. سازمان‌ها باید اطمینان حاصل کنند که کارمندان کارگاهشان این راه‌حل‌های جدید را تهدیدی برای شغل خود نمی‌دانند، بلکه به عنوان فرصتی برای تغییر به سمت کار با ارزش افزوده بیشتر نگاه می‌کنند.
رهبری تغییر فرهنگ در طول مسیر، سازمان باید فرهنگ خود را فراتر از شیوه های بهبود میراث خود تغییر دهد تا از داده ها و هوش مصنوعی به عنوان محرک های جدید بهینه سازی و ایجاد ارزش استفاده کند. رهبران و کارگران باید برای موفقیت این تکامل ذهنیت همراه باشند، به این معنی که همه افراد در سازمان باید از همان ابتدا درگیر فرآیند باشند و در ایده‌های مستمری که موارد استفاده اولیه ایجاد می‌کنند، مشارکت داشته باشند.
حرکت از تکنیک‌های سنتی بهبود فرآیند به برنامه‌های بهینه‌سازی مبتنی بر هوش مصنوعی، کلید عبور از بیابانی است که بسیاری از تولیدکنندگان صنعت خودرو در حال حاضر در آن هستند. ایجاد حافظه عضلانی یا فیزیکی نهادی برای این تغییر مستلزم شروع کوچک و کار روشمند به سمت امکانات جدید در کارایی، کیفیت، ایمنی و انواع دیگر خلق ارزش است.
