Με το έξυπνο σύστημα παρακολούθησης η προγνωστική συντήρηση προβλέπει και προλαμβάνει κάθε τι που θεωρείται μη προγραμματισμένο. Οι αναλύσεις του εξοπλισμού μεταφοράς βάσει δεδομένων επιτρέπουν τον έγκαιρο εντοπισμό και την αποφυγή πιθανών βλαβών – διατηρώντας έτσι τη βέλτιστη ροή στην παραγωγή οχημάτων. Το σύστημα που υποστηρίζεται από τεχνητή νοημοσύνη (AI) αποτρέπει ετησίως κατά μέσο όρο περίπου 500 λεπτά διακοπής μόνο στη συναρμολόγηση οχημάτων στο εργοστάσιο του Ρέγκενσμπουργκ.
Για τη συναρμολόγηση στο εργοστάσιο του BMW Group στο Ρέγκενσμπουργκ, τα οχήματα τοποθετούνται γενικά σε φορητές βάσεις φόρτωσης ή σε συστήματα ολίσθησης που κινούνται με αλυσίδα, τα οποία διέρχονται από τις αίθουσες παραγωγής. Οποιοδήποτε τεχνικό σφάλμα στα υπερσύγχρονα συστήματα μεταφοράς μπορεί να οδηγήσει σε ακινητοποίηση των γραμμών συναρμολόγησης.
Αυτό αυξάνει τις απαιτήσεις τόσο σε επίπεδο συντήρησης όσο και κόστους. Για να αποφευχθεί αυτό, η ομάδα καινοτομίας του εργοστασίου του Ρέγκενσμπουργκ ανέπτυξε ένα σύστημα που μπορεί να εντοπίζει έγκαιρα πιθανά τεχνικά προβλήματα – και έτσι να αποφεύγονται τυχόν απώλειες στην παραγωγή.
Τα επηρεαζόμενα εξαρτήματα του στοιχείου μεταφοράς μπορούν να αφαιρεθούν από τη γραμμή συναρμολόγησης και να επισκευαστούν μακριά από την παραγωγή. Το πλεονέκτημα είναι ότι το σύστημα παρακολούθησης δεν απαιτεί πρόσθετους αισθητήρες ή εξοπλισμό, αλλά αξιολογεί τα υπάρχοντα δεδομένα από τα εγκατεστημένα εξαρτήματα και το σύστημα ελέγχου των στοιχείων μεταφοράς. Αν διαπιστωθούν ανωμαλίες, ηχεί συναγερμός.
Για παράδειγμα, οι βάσεις φόρτωσης που χρησιμοποιούνται για τη μεταφορά οχημάτων στη γραμμή συναρμολόγησης αποστέλλουν διάφορα δεδομένα στο σύστημα ελέγχου του μεταφορέα, τα οποία διαβιβάζονται στη συνέχεια μέσω αυτού και της μονάδας ελέγχου του εργοστασίου στην πλατφόρμα προληπτικής συντήρησης του BMW Group που βασίζεται σε cloud. Από εκεί ξεκινά η ανάλυση: Ο αλγόριθμος αναζητά συνεχώς παρατυπίες, όπως διακυμάνσεις στην κατανάλωση ενέργειας, δυσλειτουργίες στις κινήσεις του μεταφορέα ή barcode που δεν είναι επαρκώς ευανάγνωστα, που θα μπορούσαν να προκαλέσουν προβλήματα. Εάν αυτά εντοπιστούν, το κέντρο ελέγχου συντήρησης λαμβάνει ένα προειδοποιητικό μήνυμα, για το οποίο ενημερώνεται ο τεχνικός συντήρησης που έχει βάρδια. «Οι οθόνες παρακολούθησης στο κέντρο ελέγχου λειτουργούν 24 ώρες το 24ωρο», εξηγεί ο υπεύθυνος έργου Oliver Mrasek. «Αυτό μας επιτρέπει να ανταποκρινόμαστε γρήγορα σε κάθε είδους αναφορά σφάλματος και να απομακρύνουμε το όχημα που επηρεάζεται από τον κύκλο της διαδικασίας».
Υλοποίηση – υποστηριζόμενη από την τεχνητή νοημοσύνη ( AI ), τυποποιημένη και οικονομικά αποδοτική.
Η προγνωστική συντήρηση δεν είναι μια αυτοδύναμη λύση, τονίζει ο Mrasek. Το σύστημα τυποποιήθηκε σε συνεργασία με την κεντρική διοίκηση της μονάδας παραγωγής του BMW Group και άλλων εγκαταστάσεων, ώστε να μπορεί να εφαρμοστεί άμεσα και σε άλλα εργοστάσια του ομίλου ανά τον κόσμο. Αυτή η προσέγγιση είναι επίσης οικονομικά αποδοτική. «Δεν χρειαζόμαστε πρόσθετους αισθητήρες, οπότε το κόστος αφορά μόνο την αποθήκευση και την υπολογιστική ισχύ».
Μοντέλα μηχανικής μάθησης που αναπτύχθηκαν εσωτερικά εφαρμόστηκαν στο σύστημα, το οποίο χρησιμοποιεί τους λεγόμενους θερμικούς χάρτες με διάφορους χρωματικούς κωδικούς για τις διάφορες ανωμαλίες για την οπτικοποίηση των ευρημάτων του μοντέλου. «Αυτό μας επιτρέπει να χαρτογραφήσουμε διαφορετικά μοτίβα σφαλμάτων σε διάφορα εξαρτήματα και να ανταποκριθούμε σε αυτά με στοχευμένο τρόπο», εξηγεί ο Mrasek.
Με βάση αυτά τα πρακτικά ευρήματα, οι αλγόριθμοι βελτιώνονται και τελειοποιούνται συνεχώς. Η ομάδα βρίσκεται επί του παρόντος στη διαδικασία σύνδεσης πρόσθετων εγκαταστάσεων, βελτιστοποίησης του συστήματος και ενσωμάτωσης των συνιστώμενων ενεργειών στα μηνύματα σφαλμάτων. Αυτό θα μπορούσε, για παράδειγμα, να υποδεικνύει παρόμοια προβλήματα που έχουν εμφανιστεί σε ένα σύστημα απλοποιώντας την αντιμετώπισή τους για τους τεχνικούς συντήρησης – για παράδειγμα, αν μια φτερωτή σε ένα καρότσι μεταφοράς είναι ελαττωματική. «Η βέλτιστη προγνωστική συντήρηση, πέρα από το οικονομικό όφελος, μας βοηθά να παραδώσουμε έγκαιρα την προγραμματισμένη ποσότητα οχημάτων – γεγονός που μειώνει τρομερά το άγχος στην παραγωγή», εξηγεί ο Deniz Ince, επιστήμονας δεδομένων της ομάδας.
