תעשייה 4.0, המכונה גם המהפכה התעשייתית הרביעית, היא עיצוב מחדש של מערכות ייצור ובקרה איכותיות ברחבי העולם.בין התהליכים הרבים שמשתנים הוא קבלה של הדגימה - טכניקה סטטיסטית המשמשת זמן רב כדי להחליט אם קבוצה של מוצרים עומדים בסטנדרטים איכותיים שנקבעו מראש.על ידי שילוב חיישנים חכמים, בינה מלאכותית וניתוח בזמן אמת, חברות נעות מבדיקה פעילה לאבטחת איכות.

מה זה קבלה?

הדגימה של קבלה היא שיטת בקרת איכות שבה דגימה אקראית נלקחת מהרבה מוצרים או חומרים.הדגימה נבדקת כנגד קריטריונים מוגדרים, ועל סמך מספר פגמים שנמצאו, כל השפע מתקבל או נדחה. גישה זו הייתה מרכיב עיקרי של ייצור ורכישה במשך עשרות שנים, במיוחד במצבים שבהם בדיקה 100% היא לא מעשית או יקר מדי.

ישנם שני סוגים עיקריים של קבלה דגימה:0.0.10.10.butes samplingph 1 ו-FLT:2variables samplingFLT 3:0attributes samplingclassifies כל יחידה, בהתאם לעלויות ספציפיות (Aconforming or non-conforming), ולאחר מכן משתמש בטבלאות סטטיסטיות (כגון אלה מ-ASI/ASQ) להעריך סיכון גבוה (או מגבלות) למינימום, או למינימום, או למינימום, או למינימום, כדי לקבוע את רמות).

באופן מסורתי, קבלת הדגימה כבר ידני ומבוסס נייר.מפקחים עוקבים אחר תוכניות דגימה, תוצאות שיא על טפסים נייר, לחשב תוצאות באמצעות טבלאות או מחשבונים פשוטים.תהליך זה הוא זמן-consuming, נוטה שגיאות תזמון, ומציע חשיפה מוגבלת למנהלים הזקוקים נתונים איכותיים בזמן אמת.תעשייה 4.0 מטפל במגבלות אלה על ידי דיגיטציה, אוטומטית, וחיבור בין כל זרימת העבודה.

תעשייה 4.0 Technologies והשפעה על קבלת הסכמה

המהפכה התעשייתית הרביעית מציגה חבילת טכנולוגיות שביחד יוצרות סביבה "מפעל חכם" (IoT), בינה מלאכותית (AI), ניתוח נתונים גדול, למידת מכונה (ML), תאומים דיגיטליים, מחשוב ענן ובלוקצ'יין, כל אחד מהם ממלא תפקיד מובהק במודרניזציה של קבלה.

האינטרנט של דברים ו-Time Data Collection

חיישני IoT משובצים בציוד ייצור, ממריצים ותחנות בדיקה יכולים למדוד את תכונות המוצר באופן רציף ובאופן אוטומטי.במקום למשוך קומץ יחידות מקבוצה גמורה, יצרנים יכולים לפקח על כל פריט כפי שהוא עובר דרך הקו.שינוי זה הופך את קבלת הדגימה מבדיקה דיסקרטית לתוך זרם מתמשך של נתונים.לדוגמה, מערכות ראייה מצוידות במצלמות ברזולוציה גבוהה יכול ללכוד מדידות של כל חלק, ampomasings מיד לזהות תקלות איכות.

יתר על כן, מכשירים מבוססי IoT יכולים לתקשר אחד עם השני ועם תוכנה לניהול איכות מרכזי.כאשר חיישן מזהה סטייה, המערכת יכולה להתאים באופן אוטומטי את הפרמטרים של מכונה כדי למנוע פגמים נוספים. משוב סגור זה מקבל קבלה לא רק כלי החלטה אלא מרכיב בלתי נפרד של שליטה בתהליך.

אינטליגנציה מלאכותית ו- Predictive Analytics

אלגוריתמים של בינה מלאכותית ומכונה יכולים לנתח נתונים היסטוריים ומציאותיים כדי לחזות מתי תהליך צפוי לייצר מוצרים שאינם מתואמים.מודלים החיזוייים הללו לומדים מתבניות בקריאת חיישן, וריאציות חומריות, לוחות זמנים תחזוקה וגורמים סביבתיים. במקום לחכות לדגימה כדי להיכשל בדיקה, מהנדסי איכות יכולים להתאים מראש תהליכים או להגדיל את תדירות הדגימה שבה הסיכון הגבוה ביותר.

עבור קבלת הדגימה, זה אומר כי תוכניות דגימה יכול להיות דינמי. במקום להשתמש AQL סטטי עבור כל הרבה, המערכת יכולה למקם את הציון סיכון עבור כל אצווה מבוסס על תנאים בזמן אמת. הרבה סיכון גבוה עלול לגרום 100% בדיקה או גודל מדגם גדול יותר, בעוד הרבה סיכון נמוך עשוי לדלג על דגימה לחלוטין.

למידת מכונה גם משפרת את הפרשנות של עקומות OC מסורתיות מניחה דגימה אקראית וחלוקה קבועה של הסתברות.מודלים של AI יכולים להסביר נתונים מתואמת, פגם לא-random, ומורכבות עולמית אמיתית אחרים, מתן החלטות מדויקות יותר קבלה.

Big Data Analytics ו- Quality Visibility

ייצור מודרני מייצר כמויות עצומות של נתונים.פלטפורמות ניתוח נתונים גדולות יכולות לאסוף מידע ממקורות מרובים: חיישני IoT, MES (מערכות ביצוע ייצור), ERP (תכנון משאבים במיזם), משוב לקוחות ורשומות איכות הספק.

לוחות דשטוש וכלים הדמיה מאפשרים למנהלים איכותיים לעקוב אחר מדדים מרכזיים כמו שיעורי פגם, ביצועים AQL, יעילות דגימה ומגמות לאורך זמן.יתר על כן, ניתוח נתונים גדול יכול לזהות שורש של פגמים חוזרים על ידי תיקון נתונים דגימה עם משתנים upstream. לדוגמה, אם ספק חומרי גלם מסוים מייצר באופן עקבי עם חלקים לא מגובשים, המערכת יכולה להיות פיקוח מוגבר על שיפור או תהליך שיפור.

התייחסות חיצונית: התפקיד של נתונים גדולים בניהול איכות נחקר באופן נרחב.האגודה האמריקנית ל- Qualityearph:2cioFLT 3 מציעה משאבים על האופן שבו ניתוח נתונים גדול משנה שיטות בקרה איכותיות מסורתיות.

תאומים וסימולציות

תאום דיגיטלי הוא העתק וירטואלי של תהליך פיזי, מערכת או מוצר.על ידי הדמיה של קו הייצור ואת נהלי בקרת איכות שלה, חברות יכול לבדוק אסטרטגיות דגימת קבלה שונים מבלי להפריע פעולות אמיתיות.למשל, מהנדס יכול מודל איך שינוי גודל מדגם או מעבר למשתנים דגימה ישפיע על הסיכון של קבלת הרבה רע. תאומים דיגיטליים יכולים גם לדמיין מצבי כישלונות ואת האיתנות של תוכניות מדגימות תחת שיעורי פגומים שונים.

כאשר משולבים עם נתונים בזמן אמת מחיישנים IoT, תאומים דיגיטליים הופכים למודלים "חיים" אשר כל הזמן לעדכן את ההתנהגות שלהם.זה מאפשר אופטימיזציה מקוונת של תוכניות דגימה.אם התאומים מזהה סטייה מביצועים של תהליך רגיל, זה יכול להמליץ על תוכנית דגימה מעודכנת כדי לשמור על רמות איכות הרצויות.

Blockchain for Traceability and Transparency

קבלת הדגימה לעתים קרובות כרוך במספר רב של בעלי עניין: ספקים, יצרנים, סוכנויות פיקוח של צד שלישי, ולקוחות. Blockchain טכנולוגיה יכולה ליצור רשומות בלתי חתומות של כל אירוע דגימה, כולל בחירת דגימות, תוצאות בדיקה, החלטות קבלה רבות, וכל פעולות נכונות.רמת שקיפות זו בונה אמון וסימולציות ביקורת.זה גם עוזר בפתרון סכסוכים - אם לקוחות רבים התקבלו על ידי ספקית, מספק הוכחה של Blockchain.

התייחסות חיצונית: השימוש בבלוקצ'יין באבטחת איכות צובר נייר מתוך reaFLT] 1Journal of Manufacturing SystemsFLT:2,3] נדון באינטגרציה של blockchain עם AI לשקיפות איכותית של שרשרת האספקה.

היתרונות של תעשיית ה- 4.0 לקבל את Sampling

השינוי מ-Computer, מבוסס אצווה לגישה אוטומטית, המונעת על ידי נתונים מציע כמה יתרונות מוחשיים.

  • (FLT:0) דיוק ועקביות.IRLT:1 , אוטומציה מבטלת טעות אנושית בבחירת הדגימה, מדידה והקלטה. מכונות ליישם את אותם הקריטריונים בכל פעם, מה שמוביל להחלטות טבע רבות אמינות יותר.
  • (FLT:0) ,הזמן של בדיקה ועלויות.FreaLT:1) ניטור בזמן אמת מפחית את הצורך בגדלים מדגם גדולים ובדיקה מקצה-ליין.ניתוח חיזוי יכול למנוע פגמים, הורדת עלויות איכות הכוללות.
  • (FLT:0) מעקבים ושקיפות נתונים.IRLT:1 ; כל נקודת נתונים מתפרסם עם זמנים, תעודות זהות, ו יומני מפעיל.
  • (FLT:0) תגובה של בעיות איכות.FreaLT:1 כאשר מתרחשת סטייה, המערכת יכולה לעורר התראות מיידיות, לעצור את הייצור, או להתאים את הפרמטרים של תהליך.מהירות זו מפחיתה את הגרד, עבודה מחדש, ופוטנציאל של הלקוחות נמלט.
  • (FLT:0) הקצאת משאבים טובה יותר.FLT:1) , מיפוי סיכונים מבוסס על מאמצי בדיקה לאזורים הקריטיים ביותר, הימנעות מבזבוז על הרבה בסיכון נמוך.
  • (FLT:0) תרבות שיפור מתמיד (FLT:103) עם נתונים עשירים, ארגונים יכולים לבצע ניתוחים עמוקים שורש ומימוש פעולות נכונות אשר באופן קבוע מעלה יכולות איכות.

אתגרים ושיקולים

למרות היתרונות ברורים, יישום טכנולוגיות תעשייה 4.0 ב- מקבלות קבלה אינו ללא מכשולים, ארגונים חייבים לנווט מספר אתגרים מרכזיים.

השקעה ראשונה

שדרוג ציוד מורשת עם חיישני IoT, שילוב פלטפורמות AI, תשתיות בנייה דורש הון משמעותי. מפעלים קטנים ובינוניים עשויים למצוא את עלויות upfront האוסרטיביות, גם אם החזרי לטווח ארוך להצדיק את ההשקעה.ניתוח עלות עלות זהירות ומימוש שלב יכול להקטין את האתגר הזה.

אבטחת מידע ופרטיות

מאחר שהנתונים האיכותיים הופכים לדיגיטליים ומחוברים, הם גם הופכים למטרה להתקפות סייבר.פרצה עלולה לחשוף עיצובים של מוצרים קנייניים, פרמטרים של תהליכים או הסכמי איכות לקוחות.חברות צריכות להשקיע באמצעי אבטחת סייבר חזקים, כולל הצפנה, בקרות גישה והערכות פגיעות רגילות.

אימון כוח העבודה והתנגדות תרבותית

אנשי בקרת איכות המורגלים ל-Sampling ידני עשויים לעמוד בפני המעבר במערכות אוטומטיות.הם עלולים למנוע החלטות אלגוריתמיות או חוסר אוריינות נתונים כדי לפרש לוחות נתונים חדשים.תכניות הכשרה מקיפה וניהול שינויים הם חיוניים. צוותי ניהול קרוס-תפקודיים הכוללים מדענים, מהנדסי איכות ומומחים IT יכולים לעזור לגשר על הפער.

שילוב עם מערכות קיימות

מפעלים רבים פועלים תערובת של ציוד ישן וחדש. integrating חיישני IoT עם מורשת PLCs (בקרים לוגיים סבירים) ורשת MES מערכות יכול להיות מורכב מבחינה טכנית.פרוטוקולים תקשורת סטנדרטיים כמו OPC-UA ו- MQTT עזרה, אבל הסתגלות אישית נדרשים לעתים קרובות. חברות צריך לתכנן שילוב בשלבי ולהבטיח כי מערכות חדשות יכולות לתקשר בצורה חלקה עם תוכנה קיימת.

אימות וOver-Reliance ב-AI

מודלים חיזוייים הם רק טובים כמו הנתונים שהם מאומן עליהם.ביש או לא שלם נתונים היסטוריים יכולים להוביל לתחזיות פגומים.יתר על כן, מודלים של למידת מכונה יכולים לנסחף לאורך זמן כמו תהליכים. ניטור מודל רציף ושיקום תקופתי הם הכרחיים.חשוב גם לשמור על פיקוח אנושי - AI צריך להגדיל, לא להחליף, שיפוט מומחה בהחלטות איכות קריטיות.

(הופנה מהדף International Organization for Standardization (ISO) מספק הדרכה על בקרת איכות סטטיסטית.ה-FLT:0reaFLT:1 ISO 2859 סדרות סימולFLT:2IRLT 3 מכסה את תהליכי הדגימה של קבלה; הבנת הסטנדרטים האלה היא קריטית בעת שילוב טכנולוגיות חדשות.

מגמות עתידיות ב-Smart Acceptance

האבולוציה של התעשייה 4.0 ממשיכה, והקבלה של sampling תהפוך אפילו יותר משולבת, הסתגלותית ואינטליגנטית.

מערכות נאמנות אוטונומיות

דמיינו מפעל שבו רובוטים או מזל"טים בוחרים באופן אוטומטי דגימות, להעביר אותם לתחנות בדיקה ואפילו לבצע מדידות בשילוב עם AI, מערכות כאלה יכולות לפעול ללא התערבות אנושית עבור שגרת הרבה, לשחרר מהנדסי איכות להתמקד במקרים חריגים ושיפורים בתהליך.

למידה מתוכננת למודלים איכותיים

חברות עם צמחים מרובים או ספקים עשויים ליהנות שיתוף מודלים איכותיים ללא חשיפת נתונים רגישים. למידה פדרנד מאפשרת מודלים AI להיות מאומן על פני מקורות נתונים מבוזרים.כל אתר תורם למידה על דפוסים פגומים, בעוד המודל המרכזי משתפר עבור כל המשתתפים. גישה זו יכולה לשפר באופן דרמטי את הדיוק הנבאי ב- אספקת קבלה רחבה.

צוק איתן להחלטות בזמן אמת

Latency הוא קריטי בקווי ייצור מהירים.על ידי עיבוד נתונים דגימה בקצה - ליד החיישנים והמכונות - החלטות ניתן לעשות במלי שניות מבלי לחכות לשרתי ענן. Edge AI הופכים חזקים מספיק כדי להפעיל מודלים מורכבים באופן מקומי, המאפשרים קבלת פנים אמיתית בזמן אמת שיכול לעצור קו מיידי הפגם מופיע.

שילוב עם מערכות ניהול איכות דיגיטלית (QMS)

קבלת חכמה sampling יהיה מוטבע במלואו בפלטפורמות QMS דיגיטליות המחברות פעילויות איכות על פני עיצוב, ייצור ושרשרת אספקה. דוחות לא פורמליות, פעולות תיקון, שבילי ביקורת, משוב הלקוחות יזין בחזרה לתוך המודלים הדגימה, יצירת מערכת אקולוגית באיכות סגורה.

מסקנה

תעשייה 4.0 אינה רק מוסיפה כלים חדשים לחיקוי קבלה מסורתי; היא מאמתה באופן יסודי את מה שנראה בקרת איכות בסביבה ייצור מחוברת, עשירה בנתונים, חיישנים בזמן אמת מבטלים את ניחושים של דגימה ידנית, AI צופה פגמים לפני שהם מתרחשים, ובלוקצ'יין מספק תיעוד לא חד-משמעי של כל החלטה.