차이

문서의 선택한 두 판 사이의 차이를 보여줍니다.

차이 보기로 링크

@@ 줄 1: / 줄 1: @@
+=== Autonomous Manufacturing의 여정 ===
+\\
+산업계 내에서 리더들은 매뉴팩쳐링 자율화를 그들의 여정을 정의하고 있다. 제조업체들은 공장 전체의 효율성을 높이는 데 도움이 될 디지털화 전략에 주력하고 있다. 제조 라인 전반에 걸쳐 데이터가 점점 더 집약됨에 따라 향후 5년 내에 자율 라인의 실체가 달성될 가능성이 높다.
+\\
+{{ :davcxv.jpg?nolink&600 |}}
+\\
+본 논문은 자율적인 제조를 향한 여정을 탐구한다.
+\\
+**Industry 4.0 생산 시스템 검토**
+\\
+Industry 4.0의 개념을 되돌아볼 때, 생산 시스템이 어떻게 시작되었고, 그리고 시대에 따라 그 변화는 생산성과 효율성을 향상시켜 왔는지 고려할 필요가 있다.
+\\
+생산성 개선은 로봇 공정 자동화 (RPA)에서 시작되는데, 반복적인 공정과 단위 시간당 처리량을 메카니컬적으로 활용하여 생산성을 향상시킨다. 흥미로운 것은, 공정 품질은 향상되지 않는다. 그 이유는 변화를 줄여 단순화함으로서 더 반복성이 증대되기 때문이다. 예를 들어, 현재 공정이 1000개의 결함품을 생산한다면, RPA는 10배만큼의 양호한 부품을 사용해도 10배의 결함품을 생산할 것이다. 이것은 생산성은 탁월하지만 품질을 개선하는 데는 그다지 효과적이지 않다.
+\\
+제조업체들이 생산 시스템(역사학자, PLC 등을 사용하면서)에 데이터를 사용하는 패러다임으로 전환하기 시작하자, 전문적인 공정분석 정보를 알리기 위해 데이터를 끌어와 활용할 수 있게 되었다. 이는 관리 한계 개선과 변화와 품질 결함의 수를 감소시키는 결과를 가져왔다. 그러나 이러한 유한한 통제 범위 내에서 프로세스를 수작업으로 유지해야 하기 때문에 운영자의 업무를 더 어렵게 만든다.
+\\
+개선의 다음 단계는 이러한 변화에 가능한 한 빨리 적응하는 것이다. 그리고, 처음부터 끝까지 시스템을 이해하여 생산성을 개선하는 것이다. 이 마지막 단계는 자율적 매뉴팩쳐링이라는 목표에 우리를 더 가깝게 한다. 생산 시스템은 최종 산출물의 품질에 영향을 주지 않으면서 상류 공정의 변화를 수용할 수 있도록 유연해야 한다.
+\\
+{{ :davzxcv.jpg?nolink&600 |}}
+\\
+Industry 4.0의 미래는 확실히 훨씬 더 유연해진다. 인공지능(AI) 시스템은 가장 저렴한 비용과 최고의 품질, 그리고 실시간보다 미리 수정할 수 있는 시점에 와 있다.
+\\
+**Autonomous Manufacturing의 현황**
+\\
+Autonomous Manufacturing 가는 여정은 복잡하다. 단순히 솔루션으로 방향을 트는 것만큼 간단하지 않다. 앞서 설명한 마지막 단계에서 AI 솔루션은 품질 개선을 위해 생산팀에 수정 제안을 하면서 지침을 주어야 한다. 이는 투입 재료의 변화가 클지라도 품질 결과가 보장되기 때문에 제조 위험을 줄이는 데 도움이 된다. 고철이 적으면 생산능력이 커지고, 부품의 품질도 좋아지기 때문에 전체 시스템 효율이 향상되는 것과 같다.
+\\
+대부분의 공장에서는 생산 시스템에서 데이터를 추출하여 엔지니어링 팀이나 생산 팀으로 전송한다. 오퍼레이터들은 최적화 또는 시스템 개선을 위해 데이터를 검토하면서 그들 자신의 호기심을 따르는 경향이 있다. 전체적인 시스템 개선을 달성하기 위해 프로세스의 시작부터 끝까지 단 하 전체적인 관점에서의 데이터 사용이 없다.
+\\
+이러한 데이터 주도 검사 또한 제조 시스템의 복잡성 때문에 제한적이다. 이러한 프로세스 시스템은 종종 너무 복잡하여 프로세스에 대한 고전적 엔지니어링 설명으로는 표현 할 수 없다. 공정 시작부터 완제품까지 재료를 다룰 수 있는 엔지니어링 모델은 분석적으로 표현하거나 전통적인 방법으로 조사하기에는 너무 복잡하다. 또한 복잡한 공정을 통과한 구성품의 이력을 추적하기는 매우 어렵다. 시스템이 구성품의 동선 흐름을 믿을 수 없을 정도로 세세하게 샘플링하고 이력을 추적하지 않는 한, 사람이 A단계부터 Z단계까지 데이터를 결합하는 데에는 한계가 있다.
+\\
+이러한 복잡성에 대한 해결책은 일반적으로 요구되는 엄격한 이력추적을 강요할 필요 없이 제조자가 프로세스의 시작부터 끝까지 관계성을 나타낼 수 있는 전문 실행 시스템(EES)이다. 이 시스템은 프로세스를 약간 다른 시각에서 보도록 한다. 마지막 공정에서 품질을 향상시키려면 각 단계에서의 공정품질을 이해하는 것이 중요하다.
+\\
+**기존 시스템 사용 가능**
+\\
+Autonomous Manufacturing의 패러다임은 구체적으로 기존 공정과 함께 작동하도록 설계되어 있다. 유일한 변화는 제조 시스템이 생산 데이터와 품질 데이터를 사용하여 고정된 공정을 변경가능하게 하여 품질을 개선하는 데이터 주도적으로 바뀐 것이다. Autonomous Manufacturing이 가는 여정은 사실, 그린필드 공간에서도 작동할 수 있지만, Autonomous Manufacturing시스템을 갖추는데 있다. Autonomous Manufacturing은 시스템에 중대한 영향을 주고 프로세스상에 나타낼 수 있는 데이터만 요구한다.
+\\
+**반응적 AI 에서 규범성 AI로 변화**
+\\
+반응적 생산시스템에서, 품질 문제는 라인 끝에서 발견되고, 생산 팀은 즉시 관측된 오차를 수정하기 위해 시스템을 반응성 시스템으로 변경한다. 이 접근방식은 두 가지 핵심 특징을 가지고 있는데 첫째는 결함이 이미 발생했다는 점과 둘째는 근본 원인이 해결될 때까지 공장에서 불량품 생산을 계속하고 있다는 점이다. 규범 시스템은 미래의 품질 실패를 피하기 위해 현재의 작은 변화도 다루기 때문에 반응적 생산시스템과는 매우 다르다. 실현되지 않을지도 모르는 작은 변화에 품질 비용을 예상하여 소규모의 시정 조치를 취한다. 이 처방들은 비품질의 비용을 줄이는 데 도움이 될 수 있다. 반면, 반응성 사례에서는 품질 고장과 관련된 모든 비용이 발생하기를 기다린 후 시스템의 고장을 수정하게 된다.
+\\
+**Best Practices for Autonomous Manufacturing **
+\\
+Autonomous Manufacturing 라는 목표를 달성하기 위해 생산 시스템에 준비할 수 있는 가장 중요한 두 가지는 다음과 같다:
+\\
+-생산 데이터 식별 및 저장. 공장이 생산 데이터 저장하기 시작하자마자 미래를 최적화하기 위해 그 데이터를 사용할 기회를 열어둔다. 아직 시작하지 않았다면, 제조업자들이 할 수 있는 단순하지만 가장 중요한 일이다.
+\\
+-품질 시스템을 개선한다. 품질을 개선하기 위해서는 단순히 결함이 발생했다는 사실만 기록하는 뿐만 아니라, 결함의 세부 사항(유형, 위치, 설명)을 기록하는 것이 중요하다. 이를 통해 AI는 문제의 근본 원인을 자동으로 진단하고 품질을 개선하기 위해 기계 또는 운영자에게 지속적인 지침을 제공할 수 있다.
+\\
+출처:[[https://www.manufacturingtomorrow.com/story/2020/03/the-journey-towards-autonomous-manufacturing-/14903/ |Manufacturing Tomorrow]]
+\\
+번역:K-Smart Factory

autonomous_manufacturing의_여정.txt · 마지막으로 수정됨: 2020/03/11 11:11 저자 wikiadmin

문서 보기 이전 판 역링크

뒤로 미디어 관리자 맨 위로