Sanoat mashina ko‘rish tizimi: real vaqt rejimida nuqsonlarni aniqlash uchun Edge AI’dan foydalanish

AWS IoT Greengrass va Amazon SageMaker mashinaviy o‘qitish modellarini sanoat chekka qatlamida joriy etish yondashuvlaridan birini ifodalaydi. Biroq kengroq tendensiya yagona yetkazib beruvchi ekotizimidan ancha tashqariga chiqadi. Avtomobilsozlik, yarimo‘tkazgichlar, oziq-ovqat mahsulotlarini qayta ishlash va texnologik ishlab chiqarish sohalaridagi ishlab chiqaruvchilar sifat inspeksiyasi va nuqsonlarni aniqlashni yaxshilash uchun chekka AI hamda mashina ko‘rish texnologiyalarini tobora ko‘proq joriy etmoqda.

Ishlab chiqarishdagi nuqsonlarni aniqlash nega chekka qatlamga ko‘chmoqda

Ishlab chiqaruvchilar mahsulot sifatini oshirish, ekspluatatsion xarajatlarni kamaytirish va ishlab chiqarish samaradorligini yuksaltirishga intilishda davom etmoqda. Ishlab chiqarish liniyalari tezlashib, ko‘proq avtomatlashtirilgani sari an’anaviy inspeksiya usullari zamonaviy ishlab chiqarish unumdorligi talablariga moslashishda qiynalmoqda. Inson tomonidan amalga oshiriladigan inspeksiya ko‘plab sohalarda hamon qadrli, biroq u ko‘pincha o‘zgaruvchanlik, charchoq bilan bog‘liq xatolar va ko‘lamni kengaytirish cheklovlarini keltirib chiqaradi.

Shu bilan birga, sanoat korxonalari sensorlar, kameralar, kontrollerlar va ulangan qurilmalar orqali hozirda juda katta hajmdagi ekspluatatsion ma’lumotlarni hosil qilmoqda. Ushbu ma’lumot manbalari mahsulotlar mijozlarga yetib borishidan ancha oldin sifat muammolarini aniqlay oladigan ilg‘or tahlil va mashinaviy o‘qitish ilovalari uchun imkoniyatlar yaratadi.

So‘nggi yillardagi eng muhim ishlanmalardan biri mashinaviy o‘qitish modellarini to‘g‘ridan-to‘g‘ri sanoat chekka qatlamida joriy etishdir. Ishlab chiqaruvchilar har bir tasvirni tahlil qilish uchun masofaviy bulutli platformaga yuborish o‘rniga, ishlab chiqarish uskunalari yaqiniga o‘rnatilgan sanoat kompyuterlari, o‘rnatilgan protsessorlar va chekka shlyuzlarda nuqsonlarni mahalliy ravishda aniqlashlari mumkin.

Bu yondashuv kechikishni sezilarli darajada kamaytirib, tizimning javob berish tezligini oshiradi. Ishlab chiqarish uskunalari aniqlangan nuqsonlarga darhol javob berishi, talablarga mos kelmaydigan mahsulotlarni rad etishi, signallarni ishga tushirishi yoki bulutda qayta ishlashni kutmasdan tuzatish choralarini boshlashi mumkin.

Bulutli platformalar mashinaviy o‘qitish modellarini o‘qitish, boshqarish va takomillashtirish uchun hamon muhim. Biroq chekka hisoblash ma’lumotlar hosil bo‘ladigan joyning o‘zida real vaqt rejimida xulosa chiqarishni amalga oshirish imkonini beradi. Bulut intellekti va chekka qurilmada bajarilishning bu uyg‘unligi sanoat avtomatizatsiyasi uchun kuchli arxitekturaga aylandi.

Ushbu arxitekturani qo‘llab-quvvatlovchi yetakchi texnologiyalar qatoriga Amazon SageMaker va AWS IoT Greengrass kiradi. Birgalikda bu platformalar ishlab chiqarishdagi nuqsonlarni aniqlash ilovalarida qo‘llaniladigan mashinaviy o‘qitish modellarini yaratish, joriy etish, monitoring qilish va uzluksiz takomillashtirish uchun asos yaratadi.

1-rasm. Avtomatlashtirilgan mashina ko‘rish tizimlari zamonaviy ishlab chiqarish muhitida yuqori tezlikda sifat nazoratini ta’minlaydi.

Sanoatdagi nuqsonlarni aniqlash muammosini tushunish

Nuqsonlarni aniqlash yuzaki qaraganda oddiy ko‘rinadi. Kamera tasvirni oladi, dastur mahsulotni baholaydi va tizim buyum inspeksiyadan o‘tgan-o‘tmaganini aniqlaydi. Biroq amalda sanoat inspeksiyasi muhitlari ko‘plab texnik muammolarni keltirib chiqaradi.

Mahsulotlar turli tezliklarda harakatlanadi. Yoritish sharoitlari kun davomida o‘zgaradi. Sirt materiallari yorug‘likni turlicha aks ettirishi mumkin. Ishlab chiqarish tolerantliklari maqbul mahsulotlar o‘rtasida kichik farqlarni yuzaga keltirishi mumkin. Chang, tebranish, haroratning o‘zgarishi va atrof-muhit sharoitlari tasvir olish jarayonini yanada murakkablashtirishi mumkin.

Shu sababli ishlab chiqaruvchilar normal ishlab chiqarishdagi o‘zgarishlarni haqiqiy nuqsonlardan ajrata oladigan inspeksiya tizimlarini ishlab chiqishlari kerak.

Keng tarqalgan ishlab chiqarish nuqsonlariga quyidagilar kiradi:

• Sirtdagi tirnalishlar
• Yoriqlar va darzlar
• Yetishmayotgan komponentlar
• Yig‘ishdagi xatolar
• Noto‘g‘ri payvand choklari
• Bo‘yoqdagi nuqsonlar
• Pufakchalar va bo‘shliqlar
• O‘lchamdagi og‘ishlar
• Qadoqlashdagi nuqsonlar
• Markirovkalashdagi xatolar

Avtomobil ishlab chiqarish, yarimo‘tkazgichlar ishlab chiqarish, farmatsevtika, oziq-ovqatni qayta ishlash, elektronika yig‘ish va energiya ishlab chiqarish kabi sohalarda nuqsonlarni aniqlash rentabellik va mijozlar qoniqishiga bevosita ta’sir qiladi.

Aniqlanmay qolgan nuqson kafolat bo‘yicha da’volarga, xavfsizlik hodisalariga, mahsulotlarni qaytarib olishga, tartibga soluvchi organlar jarimalariga yoki brend obro‘siga putur yetishiga olib kelishi mumkin. Aksincha, haddan tashqari qat’iy inspeksiya mezonlari brak darajasini oshirishi va ishlab chiqarish samaradorligini pasaytirishi mumkin.

Mashinaviy o‘rganish faqat qo‘lda dasturlashtirilgan inspeksiya qoidalariga tayanish o‘rniga, katta ma’lumotlar to‘plamlaridan naqshlarni o‘rganish orqali bu muammolarni hal qilishga yordam beradi.

Kompyuter ko‘rishi an’anaviy qoidalarga asoslangan inspeksiyadan tashqariga rivojlandi

An’anaviy kompyuter ko‘rish tizimlari deterministik tasvirni qayta ishlash algoritmlariga katta darajada tayanadi. Muhandislar chegaraviy qiymatlarni, chetlarni aniqlash parametrlarini, geometrik o‘lchovlarni va xususiyatlarni tanib olish qoidalarini qo‘lda belgilaydilar.

Bu yondashuvlar ko‘plab ilovalar uchun samarali bo‘lib qolmoqda. Biroq mahsulotlarda sezilarli xilma-xillik kuzatilganda yoki nuqsonlar oldindan aytib bo‘lmaydigan shakllarda paydo bo‘lganda, ularni qo‘llab-quvvatlash tobora qiyinlashadi.

Zamonaviy mashinaviy o‘rganish modellari tubdan boshqacha yondashuvni taklif etadi.

Har bir inspeksiya qoidasini qo‘lda belgilash o‘rniga, muhandislar modellarni minglab, hatto millionlab namunaviy tasvirlardan foydalanib o‘qitadilar. Tizim maqbul mahsulotlarni nuqsonli mahsulotlardan ajratib turadigan xususiyatlarni o‘rganadi.

Bu mashinaviy o‘rganish tizimlariga odatiy kompyuter ko‘rish algoritmlari aniqlashi qiyin bo‘lgan nozik naqshlarni aniqlash imkonini beradi.

Sanoat inspeksiyasi tizimlarida mashinaviy o‘rganishning bir nechta yondashuvlari keng qo‘llanadi.

Tasvirlarni tasniflash

Tasniflash modellari tasvirning muayyan toifaga tegishli yoki tegishli emasligini aniqlaydi.

Masalan, model mahsulotlarni quyidagicha tasniflashi mumkin:

• Muvaffaqiyatli
• Muvaffaqiyatsiz
• Shikastlangan
• To‘liq emas
• Noto‘g‘ri joylashgan

Tasniflash ko‘pincha joylashtirishning eng sodda modeli bo‘lib, ko‘plab ishlab chiqarish ilovalari uchun samarali boshlang‘ich nuqta hisoblanadi.

Obyektlarni aniqlash

Obyektlarni aniqlash tasniflashni kengaytirib, nuqsonning mavjudligi va joylashuvini ham aniqlaydi.

Nuqson shunchaki mavjudligini xabar qilish o‘rniga, model nuqson tasvirning qaysi qismida paydo bo‘lganini aniqlaydi.

Bu imkoniyat texnik xizmat ko‘rsatish guruhlari va sifat muhandislariga jarayon muammolari hamda ularning tub sabablarini yaxshiroq tushunishga yordam beradi.

Semantik segmentatsiya

Semantik segmentatsiya piksellar darajasida tahlilni ta’minlaydi.

Har bir pikselga tasnif yorlig‘i beriladi, bu tizimga nuqsonning aniq chegaralarini aniqlash imkonini beradi.

Segmentatsiya modellari ishlab chiqaruvchilarga yoriq o‘lchamlari, korroziya hududlari, qoplama nuqsonlari yoki materialdagi nomuvofiqliklar haqida batafsil ma’lumot kerak bo‘lganda ayniqsa foydalidir.

Ilg‘or segmentatsiya usullari nuqsonlarning rivojlanish naqshlari jarayonni kengroq optimallashtirish ishlarining bir qismiga aylangan bashoratli sifat tashabbuslarini qo‘llab-quvvatlashi mumkin.

Sanoat avtomatlashtirishida Edge AI nima uchun muhim

Ko‘plab sanoat korxonalari hanuzgacha qat’iy ishonchlilik talablariga amal qiladi. Ishlab chiqarish liniyalari ko‘pincha uzoq vaqt davomida uzluksiz ishlaydi va butunlay bulutga ulanishga tayanishi mumkin emas.

Har bir tekshiruv tasvirini masofaviy serverga yuborish bir qator cheklovlarni keltirib chiqaradi:

• Tarmoq kechikishi
• Kanal o‘tkazuvchanligidan foydalanish
• Bulutda qayta ishlash xarajatlari
• Kiberxavfsizlik bilan bog‘liq muammolar
• Ulanish xavflari

Bir daqiqada minglab idish ishlab chiqaradigan butilka zavodini ko‘rib chiqaylik. Yuqori aniqlikdagi kameralar har soatda gigabaytlab tasvir ma’lumotlarini hosil qilishi mumkin.

Har bir tasvirni bulutga uzatish qimmat va keraksiz bo‘lib qoladi.

Aksincha, edge asosidagi xulosa chiqarish mahalliy qarorlar qabul qilish imkonini beradi va markazlashtirilgan tizimlarga faqat tegishli ma’lumotlarni uzatadi.

Bu arxitektura operatsion texnologiya (OT) tizimlari axborot texnologiyalari (IT) infratuzilmasi bilan tobora ko‘proq integratsiyalashayotgan zamonaviy sanoat avtomatlashtirish strategiyalariga juda mos keladi.

Sanoat edge AI ko‘plab avtomatlashtirish muhitlarini, jumladan, quyidagilarni qo‘llab-quvvatlashi mumkin:

• PLC orqali boshqariladigan ishlab chiqarish liniyalari
• DCS asosidagi texnologik korxonalar
• SCADA monitoring tizimlari
• Turbinalarni monitoring qilish tarmoqlari
• Qadoqlash uskunalari
• Robotlashtirilgan yig‘ish uchastkalari
• Omborlarni avtomatlashtirish tizimlari

Ko‘plab korxonalar allaqachon yirik sanoat ta’minotchilarining avtomatlashtirish platformalaridan foydalanadi. Edge AI yechimlari Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB 800xA, Honeywell Experion PKS, Emerson DeltaV va Yokogawa CENTUM VP kabi tizimlar bilan birgalikda ishlashi mumkin.

Bunday muhitlarda mashinali ko‘rish tizimlari umumiy ishlab chiqarish maqsadlarini qo‘llab-quvvatlaydigan operatsion ma’lumotlarning yana bir manbasiga aylanadi.

Sanoat mashinaviy o‘qitishida Amazon SageMaker’ning o‘rni

Amazon SageMaker mashinaviy o‘qitish modellarini yaratish, o‘qitish, optimallashtirish, joriy etish va boshqarish uchun bulutga asoslangan muhitni taqdim etadi.

Uning asosiy afzalliklaridan biri shundaki, u an’anaviy ravishda mashinaviy o‘qitishni ishlab chiqish bilan bog‘liq bo‘lgan ko‘plab vazifalarni soddalashtiradi.

Ma’lumotlar bo‘yicha olimlar va muhandislar infratuzilmani boshqarishdan ko‘ra model samaradorligiga e’tibor qaratishlari mumkin.

Ishlab chiqarish muhitida SageMaker mashinaviy o‘rganish hayotiy siklining to‘liq jarayonini qo‘llab-quvvatlashi mumkin.

Ma’lumotlarni to‘plash va tayyorlash

Har qanday muvaffaqiyatli nuqsonlarni aniqlash loyihasining asosi yuqori sifatli ma’lumotlar to‘plamidir.

Ishlab chiqaruvchilar odatda ishlab chiqarish liniyalari bo‘ylab strategik tekshiruv nuqtalariga sanoat kameralarini o‘rnatadilar. Ushbu kameralar yaroqli va nuqsonli mahsulotlarning tasvirlarini oladi.

Keyin to‘plangan tasvirlar belgilanishi va tartibga solinishi kerak.

Aniq belgilash model samaradorligiga bevosita ta’sir qiladi. Noto‘g‘ri belgilangan ma’lumotlar to‘plamlari ko‘pincha joriy etish vaqtida noto‘g‘ri musbat va noto‘g‘ri manfiy natijalarni keltirib chiqaradi.

Nuqsonlarni aniqlash ilovalari uchun muhandislar ko‘pincha quyidagilarni aniqlovchi annotatsiyalar yaratadilar:

• Nuqson turi
• Nuqson joylashuvi
• Nuqson jiddiyligi
• Mahsulot toifasi
• Ishlab chiqarish partiyasi haqidagi ma’lumotlar

Ma’lumotlar to‘plamlari kengaygani sari ishlab chiqaruvchilar qo‘shimcha ishlab chiqarish ssenariylarini kiritish orqali model aniqligini uzluksiz yaxshilashlari mumkin.

Modelni o‘qitish va optimallashtirish

Mashinaviy o‘rganish modellarini o‘qitish katta hisoblash resurslarini talab qiladi.

Aynan shu yerda bulut infratuzilmasi katta afzalliklarni taqdim etadi.

Maxsus mahalliy AI serverlariga sarmoya kiritish o‘rniga, ishlab chiqaruvchilar modellarni samaraliroq o‘qitish uchun masshtablanuvchi bulut resurslaridan foydalanishlari mumkin.

SageMaker sanoatdagi mashinaviy ko‘rish ilovalarida keng qo‘llanadigan bir nechta freymvork va model arxitekturalarini qo‘llab-quvvatlaydi.

Mashhur neyron tarmoq arxitekturalariga quyidagilar kiradi:

• ResNet
• U-Net
• YOLO
• EfficientNet
• Faster R-CNN
• Mask R-CNN

Har bir arxitektura aniqlik, hisoblash talablari va inferens tezligi o‘rtasida turlicha muvozanatni taklif qiladi.

Sanoat muhandislari ishlab chiqarishga joriy etish uchun optimal modelni tanlashdan oldin ko‘pincha bir nechta arxitekturani baholaydilar.

Apparatni hisobga olgan holda modellarni joriy etish

Sanoatdagi AI loyihalarining eng katta muammolaridan biri bulutda o‘qitilgan modellarni resurslari cheklangan chekka apparatlarga o‘tkazishdir.

Bulutdagi GPUda juda yaxshi ishlaydigan model sanoat shlyuzi yoki o‘rnatilgan protsessorga joriy etilganda qiynalishi mumkin.

SageMaker modellarni maqsadli apparat platformalari uchun optimallashtirishga yordam beradigan vositalarni taqdim etadi.

Ushbu optimallashtirish jarayoni xotira talablarini kamaytiradi, inferens tezligini oshiradi va maqbul aniqlikni saqlagan holda quvvat sarfini minimallashtiradi.

Bunday imkoniyatlar bir vaqtning o‘zida yuzlab yoki minglab chekka qurilmalar ishlashi mumkin bo‘lgan yirik ishlab chiqarish muhitlarida ayniqsa muhimdir.

2-qismda AWS IoT Greengrass ushbu modellarni sanoat chekka qurilmalarida qanday joriy etishi va boshqarishini ko‘rib chiqamiz, bulutdan chekka qurilmaga nuqsonlarni aniqlash ish jarayonlarini o‘rganamiz, amaliy joriy etish arxitekturalarini muhokama qilamiz hamda PLC, SCADA tizimlari, DCS platformalari va sifatni prognozlash dasturlari ishtirokidagi real ishlab chiqarish holatlarini ko‘rib chiqamiz.

AWS IoT Greengrass yordamida mashinaviy o‘rganish modellarini ishlab chiqarish sexiga olib kirish

Mashinali o‘rganish modelini o‘qitish — jarayonning faqat bir qismi. Oxir-oqibat ishlab chiqaruvchilarga ushbu modellarni ishlab chiqarish obyektlari bo‘ylab joriy etish, boshqarish, monitoring qilish va yangilashning amaliy usuli kerak bo‘ladi. AWS IoT Greengrass aynan shu yerda arxitekturaning muhim tarkibiy qismiga aylanadi.

AWS IoT Greengrass dasturiy ta’minot, mashinali o‘rganish modellari va avtomatlashtirish ilovalarining bevosita sanoat qurilmalarida ishlashini ta’minlaydigan chekka qurilma ish muhiti sifatida xizmat qiladi. Uzluksiz bulut ulanishiga tayanish o‘rniga, Greengrass markazlashtirilgan bulut xizmatlari bilan sinxronlashuvni saqlagan holda inferens yuklamalarini mahalliy ravishda bajarish imkonini beradi.

Ishlab chiqarish obyektlari uchun bu arxitektura bulutning kengayuvchanligi va mahalliy tezkorlik o‘rtasidagi muvozanatni ta’minlaydi.

Vaqtinchalik tarmoq uzilishlari paytida ham ishlab chiqarish uskunalari ishlashda davom etishi mumkin. Sifat inspeksiyasi bo‘yicha qarorlar real vaqt rejimida mavjud bo‘lib qoladi, operatsion ma’lumotlar esa ulanish tiklangach bulut tizimlari bilan sinxronlashtirilishi mumkin.

Bu imkoniyat ishlab chiqarish liniyalari bir nechta binolar, masofaviy obyektlar yoki geografik jihatdan tarqoq ishlab chiqarish maydonlarida ishlashi mumkin bo‘lgan yirik sanoat muhitlarida ayniqsa qimmatlidir.

2-rasm. AWS IoT Greengrass bulut bilan integratsiyani saqlagan holda mashinali o‘rganish inferensini bevosita sanoat chekka qurilmalarida amalga oshirish imkonini beradi.

Bulutdan chekka qurilmagacha sanoat nuqsonlarini aniqlash konveyerini yaratish

Muvaffaqiyatli nuqsonlarni aniqlash tizimlari o‘qitilgan neyron tarmoqdan ko‘prog‘ini talab qiladi. Ishlab chiqaruvchilar ma’lumotlarni yig‘ish, modelni ishlab chiqish, joriy etish, monitoring qilish va uzluksiz takomillashtirishni boshqaradigan to‘liq hayotiy siklni yo‘lga qo‘yishi kerak.

Zamonaviy bulutdan chekka qurilmagacha bo‘lgan inspeksiya arxitekturasi odatda bir nechta bosqichdan iborat.

1-bosqich: Tasvirlarni olish

Jarayon tasvirlarni to‘plashdan boshlanadi.

Sanoat kameralari mahsulotlarni ishlab chiqarish uskunalari, konveyerlar, robotlashtirilgan ish stansiyalari yoki yig‘ish hujayralari orqali harakatlanayotganida tasvirga oladi. Kamera tanlovi qo‘llanilish talablariga bog‘liq bo‘lib, quyidagilarni o‘z ichiga olishi mumkin:

• Maydonli skanerlash kameralari
• Chiziqli skanerlash kameralari
• 3D ko‘rish kameralari
• Termal tasvirlash tizimlari
• Giperspektral tasvirlash sensorlari

To‘g‘ri yoritish dizayni ham birdek muhim. Hatto ilg‘or mashinali o‘rganish modellari ham tasvir sifati bir xil bo‘lmaganda qiynaladi.

Muvaffaqiyatli joriy etishlar ko‘pincha soyalar, akslanishlar va atrofdagi yorug‘likdagi o‘zgarishlarni minimallashtiradigan nazorat qilinadigan yoritish muhitlarini o‘z ichiga oladi.

2-bosqich: Ma’lumotlarni belgilash va annotatsiyalash

Tasvirlar to‘plangach, muhandislar o‘qitish ma’lumotlar to‘plamlarini yaratadilar.

Tasvirlar ham normal, ham nuqsonli ish sharoitlarini aniq aks ettirishi kerak. Ko‘pgina tashkilotlar dastlab bu bosqichning ahamiyatini yetarlicha baholamaydi. Aslida ma’lumotlar to‘plamining sifati ko‘pincha loyiha muvaffaqiyatini model tanlashdan ko‘ra ko‘proq belgilaydi.

Ishlab chiqaruvchilar bir nechta ishlab chiqarish smenalari, uskunalar holati, xomashyo partiyalari va atrof-muhit sharoitlaridan namunalar to‘plashi kerak.

Bu xilma-xillik modelning joriy etilgandan keyingi barqarorligini ta’minlashga yordam beradi.

3-bosqich: SageMaker’da modelni o‘qitish

O‘qitish bulutli hisoblash resurslaridan foydalangan holda Amazon SageMaker ichida amalga oshiriladi.

Muhandislar unumdorlikni yaxshilash uchun bir nechta arxitekturani baholaydi va giperparametrlarni optimallashtiradi.

Odatdagi optimallashtirish maqsadlari quyidagilarni o‘z ichiga oladi:

• Aniqlash aniqligining oshishi
• Noto‘g‘ri ijobiy holatlarning kamayishi
• O‘tkazib yuborilgan ijobiy holatlarning kamayishi
• Inferensiyaning yuqori tezligi
• Xotiradan foydalanishning kamayishi

Ishlab chiqarish muhitlari ko‘pincha aniqlikdagi kichik yaxshilanishlardan ko‘ra ishonchlilikni ustun qo‘yadi. Aniqligi biroz pastroq, ammo xatti-harakati juda oldindan bashorat qilinadigan model real ishlab chiqarish sharoitlarida nazariy jihatdan ustunroq modeldan yaxshiroq natija berishi mumkin.

4-bosqich: Edge muhitida joriy etish

Tasdiqlashdan so‘ng SageMaker modelni joriy etish uchun paketlaydi.

Greengrass modelni lokal inferensiya amalga oshiriladigan edge uskunalariga tarqatadi.

Ilovaga qarab, joriy etish maqsadlari quyidagilarni o‘z ichiga olishi mumkin:

• Sanoat kompyuterlari
• O‘rnatilgan AI shlyuzlari
• ARM asosidagi edge kontrollerlar
• GPU bilan jihozlangan edge serverlar
• Mashina ko‘rish tizimlariga integratsiya qilingan sanoat kompyuterlari

Inferensiya lokal ravishda bajarilib, inspeksiya natijalarini millisekundlar ichida taqdim etadi.

5-bosqich: Uzluksiz takomillashtirish

Ehtimol, bu arxitekturaning eng kuchli jihati teskari aloqa siklidir.

Edge qurilmalari tanlangan tasvirlar va operatsion ko‘rsatkichlarni bulutga qayta yuklashi mumkin. Muhandislar murakkab holatlarni ko‘rib chiqadi, yangi ma’lumotlarni belgilaydi, modellarni qayta o‘qitadi va yangilangan versiyalarni joriy etadi.

Bu o‘zgaruvchan ishlab chiqarish sharoitlariga moslashadigan, doimiy ravishda takomillashib boruvchi inspeksiya tizimini yaratadi.

Mashina ko‘rishdan tashqari sanoat avtomatlashtirish integratsiyasi

Nuqsonlarni aniqlash tizimlari mavjud avtomatlashtirish infratuzilmasi bilan integratsiya qilinganda eng katta qiymatni beradi.

Nuqsonlarni shunchaki aniqlaydigan mustaqil kamera operatsion jihatdan cheklangan foyda beradi. Zamonaviy ishlab chiqaruvchilar inspeksiya tizimlarini tobora ko‘proq bevosita ishlab chiqarish boshqaruv tizimlariga ulashmoqda.

Masalan, inspeksiya natijasi quyidagilarni avtomatik ravishda ishga tushirishi mumkin:

• Mahsulotni rad etish mexanizmlari
• Robotlashtirilgan saralash tizimlari
• Signal bildirishnomalari
• Ishlab chiqarish liniyasining sekinlashuvi
• Texnik xizmat ko‘rsatish bo‘yicha ish buyurtmalari
• Sifat hisobotlari tizimlari

Ko‘plab korxonalar bu integratsiyani EtherNet/IP, PROFINET, Modbus TCP, OPC UA va MQTT kabi sanoat aloqa protokollari orqali amalga oshiradi.

Mashina ko‘rish tizimi kengroq avtomatlashtirish ekotizimidagi yana bir aqlli tugunga aylanadi.

Zamonaviy PLC platformalaridan foydalanadigan tashkilotlar ko‘pincha inspeksiya natijalarini bevosita boshqaruv mantiqiga integratsiya qiladi. Allen-Bradley ControlLogix, Siemens SIMATIC S7, ABB AC 800M, Schneider Modicon yoki Mitsubishi MELSEC kontrollerlari asosida qurilgan tizimlar nuqsonlar haqidagi ma’lumotlarni qabul qilib, avtomatlashtirilgan javoblarni ishga tushirishi mumkin.

Kontrollerlarni yangilash yoki kengaytirish loyihalarini baholayotgan korxonalar kelajakdagi sanoat AI tashabbuslarini qo‘llab-quvvatlash uchun ko‘pincha PLC va PAC tizimlari toifasidagi mavjud uskunalarni ko‘rib chiqadi.

Yuqori tezlikdagi ishlab chiqarish muhitida nuqsonlarni aniqlash

Har bir ishlab chiqarish muhiti bir xil talablarni qo‘ymaydi.

Inspeksiya strategiyalari ishlab chiqarish tezligi, mahsulot murakkabligi va biznes maqsadlariga mos kelishi kerak.

Elektronika ishlab chiqarishi

Elektronika ishlab chiqarishida ko‘pincha inson operatorlari muntazam ravishda aniqlashi qiyin bo‘lgan nihoyatda kichik nuqsonlar uchraydi.

Mashinali o‘rganish tizimlari quyidagilarni tekshirishi mumkin:

• Kavsharlash birikmalari
• PCB yo‘llari
• Konnektorlarning joylashuvi
• Komponent yo‘nalishi
• Sirtning ifloslanishi

Ishlab chiqarish hajmlari yuqori bo‘lgani sababli, aniqlash aniqligidagi kichik yaxshilanishlar ham sezilarli xarajat tejalishiga olib kelishi mumkin.

Avtomobil ishlab chiqarishi

Avtomobil zavodlari kuzovni yig‘ish, bo‘yash, kuch uzatish tizimini ishlab chiqarish va yakuniy yig‘ish jarayonlarida mashinali ko‘rish tizimlarini keng qo‘llaydi.

Inspeksiya tizimlari quyidagilarni aniqlashi mumkin:

• Bo‘yoqdagi nuqsonlar
• Payvandlash sifati bilan bog‘liq muammolar
• Mahkamlagichlarning yetishmasligi
• Komponentlarning noto‘g‘ri tekislanishi
• Sirt kamchiliklari

Ishlab chiqarish liniyalari yuqori tezlikda ishlashi va ortiqcha kechikishga toqat qila olmasligi sababli, chekka qurilmaga asoslangan qayta ishlash ayniqsa muhim bo‘ladi.

Oziq-ovqat va ichimliklarni qayta ishlash

Oziq-ovqat ishlab chiqaruvchilar ko‘pincha qadoqdagi nuqsonlar, yorliqdagi muammolar, ifloslanish xavflari va to‘ldirish darajasidagi nomuvofiqliklarni aniqlash uchun mashinali ko‘rishdan foydalanadi.

Tezkor mahalliy qarorlar nuqsonli mahsulotlarning keyingi qadoqlash va tarqatish jarayonlariga yetib borishining oldini olishga yordam beradi.

Farmatsevtika ishlab chiqarishi

Tartibga solinadigan sohalar nihoyatda ishonchli inspeksiya tizimlarini talab qiladi.

Mashinali o‘rganish modellari batafsil audit izlarini saqlagan holda qadoqdagi nuqsonlar, yorliqdagi xatolar, flakonlarning ifloslanishi va mahsulotdagi nomuvofiqliklarni aniqlash orqali validatsiya faoliyatini qo‘llab-quvvatlashi mumkin.

Edge AI va prediktiv sifatni boshqarish

Ko‘plab tashkilotlar dastlab mashinali ko‘rish tizimlarini faqat o‘tdi/o‘tmadi tekshiruvi uchun joriy etadi. Biroq vaqt o‘tishi bilan ishlab chiqaruvchilar ko‘pincha ancha katta imkoniyatni kashf etadi.

Nuqsonlar haqidagi ma’lumotlar jarayon samaradorligi to‘g‘risida qimmatli axborotni o‘z ichiga oladi.

Nuqsonlar yuzaga kelishidagi tendensiyalarni tahlil qilish orqali ishlab chiqaruvchilar sifat darajasi sezilarli darajada yomonlashishidan oldin yuzaga kelayotgan ishlab chiqarish muammolarini aniqlashlari mumkin.

Bu tushuncha ba’zan prediktiv sifat deb ataladi.

Masalan, tirnalish nuqsonlarining ko‘payishi asboblarning yeyilganini ko‘rsatishi mumkin. O‘lchamdagi og‘ishlar sonining ortishi kalibrlashning siljiganini anglatishi mumkin. Sirt qoplamasidagi muammolar esa yuqori oqimdagi qayta ishlash uskunalaridagi nosozliklarni ko‘rsatishi mumkin.

Sanoat monitoringi tizimlari bilan integratsiya qilinganda, nuqsonlarni aniqlash ma’lumotlari operatsion tahlil uchun qo‘shimcha manbaga aylanadi.

Aylanuvchi mexanizmlarning ishonchliligi uchun mas’ul tashkilotlar ko‘pincha sifat monitoringini vibratsiya tahlili va aktivlar holatini monitoring qilish platformalari bilan birlashtiradi. Bunday muhitlarda Machinery Monitoring portfelidagi kabi mexanizmlar holatini nazorat qilish yechimlari kengroq prediktiv texnik xizmat ko‘rsatish tashabbuslarini ko‘pincha to‘ldiradi.

Sanoat edge AI joriy etishlari uchun apparat masalalari

Tegishli apparat platformasini tanlash har qanday edge AI loyihasidagi eng muhim dizayn qarorlaridan biri bo‘lib qolmoqda.

Ideal apparat bir nechta omillarga bog‘liq:

• Tasvir aniqligi
• Tekshiruv tezligi
• Model murakkabligi
• Quvvat mavjudligi
• Atrof-muhit sharoitlari
• Masshtablash talablari

Sanoat korxonalari maxsus neyron protsessor bloklari (NPU), grafik tezlatkichlar va AI inferensiya mexanizmlarini o‘z ichiga olgan protsessorlarni tobora ko‘proq joriy etmoqda.

Bu imkoniyatlar quvvat sarfini kamaytirgan holda mashinali o‘qitish unumdorligini sezilarli darajada oshiradi.

NXP i.MX 8M Plus kabi platformalar o‘rnatilgan apparat sanoat AI ish yuklamalarini qo‘llab-quvvatlash uchun qanday rivojlanayotganini ko‘rsatadi.

AI’ni qo‘llash kengaygani sari apparatni optimallashtirish tobora muhimlashmoqda, chunki ishlab chiqaruvchilar unumdorlik, xizmat muddati davomida qo‘llab-quvvatlash, kiberxavfsizlik va egalik qilishning umumiy qiymatini muvozanatlashi kerak.

Ulangan tekshiruv tizimlari uchun kiberxavfsizlik masalalari

Har bir ulangan sanoat qurilmasi kiberxavfsizlik uchun potensial xavflarni yuzaga keltiradi.

Mashina ko‘rish tizimlari bundan mustasno emas.

Bulutga ulangan tekshiruv arxitekturalarini joriy etayotgan tashkilotlar quyidagilarni qamrab oluvchi aniq kiberxavfsizlik siyosatlarini belgilashi kerak:

• Identifikatsiyani boshqarish
• Qurilmani autentifikatsiya qilish
• Shifrlangan aloqa
• Tarmoqni segmentatsiyalash
• Dasturiy ta’minotni tuzatish
• Kirishni boshqarish siyosatlari

Ko‘plab ishlab chiqaruvchilar ushbu tamoyillarni PLC tarmoqlari, SCADA tizimlari, taqsimlangan boshqaruv tizimlari va sanoat tarix ma’lumotlari tizimlarini o‘z ichiga olgan OT muhitlarida allaqachon qo‘llamoqda.

Mashinali o‘qitish infratuzilmasi ham xuddi shu kiberxavfsizlik tizimiga amal qilishi kerak.

Nuqsonlarni aniqlash tizimlarini SCADA, MES va korxona miqyosidagi operatsiyalar bilan bog‘lash

Ko‘plab ishlab chiqaruvchilar dastlab mashina ko‘rish tizimlarini mustaqil tekshiruv stansiyalari sifatida joriy etadi. Bu yondashuv sifat nazoratini yaxshilashi mumkin, biroq sanoat AI’ining haqiqiy qiymati tekshiruv ma’lumotlari kengroq operatsion ekotizimning bir qismiga aylanganda namoyon bo‘ladi.

Zamonaviy ishlab chiqarish korxonalari sifat tizimlarini Supervisory Control and Data Acquisition (SCADA) platformalari, Manufacturing Execution Systems (MES), korporativ hisobot vositalari va korxona tarix ma’lumotlari tizimlari bilan tobora ko‘proq bog‘lamoqda. Bu integratsiya nuqsonlarni aniqlashni reaktiv sifat funksiyasidan proaktiv operatsion intellekt platformasiga aylantiradi.

Mashina ko‘rish tizimi nuqsonni aniqlaganda, ma’lumotlar real vaqt rejimida butun korxona bo‘ylab tarqatilishi mumkin. Ishlab chiqarish supervayzerlari SCADA panellari orqali sifat tendensiyalarini kuzatishi, texnik xizmat ko‘rsatish guruhlari avtomatik bildirishnomalarni olishi, jarayon muhandislari esa nuqsonlarni mashina parametrlari, atrof-muhit sharoitlari yoki xomashyo o‘zgarishlari bilan bog‘lashi mumkin.

Masalan, qadoqlash korxonasi konveyer tezligi ma’lum bir chegaradan oshganda yorliq joylashuvidagi xatolar ko‘payishini aniqlashi mumkin. Avtomobil ishlab chiqaruvchisi payvandlash nuqsonlari bilan robot kalibrlashining siljishi o‘rtasidagi bog‘liqlikni aniqlashi mumkin. Farmatsevtika zavodi esa qadoqlashdagi anomaliyalarni muayyan uskuna sozlamalari yoki ishlab chiqarish partiyalari bilan bog‘lashi mumkin.

Integratsiyasiz ushbu tahliliy ma’lumotlar ko‘pincha alohida inspeksiya tizimlari ichida yashirin qoladi.

Ko‘plab tashkilotlar mashinaviy ko‘rish platformalari bilan yuqori darajadagi sanoat dasturiy ta’minoti o‘rtasidagi asosiy aloqa qatlami sifatida OPC UA’dan foydalanadi. MQTT ham yengil arxitekturasi va Sanoat buyumlari interneti (IIoT) ilovalariga mosligi sababli tobora ommalashmoqda.

Ishlab chiqaruvchilar Industry 4.0 tashabbuslarini davom ettirar ekan, nuqsonlarni aniqlash tizimlari korxona miqyosida qaror qabul qilishni qo‘llab-quvvatlaydigan strategik ma’lumot manbalariga aylanmoqda.

Bulutli AI va chekka AI: nega aksariyat zavodlar gibrid yondashuvni tanlaydi

Sanoat tashkilotlari ko‘pincha mashinaviy o‘rganish ilovalari to‘liq bulutda yoki to‘liq chekka qurilmalarda ishlashi kerakmi, deb so‘raydi. Aslida, muvaffaqiyatli joriy etishlarning aksariyati har ikki muhitning kuchli jihatlarini birlashtirgan gibrid arxitekturadan foydalanadi.

Bulut platformalari modellarni o‘qitish, katta hajmdagi ma’lumotlarni saqlash, markazlashtirilgan boshqaruv va uzoq muddatli tahlilda ustunlik qiladi. Chuqur o‘rganish modellarini o‘qitish ko‘pincha zavod uskunalariga bevosita joriy etish amaliy bo‘lmaydigan darajada katta hisoblash resurslarini talab qiladi.

Boshqa tomondan, chekka tizimlar sanoat operatsiyalari uchun zarur bo‘lgan tezkor javobni ta’minlaydi. Inspeksiya bo‘yicha qarorlar ko‘pincha millisekundlar ichida qabul qilinishi kerak. Ishlab chiqarish liniyalari mahsulot inspeksiyadan o‘tgan-o‘tmaganini aniqlashdan oldin bulut bilan aloqa o‘rnatilishini kutib tura olmaydi.

Har soatda minglab bosma plata ishlab chiqaradigan elektronika yig‘ish liniyasini ko‘rib chiqaylik. Yuqori aniqlikdagi inspeksiya kameralari bitta ishlab chiqarish smenasida terabaytlab tasvir ma’lumotlarini hosil qilishi mumkin. Har bir tasvirni masofaviy bulut platformasiga yuborish o‘tkazuvchanlik talablarini oshiradi va keraksiz kechikishni yuzaga keltiradi.

Tasvirlarni mahalliy qayta ishlash orqali bulutga faqat tegishli ma’lumotlarni uzatish kerak bo‘ladi. Bu real vaqt rejimidagi samaradorlikni saqlab qolgan holda aloqa yuklamasini sezilarli darajada kamaytiradi.

Odatdagi gibrid arxitektura sodda ish jarayoniga amal qiladi:

• Bulut infratuzilmasi modellarni o‘qitadi va tasdiqlaydi.
• SageMaker modellarni joriy etish uchun optimallashtiradi.
• AWS IoT Greengrass modellarni chekka qurilmalarga tarqatadi.
• Chekka qurilmalar mahalliy inferensni amalga oshiradi.
• Tanlangan inspeksiya natijalari bulutga qaytariladi.
• Muhandislar yangi ma’lumotlardan foydalanib, modellarni qayta o‘qitadi va takomillashtiradi.

Ushbu teskari aloqa sikli ishlab chiqarish samaradorligini pasaytirmagan holda uzluksiz takomillashtirish imkonini beradi.

Gibrid model, shuningdek, markazlashtirilgan muhandislik jamoalari ko‘plab korxonalardagi mashinaviy o‘rganish resurslarini boshqaradigan ko‘p maydonli ishlab chiqarish operatsiyalarini ham qo‘llab-quvvatlaydi.

Chekka asosidagi nuqsonlarni aniqlashning real ishlab chiqarishdagi qo‘llanilishi

Mashina ko‘rishi bir necha o‘n yillardan beri mavjud bo‘lsa-da, mashinali o‘rganishdagi so‘nggi yutuqlar ishlab chiqaruvchilar avtomatlashtira oladigan tekshiruv qo‘llanmalari doirasini kengaytirdi.

Avtomobil kuzovini tekshirish

Avtomobil ishlab chiqaruvchilari tashqi ko‘rinish va o‘lchamlar bo‘yicha qat’iy standartlarga rioya qilishi kerak. Hatto kichik bo‘yoq nuqsonlari yoki sirt notekisliklari ham qimmat qayta ishlash jarayonlariga olib kelishi mumkin.

Mashinali o‘rganish tizimlari an’anaviy tekshiruv usullari e’tibordan chetda qoldirishi mumkin bo‘lgan nozik bo‘yoq nuqsonlari, tirnalishlar, botiqlar va qoplama nomuvofiqliklarini aniqlay oladi.

Xulosalashni bevosita chekka qurilmada amalga oshirish orqali ishlab chiqaruvchilar nuqsonli komponentlarni keyingi yig‘ish jarayonlariga o‘tishidan oldin ajratib olishlari mumkin.

Yarimo‘tkazgich ishlab chiqarish

Yarimo‘tkazgichlarni ishlab chiqarish zamonaviy sanoatdagi eng talabchan tekshiruv talablaridan birini qo‘yadi. Mikronlarda o‘lchanadigan nuqsonlar mahsulot unumdorligi va ishlab chiqarish chiqishiga ta’sir qilishi mumkin.

Ilg‘or mashinali o‘rganish modellari plastina ifloslanishi, fotolitografiya nuqsonlari va an’anaviy ko‘rish algoritmlari yordamida aniqlash qiyin bo‘lishi mumkin bo‘lgan jarayon anomaliyalarini aniqlashga yordam beradi.

Yarimo‘tkazgich ishlab chiqarish korxonalari juda katta hajmdagi tasvir ma’lumotlarini hosil qilgani sababli, chekka qurilmada qayta ishlash tekshiruv o‘tkazuvchanligini saqlab qolgan holda tarmoqdagi tirbandlikni kamaytirishga yordam beradi.

Oziq-ovqat qadoqlarini tekshirish

Oziq-ovqat va ichimliklar ishlab chiqaruvchilari qadoqlash sifati, kuzatuvchanlik va me’yoriy talablarga muvofiqlikni ta’minlash uchun tobora kuchayib borayotgan bosimga duch kelmoqda.

Mashinali o‘rganish tizimlari quyidagilarni tekshirishi mumkin:

• Yorliqning aniqligi
• Yaroqlilik muddatlari
• Germetiklik yaxlitligi
• Qadoq o‘lchamlari
• To‘ldirish darajalari
• Mahsulotning yo‘nalishi

Bu tekshiruvlar qo‘lda ishlaydigan operatorlar uzluksiz bajara olmaydigan ishlab chiqarish tezliklarida doimiy ravishda amalga oshiriladi.

Batareya ishlab chiqarish

Elektr transport vositalari ishlab chiqarishining jadal o‘sishi ilg‘or batareya tekshiruvi texnologiyalariga bo‘lgan talabni oshirdi.

Ishlab chiqaruvchilar batareya ishlab chiqarish jarayonlarining barcha bosqichlarida elektrod nuqsonlari, qoplama nomuvofiqliklari, ifloslanish va yig‘ishdagi muammolarni aniqlash uchun mashina ko‘rishi va mashinali o‘rganishdan foydalanadi.

Batareya nuqsonlari ham unumdorlik, ham xavfsizlikka ta’sir qilishi mumkinligi sababli, tekshiruv aniqligi muhim operatsion maqsad bo‘lib qolmoqda.

Sanoat mashinali o‘rganishi uchun yaxshiroq ma’lumotlar to‘plamlarini yaratish

Ko‘plab tashkilotlar ma’lumotlar to‘plamini ishlab chiqish muhimligini e’tibordan chetda qoldirib, model tanlashga haddan tashqari katta e’tibor qaratadi. Aslida, o‘qitish ma’lumotlarining sifati ko‘pincha loyihaning muvaffaqiyatiga foydalanilayotgan neyron tarmoq arxitekturasining o‘ziga qaraganda ko‘proq ta’sir ko‘rsatadi.

Mashinali o‘rganish modeli faqat o‘qitish ma’lumotlar to‘plamida mavjud bo‘lgan axborotdan o‘rgana oladi. Agar muhim nuqsonli holatlar mavjud bo‘lmasa, ishlab chiqarishda bunday sharoitlar yuzaga kelganda model qiynalishi mumkin.

Muvaffaqiyatli sanoat ma’lumotlar to‘plamlari odatda quyidagilarni o‘z ichiga oladi:

• Me’yoriy ishlab chiqarish namunalari
• Kam uchraydigan nuqson holatlari
• Turli yoritish muhitlari
• Turli ishlab chiqarish smenalari
• Mavsumiy o‘zgarishlar
• Uskunalarning eskirish holatlari
• Xomashyo o‘zgarishlari
• Texnik xizmat ko‘rsatish bilan bog‘liq jarayonlardagi o‘zgarishlar

Ishlab chiqaruvchilar joylashtirilgandan keyin ham ma’lumotlar to‘plamlarini muntazam ravishda kengaytirib borishlari kerak.

SageMaker va Greengrass ekotizimining afzalliklaridan biri ishlab chiqarish operatsiyalari bilan model ishlab chiqish jamoalari o‘rtasida qayta aloqa mexanizmini yaratish imkoniyatidir. Tekshirish qiyin bo‘lgan holatlar qayta ko‘rib chiqilishi, qayta belgilanishi va kelajakdagi o‘qitish sikllariga kiritilishi mumkin.

Bu jarayon noto‘g‘ri ijobiy va noto‘g‘ri salbiy natijalarni kamaytirish bilan birga model samaradorligini bosqichma-bosqich yaxshilaydi.

Mashinali o‘rganishni bir martalik loyiha emas, balki doimiy operatsion imkoniyat sifatida ko‘radigan tashkilotlar odatda uzoq muddatda eng yaxshi natijalarga erishadi.

Sanoat sun’iy intellekti standart sifat vositasiga aylanadi

Mashinali o‘rganish, chekka hisoblash va sanoat avtomatlashtiruvi tez sur’atlarda birlashmoqda. Bir vaqtlar eksperimental texnologiya deb qaralgan yechim endi sifatni yaxshilash, chiqindilarni kamaytirish va operatsion samaradorlikni oshirishning amaliy vositasiga aylanmoqda.

Hisoblash qurilmalari yanada kuchli, mashinali o‘rganish freymvorklari esa joriy etish uchun qulayroq bo‘lib borar ekan, barcha hajmdagi ishlab chiqaruvchilar ilg‘or nuqsonlarni aniqlash tizimlaridan foydalanishi mumkin.

Amazon SageMaker va AWS IoT Greengrass kabi platformalar mashinali o‘rganishni tadqiqot muhitlaridan haqiqiy ishlab chiqarish obyektlariga ko‘chirish uchun zarur infratuzilmani taqdim etadi.

Eng muvaffaqiyatli joriy etishlar shunchaki nuqsonli mahsulotlarni aniqlabgina qolmaydi. Ular ishlab chiqaruvchilarga nuqsonlar nima sababdan yuz berishini tushunish, sifat muammolari kuchayishidan oldin ularni prognoz qilish va ishlab chiqarish jarayonlarini uzluksiz optimallashtirishda yordam beradi.

Kelgusi yillarda chekka nuqtaga asoslangan mashina ko‘rishi ishlab chiqarish liniyalarida bugungi PLC, HMI, sanoat tarmoqlari va SCADA tizimlari kabi keng tarqalishi mumkin. Ushbu imkoniyatlarni hozirdanoq rivojlantira boshlagan korxonalar sifatni yaxshilash, chiqimni maksimal darajaga yetkazish va ma’lumotlarga tobora ko‘proq tayanadigan ishlab chiqarish bozorlarida raqobatlashish uchun yaxshiroq mavqega ega bo‘ladi.

Sanoatdagi nuqsonlarni aniqlashning kelajagi

Sanoatdagi nuqsonlarni aniqlash oddiy tasvir tahlilidan aqlli, moslashuvchan sifat tizimlari tomon rivojlanishda davom etmoqda.

Mashinali o‘rganish, chekka hisoblash, sanoat tarmoqlari va bulut infratuzilmasidagi yutuqlar ishlab chiqaruvchilarga mahsulotlarni har qachongidan tezroq va aniqroq tekshirish imkonini bermoqda.

Amazon SageMaker va AWS IoT Greengrass kabi texnologiyalar bulutga asoslangan model ishlab chiqish bilan real zavodda joriy etish o‘rtasidagi tafovutni bartaraf etishga yordam beradi. Birgalikda ular ishlab chiqaruvchilarga operatsion ma’lumotlardan o‘rganadigan va vaqt o‘tishi bilan uzluksiz takomillashadigan, kengaytiriladigan inspeksiya tizimlarini yaratish vositalarini taqdim etadi.

Sanoat tashkilotlari raqamli transformatsiya tashabbuslarini amalga oshirar ekan, nuqsonlarni aniqlash mashina ko‘rishi, prognozli texnik xizmat, jarayonlarni optimallashtirish va operatsion tahlilni birlashtiradigan kengroq aqlli ishlab chiqarish strategiyalarining tobora muhim qismiga aylanadi.

Natija shunchaki sifat nazoratining yaxshilanishi emas. Bu ma’lumotlarga asoslangan qarorlar qiymat yaratadigan uskunalar, mahsulotlar va jarayonlarga yaqin, chekka nuqtada qabul qilinadigan yanada aqlli ishlab chiqarish muhitidir.