iFactory AI
AI inference ကို စက်ရုံအတွင်း၌ ထားရှိ၊ machine vision၊ ကြိုတင်ခန့်မှန်းပြုပြင်ထိန်းသိမ်းမှုနှင့် digital twin တစ်ကြိမ်တည်း ပြည့်စုံ
iFactory AI သည် စက်မှုဆော့ဖ်ဝဲ ပလက်ဖောင်းဖြစ်ပြီး ထူးခြားချက်မှာ AI အခြေခံအဆောက်အအုံကို cloud သို့ ဒေတာမပို့ဘဲ စက်ရုံအတွင်း (on-premise) တွင် ဖြန့်ကျက်ခြင်းဖြစ်သည်။ ၎င်းသည် machine vision၊ ကြိုတင်ခန့်မှန်းခွဲခြမ်းစိတ်ဖြာမှု၊ စက်ရုပ်နှင့် digital twin တို့ကို ပေါင်းစည်းကာ စက်ကိရိယာ၊ sensor နှင့် လုပ်ငန်းစနစ်များကို စည်းလုံးသော အသိဉာဏ်အလွှာအဖြစ် ချိတ်ဆက်ပေးသည်။ တရားဝင်အနေဖြင့် ကမ္ဘာတစ်ဝှမ်း စက်ရုံ ၁,၀၀၀ ကျော်တွင် ဖြန့်ကျက်ပြီးဟု ဆိုကာ ဌာနချုပ်မှာ ကယ်လီဖိုးနီးယား Sunnyvale တွင်ရှိသည်။
လုပ်ဆောင်ချက်နှင့် သင့်လျော်သောအခြေအနေများ
နည်းပညာဘက်တွင် အသုံးပြုသော မော်ဒယ်များတွင် LSTM၊ XGBoost နှင့် Vision Transformer ပါဝင်ပြီး edge GPU inference နှင့် large language model တို့ဖြင့် sensor ဒေတာခွဲခြမ်းစိတ်ဖြာ၊ ချို့ယွင်းချက်ရှာဖွေ၊ စက်ကိရိယာပျက်စီးမှုကို ကြိုတင်ခန့်မှန်းပြီး အလုပ်အမှာလွှာကို အလိုအလျောက်ဖွင့်ပေးသည်။
လုပ်ဆောင်ချက်ကို ငါးပိုင်းခွဲထားသည်— အရည်အသွေး (AI vision ချို့ယွင်းချက်ရှာဖွေ၊ တပ်ဆင်မှုအတည်ပြု၊ အတိုင်းအတာတိုင်းတာ)၊ ထိန်းသိမ်းမှု (ရက် ၇ မှ ၃၀ ကြိုတင်၍ ပျက်စီးမှုခန့်မှန်း၊ ကာကွယ်ရေးအချိန်ဇယား)၊ လုပ်ငန်းလည်ပတ်မှု (OEE ခြေရာခံ၊ ထုတ်လုပ်လိုင်းစောင့်ကြည့်၊ စွမ်းအင်အကောင်းဆုံးဖြစ်စေ၊ တရားဝင်အနေဖြင့် ၃၀% အထိ ချွေတာနိုင်)၊ ဘေးကင်းမှု (ကိုယ်ရေးကာကွယ်ရေးပစ္စည်းစောင့်ကြည့်၊ တားမြစ်ဇုန်သတိပေး၊ ဖြစ်ရပ်အစီရင်ခံ)၊ နှင့် စက်ရုပ် (လူပုံသဏ္ဌာန်လုပ်ကိုင်စက်၊ ခြေလေးချောင်း စစ်ဆေးမှု၊ AMR/AGV ပူးပေါင်းဆောင်ရွက်)။ digital twin တွင် ရူပဗေဒ simulation၊ အကယ်၍-ဆိုလျှင် ခွဲခြမ်းစိတ်ဖြာမှုနှင့် virtual commissioning ပေးသည်။ ပေါင်းစည်းမှုတွင် SAP၊ PLC၊ SCADA၊ MES၊ IoT sensor နှင့် ROS 2 စက်ရုပ်များ အကျုံးဝင်သည်။
on-premise ဖြန့်ကျက်ခြင်းသည် ထိုင်ဝမ်စက်မှုလုပ်ငန်းအတွက် အထူးအဓိပ္ပာယ်ရှိသည်။ semiconductor၊ panel၊ တိကျစက်ပစ္စည်း ထုတ်လုပ်လိုင်းဒေတာသည် ထုတ်လုပ်မှုလျှို့ဝှက်ချက်နှင့် သက်ဆိုင်ပြီး ဖောက်သည်စာချုပ်များတွင် cloud သို့ ဒေတာတင်ခြင်းကို ရှင်းရှင်းလင်းလင်း တားမြစ်လေ့ရှိသည်။ on-premise လုပ်ဆောင်ရန် လိုလားသော AI ပေးသွင်းသူများသည် ထိုင်ဝမ်တွင် မွေးရာပါ ယှဉ်ပြိုင်နိုင်စွမ်း ပိုမြင့်သည်။
လုပ်ဆောင်ချက်စာရင်းရှည်ခြင်းသည် ဓားနှစ်ဘက်ဖြစ်သည်— ကျယ်ပြန့်စွာအကျုံးဝင်ခြင်းသည် အားလုံးလုပ်နိုင်သော်လည်း ဘာမှမနက်နိုင်ကို ဆိုလိုနိုင်သည်။ မိတ်ဆက်ချိန်တွင် အနာအကျင်ဆုံး အခြေအနေ တစ်ခုနှစ်ခုကို ပစ်မှတ်ထား၍ POC လုပ်ကာ တကယ့်ထုတ်လုပ်နှုန်း သို့မဟုတ် စက်လည်ပတ်နှုန်းကိန်းဂဏန်းဖြင့် အတည်ပြုရန် အကြံပြုသည်၊ ဖြေရှင်းချက်တစ်စုံလုံး၏ တင်ပြချက်ဖြင့် လမ်းလွှဲမခံပါနှင့်။
အဓိက အင်္ဂါရပ်များ
- on-premise AI inference၊ ဒေတာ စက်ရုံမှမထွက်
- AI vision ချို့ယွင်းချက်ရှာဖွေ၊ တပ်ဆင်မှုအတည်ပြုနှင့် အတိုင်းအတာတိုင်းတာ
- စက်ကိရိယာပျက်စီးမှုကို ရက် ၇ မှ ၃၀ ကြိုတင်ခန့်မှန်း
- OEE ခြေရာခံနှင့် စွမ်းအင်အကောင်းဆုံးဖြစ်စေ (တရားဝင်အနေဖြင့် ၃၀% အထိ ချွေတာ)
- ကိုယ်ရေးကာကွယ်ရေးပစ္စည်း စောင့်ကြည့်ခြင်းနှင့် တားမြစ်ဇုန် ဘေးကင်းရေးသတိပေးချက်
- digital twin— ရူပဗေဒ simulation၊ အကယ်၍-ဆိုလျှင် ခွဲခြမ်းစိတ်ဖြာမှုနှင့် virtual commissioning
- SAP၊ PLC၊ SCADA၊ MES နှင့် ROS 2 စက်ရုပ်များ ပေါင်းစည်း
အားသာချက်များ
- on-premise ဖြန့်ကျက်မှုသည် ထုတ်လုပ်မှုလျှို့ဝှက်ချက်နှင့် ဖောက်သည်စာချုပ်လိုအပ်ချက်များနှင့် ကိုက်ညီ
- အရည်အသွေး၊ ထိန်းသိမ်းမှု၊ လုပ်ငန်းလည်ပတ်မှု၊ ဘေးကင်းမှု၊ စက်ရုပ် ငါးမျိုးအကျုံးဝင်
- လက်ရှိ PLC/SCADA/MES ကို ပေါင်းစည်း၊ ရှိပြီးသား automation ပစ္စည်းများ ပြောင်းစရာမလို
အားနည်းချက်များ
- လုပ်ဆောင်ချက် အလွန်ကျယ်ပြန့်၊ နက်ရှိုင်းမှုကို POC အဆင့်တွင် တစ်ခုချင်း အတည်ပြုရန်လို
- စျေးနှုန်း အများသိအောင်မကြေညာ၊ on-premise ဖြန့်ကျက်မှုတွင် hardware ကုန်ကျစရိတ်ရှိ
- ကြိုတင်ခန့်မှန်းထိန်းသိမ်းမှု၏ တိကျမှုသည် ပျက်စီးမှုသမိုင်းဒေတာအပေါ်များစွာမူတည်၊ ဒေတာမလုံလောက်လျှင် အကျိုးသက်ရောက်မှုအကန့်အသတ်ရှိ
အသုံးပြုမှုများ
- ထုတ်လုပ်လိုင်းချို့ယွင်းချက်၏ အချိန်နှင့်တစ်ပြေးညီ vision စစ်ဆေးခြင်း
- အဓိကစက်ကိရိယာ၏ ကြိုတင်ခန့်မှန်းထိန်းသိမ်းမှုအချိန်ဇယား
- OEE နှင့် စွမ်းအင်အသုံးပြုမှု၏ အချိန်နှင့်တစ်ပြေးညီစောင့်ကြည့်ခြင်း
- စက်ရုံဧရိယာ၏ ကိုယ်ရေးကာကွယ်ရေးပစ္စည်းနှင့် တားမြစ်ဇုန် ဘေးကင်းရေးစစ်ဆေးခြင်း
အယ်ဒီတာမှတ်ချက်
ထိုင်ဝမ်စက်ရုံများ AI မိတ်ဆက်ရာတွင် အကြီးဆုံးအတားအဆီးမှာ နည်းပညာမဟုတ်ဘဲ "ဒေတာ စက်ရုံမှ ထွက်နိုင်၊ မထွက်နိုင်" ဖြစ်သည်။ ဤမေးခွန်းမေးလိုက်လျှင် cloud ဖြေရှင်းချက် တစ်ဝက် ထွက်သွားသည်။ on-premise လုပ်လိုသော ပေးသွင်းသူသည် ထိုင်ဝမ်တွင် ဖွဲ့စည်းတည်ဆောက်ပုံဆိုင်ရာ အားသာချက်ရှိသည်—သို့သော် on-premise လုပ်ပေးလို့ လက်ခံစစ်ဆေးမှုကို ပေါ့လျော့မထားပါနှင့်၊ လုပ်ဆောင်ချက်စာရင်း ရှည်လျားလွန်းသဖြင့် သင်လိုအပ်နေသည်မှာ ၂ ခုသာ ဖြစ်နိုင်သည်။
မေးလေ့ရှိသောမေးခွန်းများ
on-premise ဖြန့်ကျက်ခြင်းတွင် လက်တွေ့အကျိုးဘာရှိသလဲ။
ထိုင်ဝမ်စက်မှုလုပ်ငန်းအတွက် အဓိကဖြစ်သည်။ semiconductor၊ panel နှင့် တိကျစက်ပြုပြင်ထုတ်လုပ်လိုင်းဒေတာသည် ထုတ်လုပ်မှုကန့်သတ်ချက်များနှင့် သက်ဆိုင်လေ့ရှိပြီး ဖောက်သည်စာချုပ်များက cloud သို့တင်ခြင်းကို တားမြစ်လေ့ရှိသည်။ on-premise ဖြေရှင်းချက်သည် စည်းမျဉ်းလိုက်နာမှုနှင့် အသိဉာဏ်ဖြင့်ဖြစ်စေမှုကြားတွင် တစ်ခုရွေးစရာမလိုစေဘဲ အဖိုးအခမှာ GPU hardware နှင့် ထိန်းသိမ်းလည်ပတ်စွမ်းရည်ကို ကိုယ်တိုင်ပြင်ဆင်ရမည်။
ကြိုတင်ခန့်မှန်းထိန်းသိမ်းမှုသည် တကယ် ရက် ၇ မှ ၃၀ ကြိုနိုင်သလား။
စက်ကိရိယာအမျိုးအစားနှင့် သမိုင်းဒေတာပမာဏအပေါ်မူတည်သည်။ လှည့်ပတ်စက်ကိရိယာ (မော်တာ၊ pump၊ bearing) ၏ ယိုယွင်းမှုအချက်ပြများ ထင်ရှားသဖြင့် ခန့်မှန်းအကျိုးသက်ရောက်မှု အကောင်းဆုံးဖြစ်တတ်ပြီး electronic အစိတ်အပိုင်း၏ ရုတ်တရက်ပျက်စီးမှုကို ခန့်မှန်းရန် ပိုခက်သည်။ POC တွင် ကိုယ်ပိုင်တကယ့်ပျက်စီးမှုသမိုင်းဖြင့် အတည်ပြုပြီး ကုမ္ပဏီ၏ အထွေထွေဥပမာများကို မကြည့်ပါနှင့်။