Mit hívunk mesterséges intelligenciának (MI)? Mit hívunk gépi tanulásnak (ML)? És vajon hogyan képes ez a két technológia lendíteni a tervezési folyamatainkon, hogy a képzeletünk még szabadabban szárnyalhasson? A SOLIDWORKS vezérigazgatója, Manish Kumar, a SOLIDWORKS adatelemzési és tudományos igazgatója, Dr. Shrikant Savant, valamint a 3DEXPERIENCE Works termékportfólióért felelős vezetői, Daniel McGinn és Chris Pagliarini osztják meg velünk, hogy ők hogyan látják a technológia tervezői iparágat formáló szerepét, illetve szerintük az milyen területeken hasznosítható a legjobban.

A cikk a következőket részletezi:

• Az MI és az ML létjogosultsága a CAD világában most, és jövőbeli kiaknázhatóságuk
• A Dassault Systèmes és a SOLIDWORKS megközelítése a kreatív munkák során történő MI-használattal kapcsolatos kérdésekhez
• A SOLIDWORKS böngészőalapú eszközeibe és a 3DEXPERIENCE platformba épített MI és ML adottságai
• Jobb munkavégzés és szárnyaló képzelet az ML és MI segítségével
• Az MI és ML integrálása a tervezési folyamatokba és életciklusba

A teljes cikk elolvasása

Ha feliratkozik a Műszaki Magazin Hírlevelére, sosem marad le a híreinkről! További friss híreket talál a Műszaki Magazin főoldalán! Csatlakozzon hozzánk a Facebookon is!

The post A mesterséges intelligencia szárnyaló képzelete appeared first on Műszaki Magazin.

A hazai fejlesztésű szoftvert különlegessé teszi, hogy felhasználóbarát keretrendszerével a gépi tanulás és a neurális hálózatok terén kevéssé jártas, illetve fejlesztői erőforrásokat nélkülöző vállalatok is könnyen és gyorsan gépi látással ruházhatják fel és automatizálhatják folyamataikat.

Az A.Identify magyar kezelőfelülete végigvezeti felhasználóját a folyamaton, amellyel a mesterséges intelligencia megtanítható adott feladat elvégzésére – ipari környezetben például alkatrészek és selejtes munkadarabok felismerésére a kiszedés és a minőség-ellenőrzés automatizálásához, vagy repülőtereken a gazdátlanul hagyott csomagok, a kifutópályára tévedt állatok észlelésére. A keretrendszer ehhez bekéri a mintaként szolgáló képeket, valamint a fotókon látható tárgyak osztályozását, és azt is jelzi, hogy a bevitt információk alapján százalékosan milyen pontosságú felismerés várható, illetve az miként javítható.

Végfelhasználói ismeretek birtokában ezeket az egyszerű műveleteket bárki könnyen elvégezheti. Miután az A.Identify megtanulta a feladatot, és a kívánt pontossággal felismeri a 3D tárgyakat – nemcsak kategóriájuk, hanem akár egyetlen részletük alapján –, a keretrendszer kimenetet, végpontot generál, amelyet a vállalat alkalmazásaiba illeszthet. Az új keretrendszerrel így a szervezetek széles köre könnyen és gyorsan vezethet be mesterséges intelligenciára épülő megoldásokat az ember számára egyszerű, de a számítógépnek egyébként nehezen leprogramozható rutinfeladatok elvégzésére, és a folyamatos ellenőrzés megteremtésével együtt folyamatait költséghatékonyabbá teheti.

A mesterséges intelligencia alapú megoldását az AB Consulting Group Zrt. a Nemzeti Kutatási, Fejlesztési és Innovációs Hivatal „Piacvezérelt kutatás-fejlesztési és innovációs projektek támogatása” pályázatán nyert támogatással készítette el. A cég tervei szerint az A.Identify – bár helyben is telepíthető – elsősorban hosztolt szolgáltatásként lesz elérhető. Ebben a modellben ugyanis a gépi tanuláshoz rövid időre igénybe vett, nagyobb informatikai erőforrásokért a vállalatok használat alapon fizetnek, ami a hagyományos beszerzésnél sokkal előnyösebb.

The post Hazai fejlesztés gyorsíthatja fel a gépi látás elterjedését appeared first on Műszaki Magazin.

Olyannyira elterjedt a fogalom, hogy ma már sokszor azonosítjuk az adathalmazokból kinyert információk elemzésének fejlett módszereivel, pl. a prediktív és viselkedési analitikával is. Ehhez a hagyományosan széttagolt adatsorokat összekapcsolt adatpontokká kell alakítani, amivel minden eddiginél jobb rálátást nyerhetünk az információkra. A gyors fejlődés és a 2023-ra várhatóan már 103 milliárd dolláros forgalmat produkáló big data analitikai piac bővülésének eredményeként növekszik az igény az olyan technológiák iránt, mint pl. a mesterséges intelligencia (MI), a gépi tanulás és a mélytanulás. Ezek révén a szervezetek egyre hatékonyabban hasznosíthatják az algoritmusokat az átfogó adatelemzések készítéséhez. A Kingston Technology legutóbbi e-könyvében a vállalat szakértői és az iparág vezető képviselői olyan kérdésekre keresik a választ, mint hogy miként változtatja meg az MI a munkánkat és magánéletünket, és hogyan fokozza az igényt a még nagyobb sebesség és teljesítmény iránt.

Kik az úttörők az MI bevezetésében?

A pénzügyi szektor az elsők között kezdett komoly összegeket fordítani a mesterséges intelligencia és a gépi tanulási algoritmusok használatára. Az MI minden területen bevethető: a részvényárfolyamok előrejelzésének ellenőrzésétől a portfólióoptimalizáláson keresztül a nagyfrekvenciájú kereskedésig. A pénzintézetek MI segítségével elemzik a piaci trendeket. Maguktól tanulni képes algoritmusokat dolgoznak ki például annak érdekében, hogy minden egyes új változat jobban segítse őket a nyereség optimalizálásában a hiteligénylések értékelése során.

A pénzügyi szektor mellett az MI és a mélytanulás szinte minden más iparágban is elősegíti a döntéshozatalt és a fejlődést. A mesterséges intelligencia az elmúlt évtizedben számos területen beváltotta a hozzá fűzött reményeket a problémák megoldása terén, az ügyfelek viselkedésének jobb megismerésétől kezdve a mobiltelefonok billentyűzárának arcfelismerés-alapú feloldásáig. Az MI gépi tanulási szegmense tovább növeli a lehetőségeket a virtuális személyi asszisztensek, chatbotok, valamint marketingautomatizációs és beszédfelismerési megoldások fejlődésével.

„Az MI az egészségügyre is komoly hatást gyakorol. Lehetővé teszi, hogy az ellátásban dolgozó szakemberek jobban átlássák a páciensek állapotára jellemző napi mintákat és a betegek folyamatosan változó igényeit. Az OECD szerint a mesterséges intelligencia a távgyógyászatban és a szűrésben is fontos szerepet játszik, segít felderíteni a gyógyszerek kölcsönhatásait, és a gyógyszerkutatást is támogatja. Az MI a koronavírus-járvány idején is értékes segítséget nyújt a betegadatok feldolgozásához és elemzéséhez, a kockázati csoportok beazonosításához és az alkalmazandó kezelések kiválasztásához. Az MI továbbá a kórházi és szállítási folyamatok kockázatos feladataihoz is bevonható. Az elkövetkező években tanúi leszünk, miként alkalmazzák majd a technológiát egyre szélesebb körben a gyógyszerfejlesztés során”

– mutat rá Pasi Siukonen, a Kingston Technology műszaki erőforrásokért felelős csoportjának vezetője.

Hogyan lehet érdemi változásokat elérni az MI-vel?

Az MI nem csak a hatékonyság növelésére és a munkaigényes feladatok észszerűsítésére használható. A gépi tanulásnak és a mélytanulásnak köszönhetően az MI-alkalmazások közel valós időben képesek tanulni az adatokból és az eredményekből. Elemezni tudják többféle forrás új információit és igazodnak hozzájuk, ráadásul olyan fokú pontossággal, amely óriási jelentőséggel bír az üzleti életben, és messze meghaladja az emberi teljesítőképesség határait. Az önoptimalizálás és az önálló tanulás révén a mesterséges intelligencia folyamatosan növeli az általa teremtett üzleti előnyöket.

 Az MI rendelkezik a megértés és a felismerés képességével – legyen szó az ügyfelek szokásairól, meggyőződéséről, kielégítetlen szükségleteiről, vagy éppen arról, mennyire működik hatékonyan egy épület az energiafelhasználás, az alapterület kihasználtsága és a látogatottság szempontjából. Az MI-t használó vállalatok az így szerzett adatokat jobb előrejelzések készítésére, tervezésre és felkészülésre használhatják fel. Ha emellett a cégek a szükséges területeken az emberi gondolkodás kreativitására és az empátiára is mernek támaszkodni, óriási változásokat érhetnek el – iparágtól függetlenül.

„Az MI-vel kitágíthatók a számítógépes rendszer teljesítőképességének határai. A kvantumszámítástechnika bevezetésével fel fog gyorsulni például a természetes nyelvi feldolgozás (NLP) fejlődése, és ennek révén olyan, már jelenleg is használt eszközök válhatnak hatékonyabbá a jövőben, mint a szinte valós idejű élő fordítás vagy az automatikus beszédfelismerés a kommunikációs eszközökön (például telefonon és chatben). Az MI ma még nem ismert problémák megoldásában is segítségünkre lesz. Egyre több, korábban emberek által vezérelt eszközbe fog beépülni az önálló intelligens tanulás képessége és az önfenntartó funkcionalitás”

– hangsúlyozza Pasi Siukonen.

Az MI hatása az adattömeg növekedésére

Az IDC előrejelzése szerint az általunk létrehozott és fogyasztott digitális adatok mennyisége 2025-re 175 zettabájtra fog nőni. Ez több mint négyszeres növekedést jelent a 2019-ben keletkezett 40 zettabájtnyi adathoz képest. 2022-re a globális big data és üzleti analitikai megoldások piacának éves forgalma várhatóan eléri a 274,3 milliárd dollárt.

Az MI és az adattömeg növekedése kétségkívül elválaszthatatlan egymástól. Mivel az előttünk álló évtized az adatokról fog szólni, azok a szervezetek lesznek sikeresek, amelyek képesek a mesterséges intelligenciával és más hasonló technológiákkal összegyűjteni és hasznosítani az adatokat. Az ebben rejlő lehetőségek maradéktalan kiaknázásában kritikus szerepet fog játszani a célnak megfelelő infrastruktúra, amely a legújabb CPU-kkal/GPU-kkal, következő generációs memóriát és NVMe SSD-ket tartalmazza.

A big data robbanásszerű növekedése nem áll le, és vele párhuzamosan az MI és a gépi tanulás szerepe is tovább erősödik. Az idén az előrejelzések szerint a világ minden lakójára másodpercenként 1,7 megabájtnyi újonnan keletkező adat jut – képzeljük csak el, mennyi adatot jelent ez egy teljes szervezetre és ügyfélkörének adatbázisára nézve. Ezért mélyebbre kell ásni az adatokba és értelmezni kell őket, különösen, ha az emberi viselkedés megértése a cél. Ehhez pedig több és hatékonyabb adatfeldolgozásra van szükség a CPU-k/GPUk vagy a memória segítségével, ez ugyanis tovább javítja az adatok értelmezésének minőségét. 

Azoknak a szervezeteknek, amelyek szeretnének kitűnni versenytársaik közül, mindenekelőtt el kell sajátítaniuk az adatok megfelelő kezelését és tárolását. Ezután jöhet az MI és a gépi tanulás alkalmazása ahhoz, hogy megszerezzék az ügyfelekkel, versenytársakkal, szállítókkal és a teljesítményt befolyásoló piaci viselkedéssel kapcsolatos rejtett tudást. A fejlődés ösztönzéséhez az egyre kifinomultabb alkalmazások megjelenésével elengedhetetlen a gyors és megbízható SSD-k használata. A Kingston Technology az Ask an Expert szolgáltatással segíti a vállalatokat a hatékony infrastruktúra megtervezésében. A vállalat szakértői felmérik a projekt- és rendszerkövetelményeket, és ezek alapján megtervezik a cégek számára a megfelelő tárolómegoldást.

A mesterséges intelligencia jövője

A Covid-19 világjárvány sok esetben felgyorsította a már egyébként is folyamatban lévő technológiai kezdeményezéseket. A változás, az alkalmazkodás és a túlélés szükségszerű elemévé vált a digitális átalakulás. Ehhez pedig a szervezeteknek fel kell készíteniük a rendszereiket, munkatársaikat és folyamataikat az olyan technológiák bevezetésére, mint az MI, a gépi tanulás és a mélytanulás.

 A prognózisok szerint továbbra is az MI és a big data kombinációja lesz a legnagyobb változásokat hozó tényező a digitális világban. A globális adattömeg exponenciális növekedésével szorosan összehangolva kell fejleszteni az MI-képességeket, aminek messze ható következményei napról napra világosabban látszanak. Vannak azonban olyan technológiák is – köztük az 5G –, amelyek nagy mértékben befolyásolják majd, hogyan tudjuk érdemi módon hasznosítani a mesterséges intelligenciát. Főként azért, mert az 5G rengeteg feldolgozásra váró és tanulási lehetőséget biztosító, valós idejű adatot fog generálni. Ahogy egyre több eszköz kapcsolódik egymáshoz, illetve az internetre, és egyre általánosabbá válik az MI használata, olyan adatáradat indulhat el, amit nagyon nehéz lesz továbbítani.

„Az általunk használt adatok mennyisége olyan mértékben növekszik, hogy a Földön előállított elektromos energia többségét hamarosan IT-eszközök üzemeltetésére fogjuk használni. Hogy a folyamat kezelhető maradjon, intelligensebb módszereket kell találnunk arra, hogy a kívánt végeredményt kevesebb adat felhasználásával, a végfelhasználóhoz közelebb érjük el”

– hangsúlyozza Simon Besteman, a Kingston tanulmányának egyik szerzője, a holland hostingszolgáltatók érdekképviseleti szervezete, az ISPConnect vezérigazgatója.

The post A big datától a gépi tanulásig – Mit hoz a jövő a mesterséges intelligencia számára? appeared first on Műszaki Magazin.

A gépi tanulás, azaz a gépek képességeinek valós idejű, éles helyzetben történő fejlesztése ma már biztonságosan és hatékonyan megoldható az IIoT (ipari dolgok internete) segítségével. A Beckhoff egy innovatív cég, folyamatosan keressük az új lehetőségeket az automatizálásban. Ennek köszönhetően már 2019-ben olyan szoftvercsomagunk volt, amivel a vezérlőnkön belül mesterségesintelligencia-modelleket lehetett futtatni. Ebből adódóan nem a TwinCAT automatizálási szoftverrel lehetett elkészíteni a modellt, hanem egy előre létrehozott hardverközegben volt lehetőség a futtatásra, illetve a gép vezérlésére. Ez a termék időközben elérhetővé vált. – kezdi beszélgetésünket Cserpák Mihály, a Beckhoff Automation Kft. applikációs mérnöke.

Az anyacégünk már elég korán felfedezte a gépi tanulásban rejlő lehetőségeket. A Beckhoff vállalat XPlanar rendszere a géptervezés új távlatait nyitja meg. A rendszer tetszőleges elrendezésű lapok fölött szabadon lebegő, lineáris mozgatóegységekből épül fel, amelyek rendkívül rugalmas, pontos és dinamikus pozicionálást tesznek lehetővé. Ez rendkívüli mértékben rugalmas és egyszerű gép-, illetve üzemtervezést tesz lehetővé. Az XPlanar rendszer egyedi elrendezésű síklapokat és fölöttük lebegő, több dimenzióban mozgatható, lineáris mozgatóegységeket tartalmaz. Ez utóbbiak két irányban rántás- és érintésmentesen pozícionálhatók akár 2 m/s sebességgel és 1 g gyorsulással, 50 mikrométeres ismétlési pontosság mellett, zaj és súrlódás nélkül. Az XPlanarba nagyon sok új technológiát építettünk be, ilyen a gigabites EtherCAT hálózat, szoftver oldalról pedig nem jöhetett volna létre, ha nincs benne a gépi tanulás képessége, hiszen a mágneses mezőt úgy kell előállítani és generálni, hogy az adott lap ebben meg tudjon mozdulni. Már Magyarországon is több partner cégünk érdeklődik az XPlanar iránt, amelynek tesztelési fázisába is be tudtak kapcsolódni.

A rendkívül rugalmas XPlanar rendszer igen széles körben használható a legkülönfélébb továbbítási feladatokra, beleértve az élelmiszer- és a gyógyszeripart is

A Beckhoff-nál és partnereinél is egyre nagyobb az igény a gépi tanulási modelleket TwinCAT-közelbe hozni.

XTS lineáris szállítórendszer

Az XPlanar mellett más alkalmazási mód is van a Beckhoff kínálatában, amely a gépi tanulással összefügg. Az EtherCAT-alapú automatizálási megoldások területén áttörést jelentett az XTS (eXtended Transport System) lineáris szállítórendszer, melynek mozgatói különböző sebességgel különböző pozíciókra tudnak egymástól mozogni. A mozgatók nagy dinamikával egymástól függetlenül tudnak pozícionálni különböző munkadarabokat, szemben a hagyományos szállítórendszerekkel. A mozgatók maximális sebessége 4 m/s, a gyorsulás maximum 100 m/s, a pozicionálási pontosság 250 µm, 1.5 m/s sebesség mellett az ismétlési pontossága 10 µm.

Az XTS lineáris szállítórendszer mozgatóegységei görgős pályán, lineáris motorral mozgathatók, és valós idejű TwinCAT vezérléssel működtethetők. A hagyományos szállítórendszerekhez képest hatalmas előnyt jelent ma már ebben a rendszerben is a gépi tanulás által elérhető nagy pontosság, valamint a mozgatóegységek sebességének, egyedi pozíciójának külön-külön történő optimalizálása. Így a gépi tanulásnak hála a pálya és a szállítórendszerek kopása csökken, sokkal hosszabb lesz az élettartamuk, emellett az energiafelhasználás is csökken.

Szenzorszimuláció

A jövőben még számos új lehetőség adódik, például a gyártásoptimalizálás vagy a szenzorszimuláció területén. Ez utóbbinál a mérési eredmények alapján tudunk szimulálni egy szenzort. Ez az úgynevezett anomáliadetektálás, ami egy drága szenzor védelmét szolgálhatja. Így egy várható modell és a szenzor adatai vethetőek össze. A képfelismerésben is az öntanuló rendszerek rendkívüli fejlődésen mennek keresztül. Az egyszerűbb modelleket termékek leválogatására, osztályozására használják. Például alkatrészgyártóknál a jó és selejt meghatározására is használható a gépi tanulás, amely nagyon jelentős megtakarítást jelenthet. Modellek segítségével lehet javítani a termelést.

Ezeknek a technológiáknak köszönhetően javulhat a termék minősége, kevesebb lesz a selejt, így kevesebb alapanyag szükséges, és növelhető a gyártásbiztonság.

Egy modell betanítása

Termékeink szerint, amiben tudunk segíteni partnereinknek az az adatok gyűjtése. Egy modell betanításához nagyon sok adatra van szükség, éppen azért, hogy a modell minél pontosabb legyen. Nekünk megvannak azok a termékeink, amelyeket gyűjtőnéven Connectivity termékeknek hívunk, ami lehetővé teszi, hogy adatbázisba vagy felhőbe elmentsük ezeket az adatokat, és megvan az a lehetőségünk is, hogy ezeket az információkat amik a gépi betanulási modellek alapját jelentik – előre analizáljuk, szűrjük. Jelenleg két modellt tudunk futtatni, az egyik a Support Vector Machines (tipikusan az osztályozáshoz használt alkalmazás) a másik a Multilayer Perceptron ami már a neurális networkok közzé tartozik. Ennek megfelelően tudunk úgynevezett Machine Learning Frameworks-ben a begyűjtött információk alapján megtanítani egy modellt.

A modelleknél elindult egy szabványosítási folyamat, hogy az átjárás könnyebb legyen a különböző rendszerek között, ez a közös fájl az ONNX (Open Neural Network Exchange) fájl formátum, ami például a TwinCAT-ben való importálást, majd később a ML runtimeban történő futtatást is lehetővé teszi. Innentől fizikai ki- és bemenetekhez tudjuk rendelni a modellt.

Adattudósok segítsége

Amit még lényegesnek tartok, hogy mennyire fontos a mesterséges intelligencia projekteknél az adattudósok segítsége. Ehhez kell egy olyan szemlélet, ahol az információ halmazból ki tudjuk szűrni a számunkra szükséges adatokat. Az adattudósok feladata a vállalat céljait és igényeit támogató összefüggések feltárása nagymennyiségű strukturált és strukturálatlan adatból. Egyre fontosabbá válik a tevékenységük, mivel a cégek egyre inkább igénybe veszik az adatelemzést a döntéshozatal során, valamint egyre nagyobb mértékben építik be informatikai stratégiájukba az automatizálást és a gépi tanulást. Azok, akik már elkezdtek gondolkodni azon, hogy a gyártási folyamataikba hogyan illeszthető be a gépi tanulás, azoknak nagyon tudom ajánlani, hogy vegyék fel a kapcsolatot az adattudósokkal. Ez egy hármas együttműködés a végfelhasználó, adattudós és mi, a Beckhoff között.

„Az adattudósok meg tudják mondani, hogy mit és milyen modellel lehet elérni, mi meg tudjuk mondani, hogy mit tudunk futtatni vagy hogyan tudjuk az adatokat összeszedni, a partner pedig megmondja, hogy mit szeretne optimalizálni pl. termékminőség javítás, selejtcsökkentés, esetleg előrejelző karbantartás területén.”

– Cserpák Mihály, a Beckhoff Automation Kft. applikációs mérnök

www.beckhoff.hu

szöveg: Mészáros Zsolt

The post Gépi tanulás a gyártásban – Beckhoff appeared first on Műszaki Magazin.

A robotika alkalmazásának egyre nagyobb térhódítása figyelhető meg különféle iparágakon belül, az olyan hagyományos területektől kezdve, mint amilyen például a gyártóipar, olyan újabb ágazatokig, mint az egészségügy, az FMCG vagy a kozmetikai szektor.

Ember és robot közötti együttműködés

Az ember és robot közti együttműködés továbbra is kiemelt trendnek számít a robotikában. Az érzékelő- és a képalkotó-technológia fejlődésével a robotok valós időben képesek reagálni a környezetükben fellépő változásokra, ami lehetővé teszi számukra, hogy biztonságosan dolgozhassanak együtt az emberi munkatársakkal azáltal, hogy automatikusan csökkentik az erőkifejtést, vagy megállnak, amikor érzékelik egy ember közelségét. Manapság már számos együttműködő alkalmazás érhető el, ilyen például az összeszerelés, a gépkiszolgálás, a hegesztés, a csavarozás, és még sok más. Ezeket az alkalmazásokat bármekkora méretű vállalkozás telepítheti, aminek köszönhetően a kis tételben történő és változó jellegű gyártási folyamatok automatizálása is életképessé válik gazdaságilag. Ez egy kulcsfontosságú tényezőnek számít a testreszabott termékeket gyártó nagyvállalatok, és a gyártóipari vállalkozások nagy részét világszerte kitevő KKV-k számára egyaránt. Az együttműködő robotikai alkalmazások új megoldásokkal szolgálnak az emberek számára azáltal, hogy megkönnyítik és támogatják munkájukat.

Egyszerű programozás

A robotgyártók továbbra is arra törekednek, hogy a felhasználói felületek minél egyszerűbbek legyenek. Amikor rövid ciklusidővel és változó feladatkörrel rendelkező gyártási folyamatokról beszélünk, a felhasználóbarát programozásnak döntő szerep jut. Ez a megállapítás különösen a mobil robotok és együttműködő alkalmazások esetében érvényes, azonban a hagyományos ipari robotok használata során is megállja a helyét. Egyre megszokottabbá válik a demonstrációs programozás, amely során az üzemeltető végigvezeti a robotot a kívánt mozdulatokon és a felhasználói felületen keresztül adja meg az erő-nyomaték értékeket. Ezek a felületek egyre intuitívabbá válnak, például azáltal, hogy hétköznapi nyelvet lehet velük használni. Ennek egyik eredménye, hogy az alkalmazottaknak nem kell, programozási ismeretekkel rendelkezniük ahhoz, hogy műveleteket hajtsanak végre. A robotgyártók emellett előre programozott alkalmazásokat is kínálhatnak, melyek paramétereit könnyedén a vásárló egyedi igényeire lehet szabni.

Okos gripperek

A szenzorok és képalkotó technológiák fejlődésének köszönhetően az end-effektorok a korábbiaknál sokkal reszponzívabb működésre képesek. Ez azt jelenti, hogy a gripperek felismerik az anyagokat, és a megfelelő erőt alkalmazzák, amikor a munkadarabhoz, vagy a nyersanyaghoz nyúlnak. Az érzékelők és képalkotó technológiák kombinációja azt is lehetővé teszi a végszerszámok számára, hogy felismerjék az emberi jelenlétet, és ennek tükrében változtassák viselkedésüket. Ezáltal képesek különbséget tenni egy munkatárs és egy tárgy között, valamint azt a műveletet hajtják végre, amire éppen szükség van, például változtatni tudják az erőkifejtést, vagy az alkalmazott sebességet, amikor egy munkatárs keze kerül a munkatérbe a várt munkadarab helyett.

Zökkenőmentes integráció / plug and play

A robotgyártók és az end-effektorok beszállítói számára az egyik legfontosabb célkitűzés a robotokkal és gyártási rendszerekkel való átfogó kompatibilitás kiterjesztése. Erre kínál megoldást például a már számos végszerszámban szereplő automatikus felismerő szoftver, amely magától létesít azonnali kapcsolatot az üzemeltetővel. A gépi eszközökbe integrált robotikai megoldások is egyre elterjedtebbé válnak, melyek lehetővé teszik azt, hogy mindössze egyetlen vezérlőegységen keresztül léptessünk életbe programozási változtatásokat. A robotok gyártási rendszerekbe való integrálása napról napra egyszerűbbé válik, annak ellenére, hogy a konkurens szabványok versengése nem feltétlenül gyorsítja az Ipar 4.0, illetve az intelligens gyári telepítés terjedését.

Felhő alapú robotika és robot, mint szolgáltatás (RaaS)

Az alkalmazott tudományok terén létrejött fejlődésnek köszönhetően a robotikában is új megoldások születnek. Az olyan csúcstechnológiás innovációk, mint a robotok teljesítményével kapcsolatos adatok távoli („felhőben való”) tárolása lehetővé teszi a gyártóvállalatok számára, hogy adatvezérelt szolgáltatásokat kínáljanak vásárlóiknak. Ide tartozik továbbá a jelentős, állásidő okozta költségeket megtakarító prediktív karbantartás, a gépi tanulás, amely az egyszerre több, ugyanazt a feladatot ellátó robot munkájából érkező felhőalapú adatokat vizsgálja annak érdekében, hogy optimalizálni tudja a robotok teljesítményét, illetve a felhő-alapú kapcsolódás, amelynek köszönhetően lízingelt robotok is megjelenhetnek a piacon (robot, mint szolgáltatás). Ez az üzleti modell számos előnnyel szolgál a KKV-k számára, mivel állótőkével nem, csak fix költségekkel jár, automatikusan telepíti a frissítéseket, és nincs szükség az üzemeltetésükhöz szakképzett robotikai technikusokra.

Ön-optimalizálás

A robotok valós időben képesek reagálni és válaszolni a külső körülményekre azzal, hogy aszerint változtatják paramétereiket, amit a helyzet éppen megkíván, mindez pedig csökkentett hibaarányhoz és magasabb termékminőséghez vezet. Emellett a képalkotó rendszerek és az érzékelők azt is lehetővé teszik a robot számára, hogy felismerje, ha egy munkadarab nem a helyes pozícióban kerül elé. A robotok különféle jeleket vesznek és dolgoznak fel munkájuk során, többek közt például a visszajelzés alapján „érzik”, hogy a végszerszámnak növelnie, vagy esetleg csökkentenie kell a nyomást polírozás közben, illetve spektrális elemzéssel bizonyosodnak meg arról, hogy a munkadarab ne rendelkezzen hegesztési hibákkal. A műveletek során begyűjtött információkkal a robotok a legoptimálisabb megoldást tudják kiválasztani munkájuk során. Ha pedig a robot digitális összeköttetésbe kerül a gyártási folyamat többi gépével, az optimalizálás a teljes folyamatra is kiterjedhet. Ezek a fejlesztések jelentős költségcsökkentést kínálnak a gyártóvállalatoknak, főleg azokban a környezetekben, ahol a lehető legmagasabb minőség teljesítése létfontosságú. (World Robotics 2020 Report)

Egy robotikai szakértő szemén keresztül

A robotika robbanásszerű fejlődése ahhoz vezet, hogy újabb és újabb megoldások jelennek meg a piacon. Olyan területeken is találkozhatunk robotok által végzett feladatokkal, ami pár éve még elképzelhetetlennek tűnt volna. Ilyen például az egyik legfiatalabb piac, az EOAT (End-of-Arm-Tooling) ágazat. Ez a folyamatosan fejlődő terület robotokra szerelhető eszközök széles választékát kínálja, a gripperektől az érzékelőkig, melyek számos alkalmazás elvégzését teszik lehetővé, beleértve a raklapozást, a gépkiszolgálást, az anyagmozgatást, és még sok más műveletet. De példaként még számos egyéb területet is említhetnék, a mobil robotoktól kezdve a mesterséges intelligencián alapuló funkciókon keresztül a humanoid robotokig, vagy akár azokat az újkeletű üzleti modelleket, amelyek a robotikai megoldások terjedését hivatottak segíteni, amilyen például a fent említett RaaS modell.

A világjárvány felhívta a figyelmet a robotika szükségességére

Noha a koronavírus-járvány következtében 2020-ban számos szektorban a jövőbeli teljesítményre is hatással lévő visszaesés történt, a robotika gyors ütemben történő technológiai fejlődésének még ez sem tudott gátat szabni. A fent felsorolt robotikai trendek segítséget nyújthatnak a vállalatoknak abban, hogy kilábaljanak a válságból, sőt, versenyelőnyre tegyenek szert, és mindezt úgy, hogy közben csökkentik a működési kockázataikat.

Ha közelről megnézzük, a járvány következményei által felállított és felerősített kihívások, mint például a be nem tervezett leállások, a fertőzésveszély, illetve a gyártási folyamatok gyors alakítása, vagy teljesen megváltoztatása, megmutatták, hogy az automatizálás által alapszolgáltatásként nyújtott rugalmasság, sokoldalúság, megbízhatóság és kiszámíthatóság most még idő- és szükségszerűbb a gyártóvállalatok szempontjából, mint valaha.

Forrás: Onrobot

The post A jövőt alakító robotikai trendek appeared first on Műszaki Magazin.

A COVID-19 járvány azonban olyannyira felülírta a megjósolt trendeket, hogy az előírt társadalmi távolságtartási gyakorlatok betartása miatt azok a fogyasztók is az online vásárlás lehetőségét választották, akik korábban nem kedvelték. Ennek köszönhetően az online kereskedelmi forgalom sokkal hamarabb és magasabban szárnyal, mint azt előre lehetett volna látni. Az iparág nyertese lett a vírushelyzetnek, de csak akkor tarthatja a pozícióját, ha a logisztikai folyamatok is megfelelő figyelmet kapnak. Balogh Zsolt, a Liferay Hungary ügyvezetője szerint egy online webáruház esetén még nagyobb hangsúlyt kell fektetni a gyors és pontos kommunikációra, a raktározás fontosságára, a kiszállítás gyorsaságára, azaz a kiélezett versenyhelyzet miatt a webáruház logisztikai mechanizmusára.

“A felgyorsult világban érthetően türelmetlenné váltak az online fogyasztók, nem szeretnek várni, ha valamit megrendeltek. Az ilyen szinten felgyorsult igények azonnali kielégítéséhez szükséges logisztikai infrastruktúrát azonban nem könnyű megvalósítani. A jó vásárlói élmény reményében több raktárra és hiper gyorsaságú online rendelési portálrendszerekre van szükség”.

– hangsúlyozza Balogh Zsolt.

Valós idejű készletkezelés a gyors logisztika egyik kulcsa

A machine learning (gépi tanulás) alapú eszközökkel előre meg lehet jósolni, hogy mikor fognak elfogyni bizonyos termékek. Az automatizált rendszer időben figyelmeztet, s a technológia segítségével a vállalkozás figyelemmel tudja kísérni készleteit, így elkerülheti, hogy valamilyen cikkből hiány keletkezzen. Megoldás lehet, tehát a valós idejű készletkezelés, amelyet azonban csak bonyolult informatikai háttérrendszerek tudnak kiszolgálni. Ugyanis pontosan tisztában kell lenni, hány megrendelés érkezett, mennyi termék van raktáron, mikor fogynak el, mekkora a futár kapacitás, de az is fontos paraméter, hogy mennyi időt vesz igénybe a kiszállítás. Míg az online kereskedelem térnyerése előtt a hagyományos logisztikai folyamatokat könnyebb volt kezelni, addigra mára sokkal több komponensre kell odafigyelni.

A COVID-19 járvány igaz, hirtelen felemelte a feltörekvő szegmenst, de a rapid fejlődés sok akadályt is lökött a szolgáltatók elé. Például a szigorú beutazási korlátozások és egészségügyi intézkedések jelentősen megbolygatták a már bevált raktározási és logisztikai folyamatokat. Miután egyes termékeket nem lehetett bevinni az országokba: vagy hiány keletkezett vagy felhalmozódás. Bizonyos, például romlandó élelmiszereket a megfelelő raktározási és logisztikai háttér nélkül nem is lehet beépíteni az e-kereskedelem véráramlásába. Az élelmiszer-ellátóláncok tehát gondban voltak.

Ha jó az IT, jó a logisztika is

A digitalizáció, a virtuális tér a járvány időszaka alatt mentőövet jelentett a vállalkozásoknak, hogy szolgáltatásaikat becsatornázhassák az online piacra, de a sikerhez olyan élményplatformokra van szükség, amelyek rendelkeznek többek között személyre szabható ajánlatokkal, online kutatási lehetőségekkel (keresőmotorok), vásárlói visszajelzések kezelésével, számlakezelő funkcióval, automatizált és valós idejű készletgazdálkodással vagy a termékváltozatok könnyed kezelésével. Valamint adjanak javaslatot vásárlási előzmények és keresések alapján. Ezen felül érdemes a beszállítói hálózaton belüli megrendelésekhez is platformot használni a transzparencia, visszakereshetőség érdekében és hogy tudjuk követni a trendeket. A beszállítók ugyan úgy a vevőink és ha megszabadulunk az e-mailes és excel táblás B2B megrendelésektől, akkor pontosabban vagyunk képesek kiszolgálni a vevőinket, amivel növeljük a vásárlói élményt.

“Hiszen nem akarjuk hogy egy beszállító miatt romoljon a mi megítélésünk”

– teszi hozzá Balogh Zsolt.

Emellett az élményplatform legyen képes az omnichannel üzleti modell megvalósítására is. Ez azt jelenti, hogy különböző értékesítési csatornákat összehangolják az ügyfelek kommunikációs csatornáival (a vezetékes, az online, a közösségi média és a mobil kommunikáció), illetve a vállalkozás összes digitális megoldásával (weboldal, portálfunkciók, kereskedelem, intranet, analitika).

“Az ilyen professzionális digitális élményplatformok minőségibb rendelkezésre állást és szolgáltatást, kevesebb képzést, illetve költséget jelentenek. Ezenkívül átláthatóbbá teszik a logisztikai és kereskedelmi folyamatokat is. Ha pedig a vállalkozás hatékony és emellett optimális költséggel működik, akkor hamar a verseny élére kerülhetünk”

– erősíti meg Balogh Zsolt.

The post E-kereskedelem a második hullámban: Kulcsszereplő a logisztika appeared first on Műszaki Magazin.

Látogasson el hozzánk az EMO kiállításon! Az új tokmányok mellett bemutatjuk a már bevált befogó készülékeinket is.

Regisztráljon honlapunkon a hírlevelünkre és ingyenes EMO belépőt kap: www.roehm.biz

EMO Hannover (szept. 16-21.) 3 csarnok, H30 stand

További információ:

RÖHM Hungaria Kft.  jozsef.alker@roehm.biz

www.roehm.biz/challenge

The post ÚJDONSÁG: DURO-A gépi működtetésű tokmány appeared first on Műszaki Magazin.