Нейросеть уменьшает количество отходов в хлебопекарном производстве.

Вызов
Компания выявила значительные технологические
потери качества и отходы на своей линии по производству хлеба.
Проблемы, способствовавшие этим потерям, включали:

• Браки из–за веса - особенно недостаточный вес нетто
• Подгоревший или пережаренный хлеб
• Изменчивость размеров и форм

Исследования, проведенные их экспертами по процессам, включая использование передовой платформы аналитики самообслуживания не смогли выявить первопричину проблем. В большинстве случаев, когда происходили потери, не было явных отклонений процесса от стандартных параметров.

Решение
Выявление и предотвращение скрытых причин производственных потерь
Используя решение на основе нейросети специалисты компании по технологическим процессам смогли выявить скрытые причины производственных потерь и получить четкие рекомендации относительно того, как предотвратить потери в этих процессах. Кроме того, как только обнаруживались эти недостатки, производственные группы получали оповещения в режиме реального времени, что позволяло им предотвращать потери до их возникновения.

Процесс определения причин "Почему"
Во-первых, были объединены и обогащены все данные их технологического процессов, включая контроль сырья,. Нейросеть позволила осуществить автоматизированный анализ первопричин для выявления основных подозреваемых в потерях.
Выявленные недостатки процесса были невидимы человеческому глазу, поскольку они были вызваны сложной комбинацией поведения сотен
взаимосвязанных параметров линии производства.
Например, в случае брака из-за недостаточного веса было установлено, что при
температуре выпечки выше 204 градусов и скорости пекарного конвейера
она составляла менее 5 М/С, случаи недостаточного веса увеличились в несколько раз. Эта проблема не была замечена специалистами по технологическим процессам, так как температура и скорость конвейера находились в допустимых пределах. Технологам производителя просто невозможно было справиться с сотнями потоков данных и еще большим количеством взаимосвязей между ними.

Устранение причин. Процесс понимания "Как"
В результате проведенного искусственным интеллектом анализа, были определены оптимальные параметры процесса.
Например, чтобы максимально свести к минимуму случаи недостаточного веса без негативного влияния на другие производственные параметры, нейросеть рекомендовала точные значения температуры выпечки и скорости подающей ленты.
Полученные рекомендации были преобразованы в упреждающие оповещения, которые передавались производственной команде с помощью простого, интуитивно понятного экрана непосредственно в момент возникновения связанных с этим недостатков процесса. В предупреждениях четко излагались основные причины проблемы, а также набор стандартных операционных процедур, чтобы производственные группы точно знали, что делать и когда.

Результаты
Например, уровень отходов из–за недостаточного веса был снижен с 7,4% до всего 3,2% - значительное улучшение. Некондиционная продукция, которая ранее шла в переработку, теперь отправляется в продажу, что увеличило производительность линии на 4.2%.

Не менее важно и то, что их производственные команды получили гораздо более глубокое понимание своих производственных процессов. Специалисты Seebo по искусственному интеллекту обнаружили не менее 138 новых
сведений об их производственных процессах, о которых их команды не знали.
Эти идеи были превращены в конкретные показатели для оценки важных решений. Это, в свою очередь, значительно повысило производительность, поскольку экспертам по технологическим процессам и инженерам больше не приходилось тратить бесчисленные часы на обсуждение и изучение теорий и строить догадки.

Источник Seebo