പെയിന്റ് ഷോപ്പിന് ഇപ്പോൾ ഡ്യൂറിന്റെ ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിനെ ആശ്രയിക്കാനാകും

പെയിന്റ് ഷോപ്പുകൾക്കായുള്ള ആദ്യത്തെ മാർക്കറ്റ്-റെഡി AI ആപ്ലിക്കേഷനായ അഡ്വാൻസ്ഡ് അനലിറ്റിക്‌സ് Dürr അവതരിപ്പിക്കുന്നു.DXQanalyze ഉൽപ്പന്ന ശ്രേണിയിലെ ഏറ്റവും പുതിയ മൊഡ്യൂളിന്റെ ഭാഗമായ ഈ സൊല്യൂഷൻ ഏറ്റവും പുതിയ ഐടി സാങ്കേതികവിദ്യയും മെക്കാനിക്കൽ എഞ്ചിനീയറിംഗ് മേഖലയിലെ ഡ്യൂറിന്റെ അനുഭവവും സംയോജിപ്പിക്കുന്നു, വൈകല്യങ്ങളുടെ ഉറവിടങ്ങൾ തിരിച്ചറിയുന്നു, ഒപ്റ്റിമൽ മെയിന്റനൻസ് പ്രോഗ്രാമുകൾ നിർവചിക്കുന്നു, മുമ്പ് അറിയപ്പെടാത്ത പരസ്പര ബന്ധങ്ങൾ ട്രാക്കുചെയ്യുന്നു, ഒപ്പം ഈ അറിവ് ഉപയോഗിക്കുകയും ചെയ്യുന്നു. സ്വയം പഠന തത്വം ഉപയോഗിച്ച് സിസ്റ്റത്തിലേക്കുള്ള അൽഗോരിതം.

എന്തുകൊണ്ടാണ് കഷണങ്ങൾ പലപ്പോഴും ഒരേ വൈകല്യങ്ങൾ കാണിക്കുന്നത്?യന്ത്രം നിർത്താതെ റോബോട്ടിലെ മിക്സർ മാറ്റിസ്ഥാപിക്കാൻ കഴിയുന്ന ഏറ്റവും പുതിയത് എപ്പോഴാണ്?ഈ ചോദ്യങ്ങൾക്ക് കൃത്യവും കൃത്യവുമായ ഉത്തരങ്ങൾ ഉണ്ടായിരിക്കുന്നത് സുസ്ഥിര സാമ്പത്തിക വിജയത്തിന് അടിസ്ഥാനമാണ്, കാരണം അത് ഒഴിവാക്കാവുന്ന എല്ലാ വൈകല്യങ്ങളും അല്ലെങ്കിൽ എല്ലാ അനാവശ്യമായ അറ്റകുറ്റപ്പണികളും പണം ലാഭിക്കുകയോ ഉൽപ്പന്നത്തിന്റെ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുകയോ ചെയ്യുന്നു.“ഇപ്പോൾ, ഗുണനിലവാര വൈകല്യങ്ങളോ പരാജയങ്ങളോ ഉടനടി തിരിച്ചറിയാൻ ഞങ്ങളെ അനുവദിക്കുന്ന വളരെ കുറച്ച് വ്യക്തമായ പരിഹാരങ്ങളേ ഉണ്ടായിരുന്നുള്ളൂ.ഉണ്ടെങ്കിൽ, അവ സാധാരണയായി ഡാറ്റയുടെ സൂക്ഷ്മമായ മാനുവൽ മൂല്യനിർണ്ണയം അല്ലെങ്കിൽ ട്രയൽ-ആൻഡ്-എറർ ശ്രമങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ്.ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസിന് നന്ദി, ഈ പ്രക്രിയ ഇപ്പോൾ കൂടുതൽ കൃത്യവും യാന്ത്രികവുമാണ്", ഡൂറിലെ എംഇഎസ് & കൺട്രോൾ സിസ്റ്റംസ് വൈസ് പ്രസിഡന്റ് ജെർഹാർഡ് അലോൺസോ ഗാർസിയ വിശദീകരിക്കുന്നു.
പ്രൊഡക്ഷൻ ഡാറ്റ നേടുന്നതിനുള്ള ഡാറ്റ അക്വിസിഷൻ മൊഡ്യൂളുകൾ, അത് ദൃശ്യവൽക്കരിക്കുന്നതിനുള്ള വിഷ്വൽ അനലിറ്റിക്‌സ്, സ്ട്രീമിംഗ് അനലിറ്റിക്‌സ് എന്നിവ ഇതിനകം ഉൾപ്പെട്ടിരുന്ന Dürr-ന്റെ DXQanalyze ഡിജിറ്റൽ ഉൽപ്പന്ന ശ്രേണിക്ക് ഇപ്പോൾ പുതിയ സ്വയം-പഠന അഡ്വാൻസ്ഡ് അനലിറ്റിക്‌സ് പ്ലാന്റിനെയും പ്രോസസ്സ് മോണിറ്ററിംഗ് സിസ്റ്റത്തെയും ആശ്രയിക്കാനാകും.

AI ആപ്ലിക്കേഷന് അതിന്റെ മെമ്മറി ഉണ്ട്
മെഷീൻ ലേണിംഗുമായി ചരിത്രപരമായ ഡാറ്റ ഉൾപ്പെടെയുള്ള വലിയ അളവിലുള്ള ഡാറ്റ ഈ മൊഡ്യൂൾ സംയോജിപ്പിക്കുന്നു എന്നതാണ് അഡ്വാൻസ്ഡ് അനലിറ്റിക്സിന്റെ പ്രത്യേകത.ഇതിനർത്ഥം, സ്വയം പഠിക്കുന്ന AI ആപ്ലിക്കേഷന് അതിന്റേതായ മെമ്മറി ഉണ്ടെന്നും അതിനാൽ വലിയ അളവിലുള്ള ഡാറ്റയിൽ സങ്കീർണ്ണമായ പരസ്പര ബന്ധങ്ങൾ തിരിച്ചറിയാനും ഭാവിയിൽ ഒരു ഇവന്റ് പ്രവചിക്കാനും ഭൂതകാലത്തിൽ നിന്നുള്ള വിവരങ്ങൾ ഉപയോഗിക്കാമെന്നാണ്. ഒരു യന്ത്രത്തിന്റെ വ്യവസ്ഥകൾ.പെയിൻറ് ഷോപ്പുകളിൽ, ഘടകം, പ്രോസസ്സ് അല്ലെങ്കിൽ പ്ലാന്റ് തലത്തിലായാലും ഇതിന് ധാരാളം ആപ്ലിക്കേഷനുകൾ ഉണ്ട്.

പ്രവചനാതീതമായ അറ്റകുറ്റപ്പണികൾ പ്ലാന്റ് പ്രവർത്തനരഹിതമാക്കുന്നു
ഘടകങ്ങളുടെ കാര്യം വരുമ്പോൾ, മുൻകൂർ മെയിന്റനൻസ്, റിപ്പയർ വിവരങ്ങൾ എന്നിവയിലൂടെ പ്രവർത്തനരഹിതമായ സമയങ്ങൾ കുറയ്ക്കാൻ അഡ്വാൻസ്ഡ് അനലിറ്റിക്സ് ലക്ഷ്യമിടുന്നു, ഉദാഹരണത്തിന് ഒരു മിക്സറിന്റെ ശേഷിക്കുന്ന സേവനജീവിതം പ്രവചിക്കുന്നതിലൂടെ.ഘടകം വളരെ നേരത്തെ മാറ്റിസ്ഥാപിക്കുകയാണെങ്കിൽ, സ്പെയർ പാർട്സുകളുടെ വില വർദ്ധിക്കുകയും തൽഫലമായി പൊതുവായ അറ്റകുറ്റപ്പണി ചെലവ് അനാവശ്യമായി വർദ്ധിക്കുകയും ചെയ്യും.മറുവശത്ത്, ഇത് വളരെക്കാലം പ്രവർത്തിപ്പിക്കുകയാണെങ്കിൽ, അത് പൂശുന്ന പ്രക്രിയയിലും മെഷീൻ സ്റ്റോപ്പേജുകളിലും ഗുണനിലവാര പ്രശ്നങ്ങൾ ഉണ്ടാക്കും.ഉയർന്ന ഫ്രീക്വൻസി റോബോട്ട് ഡാറ്റ ഉപയോഗിച്ച് ധരിക്കുന്ന സൂചകങ്ങളും വസ്ത്രത്തിന്റെ താൽക്കാലിക പാറ്റേണും പഠിച്ചാണ് വിപുലമായ അനലിറ്റിക്‌സ് ആരംഭിക്കുന്നത്.ഡാറ്റ തുടർച്ചയായി രേഖപ്പെടുത്തുകയും നിരീക്ഷിക്കുകയും ചെയ്യുന്നതിനാൽ, യഥാർത്ഥ ഉപയോഗത്തെ അടിസ്ഥാനമാക്കി, മെഷീൻ ലേണിംഗ് മൊഡ്യൂൾ അതാത് ഘടകത്തിന്റെ പ്രായമാകൽ പ്രവണതകളെ വ്യക്തിഗതമായി തിരിച്ചറിയുകയും ഈ രീതിയിൽ ഒപ്റ്റിമൽ റീപ്ലേസ്‌മെന്റ് സമയം കണക്കാക്കുകയും ചെയ്യുന്നു.

മെഷീൻ ലേണിംഗ് അനുകരിച്ചുള്ള തുടർച്ചയായ താപനില വളവുകൾ
നൂതന അനലിറ്റിക്‌സ്, അപാകതകൾ തിരിച്ചറിയുന്നതിലൂടെ പ്രോസസ്സ് തലത്തിൽ ഗുണനിലവാരം മെച്ചപ്പെടുത്തുന്നു, ഉദാഹരണത്തിന് അടുപ്പിലെ ഹീറ്റ്-അപ്പ് കർവ് അനുകരിക്കുന്നതിലൂടെ.ഇതുവരെ, മെഷർമെന്റ് റൺ സമയത്ത് സെൻസറുകൾ നിർണ്ണയിക്കുന്ന ഡാറ്റ മാത്രമേ നിർമ്മാതാക്കൾക്ക് ഉണ്ടായിരുന്നുള്ളൂ.എന്നിരുന്നാലും, കാർ ബോഡിയുടെ ഉപരിതല ഗുണനിലവാരത്തിന്റെ കാര്യത്തിൽ അടിസ്ഥാന പ്രാധാന്യമുള്ള ഹീറ്റ്-അപ്പ് കർവുകൾ, ഓവൻ പ്രായമാകുമ്പോൾ, അളക്കൽ റണ്ണുകൾക്കിടയിലുള്ള ഇടവേളകളിൽ വ്യത്യാസപ്പെടുന്നു.ഈ വസ്ത്രം ഏറ്റക്കുറച്ചിലുകൾക്ക് കാരണമാകുന്നു, ഉദാഹരണത്തിന് വായു പ്രവാഹത്തിന്റെ തീവ്രതയിൽ.“ഇതുവരെ, വ്യക്തിഗത ശരീരങ്ങൾ ചൂടാക്കിയ കൃത്യമായ താപനില അറിയാതെ ആയിരക്കണക്കിന് ശരീരങ്ങൾ ഉത്പാദിപ്പിക്കപ്പെടുന്നു.മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച്, ഞങ്ങളുടെ അഡ്വാൻസ്ഡ് അനലിറ്റിക്സ് മൊഡ്യൂൾ വ്യത്യസ്ത സാഹചര്യങ്ങളിൽ താപനില മാറുന്നത് എങ്ങനെയെന്ന് അനുകരിക്കുന്നു.ഇത് ഞങ്ങളുടെ ഉപഭോക്താക്കൾക്ക് ഓരോ വ്യക്തിഗത ഭാഗത്തിനും ഗുണനിലവാരത്തിന്റെ സ്ഥിരമായ തെളിവ് നൽകുകയും അപാകതകൾ തിരിച്ചറിയാൻ അവരെ അനുവദിക്കുകയും ചെയ്യുന്നു," ഗെർഹാർഡ് അലോൺസോ ഗാർസിയ വിശദീകരിക്കുന്നു.

ഉയർന്ന ആദ്യ റൺ നിരക്ക് ഉപകരണത്തിന്റെ മൊത്തത്തിലുള്ള ഫലപ്രാപ്തി വർദ്ധിപ്പിക്കുന്നു
ഇംപ്ലാന്റിനെ സംബന്ധിച്ചിടത്തോളം, ഉപകരണങ്ങളുടെ മൊത്തത്തിലുള്ള ഫലപ്രാപ്തി വർദ്ധിപ്പിക്കുന്നതിന്, അഡ്വാൻസ്ഡ് അനലിറ്റിക്സ് മൊഡ്യൂളുമായി ചേർന്ന് DXQplant.analytics സോഫ്റ്റ്വെയർ ഉപയോഗിക്കുന്നു.ജർമ്മൻ നിർമ്മാതാവിന്റെ ഇന്റലിജന്റ് സൊല്യൂഷൻ നിർദ്ദിഷ്ട മോഡൽ തരങ്ങളിലോ നിർദ്ദിഷ്ട നിറങ്ങളിലോ വ്യക്തിഗത ശരീരഭാഗങ്ങളിലോ ആവർത്തിച്ചുള്ള ഗുണനിലവാര വൈകല്യങ്ങൾ ട്രാക്കുചെയ്യുന്നു.ഉൽപ്പാദന പ്രക്രിയയിലെ ഏത് ഘട്ടമാണ് വ്യതിയാനങ്ങൾക്ക് ഉത്തരവാദിയെന്ന് ഉപഭോക്താവിനെ മനസ്സിലാക്കാൻ ഇത് അനുവദിക്കുന്നു.അത്തരം വൈകല്യവും പരസ്പര ബന്ധങ്ങളും വളരെ പ്രാരംഭ ഘട്ടത്തിൽ ഇടപെടൽ അനുവദിച്ചുകൊണ്ട് ഭാവിയിൽ ആദ്യ റൺ നിരക്ക് വർദ്ധിപ്പിക്കും.

പ്ലാന്റ് എഞ്ചിനീയറിംഗും ഡിജിറ്റൽ വൈദഗ്ധ്യവും തമ്മിലുള്ള സംയോജനം
AI-അനുയോജ്യമായ ഡാറ്റ മോഡലുകൾ വികസിപ്പിക്കുന്നത് വളരെ സങ്കീർണ്ണമായ ഒരു പ്രക്രിയയാണ്.വാസ്തവത്തിൽ, മെഷീൻ ലേണിംഗ് ഉപയോഗിച്ച് ഒരു ബുദ്ധിപരമായ ഫലം സൃഷ്ടിക്കുന്നതിന്, ഒരു "സ്മാർട്ട്" അൽഗോരിതത്തിലേക്ക് വ്യക്തതയില്ലാത്ത അളവിലുള്ള ഡാറ്റ തിരുകുന്നത് പര്യാപ്തമല്ല.ഉൽപ്പാദനത്തിൽ നിന്നുള്ള ഘടനാപരമായ അധിക വിവരങ്ങളുമായി ബന്ധപ്പെട്ട സിഗ്നലുകൾ ശേഖരിക്കുകയും ശ്രദ്ധാപൂർവ്വം തിരഞ്ഞെടുക്കുകയും സംയോജിപ്പിക്കുകയും വേണം.വ്യത്യസ്ത ഉപയോഗ സാഹചര്യങ്ങളെ പിന്തുണയ്ക്കുന്ന, മെഷീൻ ലേണിംഗ് മോഡലിന് റൺടൈം അന്തരീക്ഷം പ്രദാനം ചെയ്യുന്നതും മോഡൽ പരിശീലനം ആരംഭിക്കുന്നതുമായ ഒരു സോഫ്‌റ്റ്‌വെയർ രൂപകൽപ്പന ചെയ്യാൻ Dürr-ന് കഴിഞ്ഞു.“സാധുതയുള്ള മെഷീൻ ലേണിംഗ് മോഡലും ഞങ്ങൾക്ക് ഉപയോഗിക്കാൻ കഴിയുന്ന അനുയോജ്യമായ റൺടൈം അന്തരീക്ഷവും ഇല്ലാത്തതിനാൽ ഈ പരിഹാരം വികസിപ്പിക്കുന്നത് ഒരു യഥാർത്ഥ വെല്ലുവിളിയായിരുന്നു.പ്ലാന്റ് തലത്തിൽ AI ഉപയോഗിക്കാൻ കഴിയുന്നതിന്, മെക്കാനിക്കൽ, പ്ലാന്റ് എഞ്ചിനീയറിംഗ് എന്നിവയെക്കുറിച്ചുള്ള ഞങ്ങളുടെ അറിവും ഞങ്ങളുടെ ഡിജിറ്റൽ ഫാക്ടറി വിദഗ്ധരുമായി ഞങ്ങൾ സംയോജിപ്പിച്ചിരിക്കുന്നു.പെയിന്റ് കടകൾക്കുള്ള ആദ്യത്തെ കൃത്രിമബുദ്ധി പരിഹാരത്തിലേക്ക് ഇത് നയിച്ചു, ”ഗെർഹാർഡ് അലോൺസോ ഗാർസിയ പറയുന്നു.

വിപുലമായ അനലിറ്റിക്‌സ് വികസിപ്പിക്കുന്നതിന് കഴിവുകളും അറിവും സംയോജിപ്പിച്ചു
ഡാറ്റാ സയന്റിസ്റ്റുകൾ, കമ്പ്യൂട്ടർ ശാസ്ത്രജ്ഞർ, പ്രോസസ്സ് വിദഗ്ധർ എന്നിവരടങ്ങിയ ഒരു ഇന്റർ ഡിസിപ്ലിനറി ടീം ഈ ബുദ്ധിപരമായ പരിഹാരം വികസിപ്പിച്ചെടുത്തു.നിരവധി പ്രമുഖ വാഹന നിർമ്മാതാക്കളുമായി ഡ്യൂർ സഹകരണ പങ്കാളിത്തത്തിൽ ഏർപ്പെട്ടിട്ടുണ്ട്.ഈ രീതിയിൽ, ഡെവലപ്പർമാർക്ക് വ്യത്യസ്‌ത ആപ്ലിക്കേഷൻ കേസുകൾക്കായി ഉൽ‌പാദനത്തിൽ യഥാർത്ഥ-ജീവിത പ്രൊഡക്ഷൻ ഡാറ്റയും ബീറ്റ സൈറ്റ് പരിതസ്ഥിതികളും ഉണ്ടായിരുന്നു.ആദ്യം, അൽഗോരിതങ്ങൾ ലബോറട്ടറിയിൽ ധാരാളം ടെസ്റ്റ് കേസുകൾ ഉപയോഗിച്ച് പരിശീലിപ്പിച്ചു.തുടർന്ന്, അൽഗോരിതങ്ങൾ യഥാർത്ഥ പ്രവർത്തന സമയത്ത് ഓൺ-സൈറ്റ് പഠനം തുടരുകയും പരിസ്ഥിതിക്കും ഉപയോഗ സാഹചര്യങ്ങൾക്കും അനുയോജ്യമാക്കുകയും ചെയ്തു.ബീറ്റ ഘട്ടം അടുത്തിടെ വിജയകരമായി പൂർത്തിയാക്കി, അതിന് എത്രമാത്രം AI സാധ്യതയുണ്ടെന്ന് കാണിക്കുകയും ചെയ്തു.Dürr-ൽ നിന്നുള്ള സോഫ്‌റ്റ്‌വെയർ ചെടികളുടെ ലഭ്യതയും ചായം പൂശിയ ശരീരങ്ങളുടെ ഉപരിതല ഗുണനിലവാരവും ഒപ്റ്റിമൈസ് ചെയ്യുന്നുവെന്ന് ആദ്യ പ്രായോഗിക പ്രയോഗങ്ങൾ കാണിക്കുന്നു.