Esta es una publicación invitada de Neslihan Erdogan, gerente global de TI industrial en HAYAT HOLDING.

Con la digitalización en curso de los procesos de fabricación y la Industria 4.0, existe un enorme potencial para utilizar el aprendizaje automático (ML) para la predicción de la calidad. La fabricación por procesos es un método de producción que utiliza fórmulas o recetas para producir bienes mediante la combinación de ingredientes o materias primas.

La calidad predictiva comprende el uso de métodos ML en la producción para estimar y clasificar la calidad relacionada con el producto en función de los datos del proceso de fabricación con los siguientes objetivos[1]:

• Descripción de la calidad – La identificación de relaciones entre las variables del proceso y la calidad del producto. Por ejemplo, cómo afecta el volumen de un ingrediente adhesivo a los parámetros de calidad, como su resistencia y elasticidad.
• Predicción de calidad – La estimación de una variable de calidad a partir de variables de proceso para el apoyo a la decisión o para la automatización. Por ejemplo, ¿cuánto kg/m³ El ingrediente adhesivo debe ser ingerido para lograr cierta fuerza y ​​elasticidad.
• Clasificación de calidad – Además de la predicción de la calidad, esto implica la estimación de ciertos tipos de calidad del producto.

En esta publicación, compartimos cómo HAYAT HOLDING, un jugador global con 41 empresas que operan en diferentes industrias, incluida HAYAT, el cuarto fabricante de pañales de marca más grande del mundo, y KEAS, el quinto fabricante de paneles a base de madera más grande del mundo, colaboró ​​con AWS para crear una solución que utilice Amazon SageMaker Model Training, Amazon SageMaker Automatic Model Tuning y Amazon SageMaker Model Deployment para mejorar continuamente el rendimiento operativo, aumentar la calidad del producto y optimizar la producción de paneles de madera de fibra de densidad media (MDF).

Los expertos de campo pueden observar los resultados de la predicción de la calidad del producto y la recomendación de consumo de adhesivo a través de tableros casi en tiempo real, lo que da como resultado un ciclo de retroalimentación más rápido. Los resultados de laboratorio indican un impacto significativo que equivale a un ahorro de $300,000 anuales, reduciendo su huella de carbono en la producción al evitar el desperdicio químico innecesario.

Calidad predictiva basada en ML en HAYAT HOLDING

HAYAT es el cuarto fabricante de pañales para bebés de marca más grande del mundo y el mayor fabricante de pañuelos de papel de EMEA. KEAS (Kastamonu Entegre Ağaç Sanayi) es una subvención de HAYAT HOLDING, para la producción en la industria de paneles a base de madera, y se posiciona como la cuarta en Europa y la quinta en el mundo.

El tablero de fibra de densidad media (MDF) es un producto de madera de ingeniería fabricado al descomponer los residuos de madera en fibras, combinándolos con adhesivos y formándolos en paneles aplicando alta temperatura y presión. Tiene muchas áreas de aplicación, como muebles, gabinetes y pisos.

La producción de paneles de madera MDF requiere un uso extensivo de adhesivos (toneladas de dos dígitos consumidas cada año en HAYAT HOLDING).

En una línea de producción típica, se utilizan cientos de sensores. La calidad del producto se identifica por decenas de parámetros. La aplicación del volumen correcto de adhesivos es un elemento de costo importante, así como un factor de calidad importante para el panel producido, como la densidad, la capacidad de sujeción del tornillo, la resistencia a la tracción, el módulo de elasticidad y la resistencia a la flexión. Si bien el uso excesivo de pegamento aumenta los costos de producción de manera redundante, la mala utilización del pegamento genera problemas de calidad. El uso incorrecto causa hasta decenas de miles de dólares en un solo turno. El desafío es que existe una dependencia regresiva de la calidad en el proceso de producción.

Los operadores humanos deciden la cantidad de pegamento que se utilizará en función de la experiencia del dominio. Este conocimiento es únicamente empírico y requiere años de experiencia para desarrollar la competencia. Para respaldar la toma de decisiones del operador humano, se realizan pruebas de laboratorio en muestras seleccionadas para medir con precisión la calidad durante la producción. Los resultados de laboratorio brindan retroalimentación a los operadores que revelan los niveles de calidad del producto. Sin embargo, las pruebas de laboratorio no son en tiempo real y se aplican con un retraso de hasta varias horas. El operador humano usa los resultados del laboratorio para ajustar gradualmente el consumo de pegamento para lograr el umbral de calidad requerido.

Resumen de la solución

La predicción de calidad mediante ML es potente, pero requiere esfuerzo y habilidad para diseñar, integrar con el proceso de fabricación y mantener. Con el apoyo de los especialistas en creación de prototipos de AWS y el socio de AWS Deloitte, HAYAT HOLDING creó una canalización integral de la siguiente manera:

• Ingerir datos de sensores de la planta de producción a AWS
• Realice la preparación de datos y la generación de modelos de ML
• Implementar modelos en el perímetro
• Crear tableros de operador
• Orquestar el flujo de trabajo

El siguiente diagrama ilustra la arquitectura de la solución.

Ingestión de datos

HAYAT HOLDING cuenta con una infraestructura de última generación para adquirir, registrar, analizar y procesar datos de medición.

Existen dos tipos de fuentes de datos para este caso de uso. Los parámetros del proceso se establecen para la producción de un producto en particular y, por lo general, no se modifican durante la producción. Los datos del sensor se toman durante el proceso de fabricación y representan la condición real de la máquina.

Los datos de entrada se transmiten desde la planta a través de OPC-UA a través de SiteWise Edge Gateway en AWS IoT Greengrass. En total, se importaron y utilizaron 194 sensores para aumentar la precisión de las predicciones.

Entrenamiento y optimización de modelos con el ajuste automático de modelos de SageMaker

Previo al entrenamiento del modelo, se realizan un conjunto de actividades de preparación de datos. Por ejemplo, una planta de paneles de MDF produce múltiples productos distintos en la misma línea de producción (múltiples tipos y tamaños de paneles de madera). Cada lote está asociado a un producto diferente, con diferentes materias primas y diferentes características físicas. Aunque las series temporales de equipos y procesos se registran continuamente y pueden verse como una serie temporal de flujo único indexada por tiempo, deben segmentarse por el lote al que están asociados. Por ejemplo, en un turno, los paneles de productos se pueden producir para diferentes duraciones. Una muestra del MDF producido se envía al laboratorio para pruebas de calidad de vez en cuando. Otras tareas de ingeniería de funciones incluyen la reducción de funciones, el escalado, la reducción de dimensionalidad no supervisada mediante PCA (Análisis de componentes principales), la importancia de las funciones y la detección de valores atípicos.

Después de la fase de preparación de datos, se utiliza un enfoque de dos etapas para construir los modelos ML. Las muestras de prueba de laboratorio se realizan mediante muestreo aleatorio intermitente de productos de la cinta transportadora. Las muestras se envían a un laboratorio para pruebas de calidad. Debido a que los resultados de laboratorio no se pueden presentar en tiempo real, el circuito de retroalimentación es relativamente lento. El primer modelo está entrenado para predecir los resultados de laboratorio para los parámetros de calidad del producto: densidad, elasticidad, resistencia a la tracción, hinchazón, agua absorbida, durabilidad de la superficie, humedad, succión de la superficie y resistencia a la flexión. El segundo modelo está capacitado para recomendar la cantidad de pegamento que se utilizará en la producción, según la calidad de salida prevista.

Configurar y administrar entornos de ML personalizados puede llevar mucho tiempo y ser engorroso. Amazon SageMaker proporciona un conjunto de algoritmos incorporados, modelos preentrenados y plantillas de soluciones preconstruidas para ayudar a los científicos de datos y profesionales de ML a comenzar a entrenar e implementar modelos de ML rápidamente.

Se entrenaron varios modelos de AA con los algoritmos integrados de SageMaker para los N tipos de productos más producidos y para diferentes parámetros de calidad. Los modelos de predicción de calidad identifican las relaciones entre el uso de pegamento y nueve parámetros de calidad. Los modelos de recomendación predicen el uso mínimo de pegamento para satisfacer los requisitos de calidad utilizando el siguiente enfoque: un algoritmo comienza con la cantidad de pegamento más alta permitida y la reduce paso a paso si se cumplen todos los requisitos hasta la cantidad mínima de pegamento permitida. Si la cantidad máxima de pegamento no cumple con todos los requisitos, da un error.

El ajuste automático de modelos de SageMaker, también conocido como ajuste de hiperparámetros, encuentra la mejor versión de un modelo mediante la ejecución de muchos trabajos de entrenamiento en su conjunto de datos utilizando el algoritmo y los rangos de hiperparámetros que especifique. Luego, elige los valores de hiperparámetros que dan como resultado un modelo que funciona mejor, según lo medido por una métrica que elija.

Con el ajuste automático del modelo, el equipo se concentró en definir el objetivo correcto, definir el alcance de los hiperparámetros y el espacio de búsqueda. El ajuste automático del modelo se encarga del resto, incluida la infraestructura, la ejecución y la orquestación de trabajos de capacitación en paralelo y la mejora de la selección de hiperparámetros. El ajuste automático del modelo proporciona una amplia gama de tipos de instancias de entrenamiento. El modelo se ajustó en tipos de instancias grandes c5.x2 utilizando una versión inteligente de métodos de ajuste de hiperparámetros que se basa en la teoría de búsqueda bayesiana y está diseñada para encontrar el mejor modelo en el menor tiempo posible.

Inferencia en el borde

Hay varios métodos disponibles para implementar modelos de ML para obtener predicciones.

Inferencia en tiempo real de SageMaker es ideal para cargas de trabajo en las que hay requisitos de baja latencia, interactivos y en tiempo real. Durante la fase de creación de prototipos, HAYAT HOLDING implementó modelos en los servicios de alojamiento de SageMaker y obtuvo puntos de conexión totalmente administrados por AWS. Puntos finales de varios modelos de SageMaker proporcionar una solución escalable y rentable para implementar una gran cantidad de modelos. Utilizan la misma flota de recursos y un contenedor de servicio compartido para alojar todos sus modelos. Esto reduce los costos de hospedaje al mejorar la utilización de puntos finales en comparación con el uso de puntos finales de modelo único. También reduce la sobrecarga de implementación porque SageMaker administra la carga de modelos en la memoria y los escala en función de los patrones de tráfico a su terminal.

La inferencia en tiempo real de SageMaker se usa con terminales de varios modelos para optimizar costos y hacer que todos los modelos estén disponibles en todo momento durante el desarrollo. Aunque el uso de un modelo ML para cada tipo de producto da como resultado una mayor precisión de inferencia, el costo de desarrollar y probar estos modelos aumenta en consecuencia, y también se vuelve difícil administrar múltiples modelos. Los endpoints de varios modelos de SageMaker abordan estos puntos débiles y brindan al equipo una solución rápida y rentable para implementar múltiples modelos de ML.

borde de Amazon SageMaker proporciona administración de modelos para dispositivos perimetrales para que pueda optimizar, asegurar, monitorear y mantener modelos ML en flotas de dispositivos perimetrales. Operar modelos de ML en dispositivos perimetrales es un desafío porque los dispositivos, a diferencia de las instancias en la nube, tienen computación, memoria y conectividad limitadas. Después de implementar el modelo, debe monitorearlos continuamente, ya que la desviación del modelo puede hacer que la calidad del modelo decaiga con el tiempo. El monitoreo de modelos en sus flotas de dispositivos es difícil porque necesita escribir un código personalizado para recopilar muestras de datos de su dispositivo y reconocer sesgos en las predicciones.

Para la producción, el agente SageMaker Edge Manager se usa para hacer predicciones con modelos cargados en un dispositivo AWS IoT Greengrass.

Conclusión

HAYAT HOLDING estaba evaluando una plataforma de análisis avanzada como parte de su estrategia de transformación digital y quería llevar la IA a la organización para la predicción de calidad en la producción.

Con el apoyo de los especialistas en creación de prototipos de AWS y el socio de AWS Deloitte, HAYAT HOLDING creó una arquitectura de plataforma de datos única y una canalización de aprendizaje automático para abordar las necesidades comerciales y técnicas a largo plazo.

HAYAT KIMYA integró la solución ML en una de sus plantas. Los resultados de laboratorio indican un impacto significativo que equivale a un ahorro de $300,000 anuales, reduciendo su huella de carbono en la producción al evitar el desperdicio químico innecesario. La solución proporciona un circuito de retroalimentación más rápido a los operadores humanos al presentar predicciones de calidad del producto y resultados de recomendaciones de consumo de adhesivo a través de tableros casi en tiempo real. La solución eventualmente se implementará en otras plantas de paneles de madera de HAYAT HOLDING.

ML es un proceso altamente iterativo; En el transcurso de un solo proyecto, los científicos de datos entrenan cientos de modelos, conjuntos de datos y parámetros diferentes en busca de la máxima precisión. SageMaker ofrece el conjunto de herramientas más completo para aprovechar el poder de ML. Le permite organizar, rastrear, comparar y evaluar experimentos de ML a escala. Puede aumentar el impacto final de sus equipos de ML para lograr mejoras significativas en la productividad utilizando los algoritmos integrados de SageMaker, el ajuste automático de modelos, la inferencia en tiempo real y los puntos finales de varios modelos.

Acelere el tiempo de obtención de resultados y optimice las operaciones mediante la modernización de su enfoque empresarial desde el perímetro hasta la nube mediante Aprendizaje automático en AWS. Aproveche las innovaciones y soluciones específicas de la industria utilizando AWS para la industria.

Comparta sus comentarios y preguntas en los comentarios.

Acerca de HAYAT HOLDING

HAYAT HOLDING, cuyos cimientos se establecieron en 1937, es un actor global en la actualidad, con 41 empresas que operan en diferentes industrias, incluida HAYAT en el sector de bienes de consumo de rápido movimiento, KEAS (Kastamonu Entegre Ağaç Sanayi) en el sector de paneles a base de madera, y LIMAS en el sector de la gestión portuaria, con una plantilla de más de 17,000 personas. HAYAT HOLDING ofrece 49 marcas producidas con tecnologías avanzadas en 36 instalaciones de producción en 13 países a millones de consumidores en todo el mundo.

Operando en el sector de bienes de consumo de rápido movimiento, Hayat fue fundada en 1987. Hoy, avanzando rápidamente en el camino de la globalización con 21 plantas de producción en 8 países alrededor del mundo, Hayat es el cuarto fabricante de pañales de marca más grande del mundo y el fabricante de pañuelos más grande del mundo. productor en el Medio Oriente, Europa del Este y África, y un jugador importante en el sector de bienes de consumo de rápido movimiento. Con sus 16 poderosas marcas, incluidas Molfix, Bebem, Molped, Joly, Bingo, Test, Has, Papia, Familia, Teno, Focus, Nelex, Goodcare y Evony en las categorías de higiene, cuidado del hogar, tejidos y salud personal, Hayat lleva HAYAT* a millones de hogares en más de 100 países.

Kastamonu Entegre Ağaç Sanayi (KEAS), la primera inversión de HAYAT HOLDING en su movimiento de industrialización, fue fundada en 1969. Continuando con su crecimiento ininterrumpido para convertirse en una potencia global en su sector, ocupa el cuarto lugar en Europa y el quinto en el mundo. KEAS ocupa el primer lugar en la industria con sus aproximadamente 7,000 empleados y exportaciones a más de 100 países.

*“Hayat” significa “vida” en turco.

Referencias

1. Tercan H, "Calidad predictiva basada en el aprendizaje automático y el aprendizaje profundo en la fabricación: una revisión sistemática", Journal of Intelligent Manufacturing, 2022.

Sobre los autores

Neslihan Erdoğan, (BSc y MSc en Ingeniería Eléctrica), desempeñó varios roles técnicos y comerciales como especialista, arquitecto y gerente en Tecnologías de la Información. Ha estado trabajando en HAYAT como Gerente de TI Industrial Global y lideró proyectos de Industria 4.0, Transformación Digital, Seguridad OT y Datos e IA.

Çağrı Yurtseven (Licenciatura en Ingeniería Eléctrica y Electrónica, Universidad de Bogazici) es Gerente de Cuentas Empresariales en Amazon Web Services. Lidera iniciativas de sustentabilidad e IoT industrial en Turquía mientras ayuda a los clientes a desarrollar todo su potencial mostrando el arte de lo posible en AWS.

Cenk Sezgin (PhD – Ingeniería Electrónica Eléctrica) es Gerente Principal en AWS EMEA Prototyping Labs. Apoya a los clientes con la exploración, la ideación, la ingeniería y el desarrollo de soluciones de vanguardia utilizando tecnologías emergentes como IoT, Analytics, AI/ML y Serverless.

Hasan Basri AKIRMAK (BSc y MSc en Ingeniería Informática y Executive MBA en Graduate School of Business) es Arquitecto Principal de Soluciones en Amazon Web Services. Es un tecnólogo de negocios que asesora a clientes del segmento empresarial. Su área de especialidad es el diseño de arquitecturas y casos de negocio sobre sistemas de procesamiento de datos a gran escala y soluciones de Machine Learning. Hasan ha brindado desarrollo comercial, integración de sistemas y administración de programas para clientes en Europa, Medio Oriente y África. Desde 2016, asesoró a cientos de emprendedores en programas de incubación de empresas emergentes pro bono.

mustafa aldemir (Licenciatura en Ingeniería Eléctrica y Electrónica, Maestría en Mecatrónica y candidata a Doctorado en Ciencias de la Computación) es la Líder de Prototipos de Robótica en Amazon Web Services. Ha estado diseñando y desarrollando soluciones de aprendizaje automático e Internet de las cosas para algunos de los clientes más importantes de EMEA y liderando sus equipos en su implementación. Mientras tanto, ha estado impartiendo cursos de IA en Amazon Machine Learning University y Oxford University.

• Distribución de relaciones públicas y contenido potenciado por SEO. Consiga amplificado hoy.
• Platoblockchain. Inteligencia del Metaverso Web3. Conocimiento amplificado. Accede Aquí.
• Fuente: https://aws.amazon.com/blogs/machine-learning/hayat-holding-uses-amazon-sagemaker-to-increase-product-quality-and-optimize-manufacturing-output-saving-300000-annually/