| Въвеждане на технологии от Индустрия 4.0 - част 1: Целта на настоящата дейност е да бъдат въведени технологии от Индустрия 4.0 в нашето предприятие, чрез които ще успеем да повишим нивото си на дигитализация. Изпълнението на дейността ще доведе до внедряването на следните технологии от Индустрия 4.0 от Приложение 18:
I. Технология Инструменти за обработка на големи масиви от данни
II. Технология Роботизирана автоматизация на процеси
III. Технология Изкуствен интелект;
IV. Технология Машинно обучение
I. Инструменти за обработка на големи масиви от данни (Big Data Analytics)
Технологията е свързана със:
• Big Data аналитични инструменти, които ще позволят анализ на големи количества данни, събрани от основни системи, и ще предоставят важни изводи и информация за скрити зависимости и тенденциите навременни коригиращи действия.
За целите на въвеждането на технологията ще бъде разработен и закупен софтуер Big data Analytics. Основната му функция ще бъде да извлича и анализира информацията от различните ни системи:
• данни от софтуерните ни системи - WMS, ERP, като тук ще се извличат данни за поръчки, наличности, движения на стоки;
• данни от автоматизираните складови решения (натовареност, маршрути, цикли);
• Данни от дигиталните канали за поръчки - уеб платформа и AI-базиран гласов канал, който в момента разработваме и внедряваме.
Всички тези данни са разнопосочни по своя обем и характеристики, поради което е трудно да бъдат анализирани без допълнително софтуерно решение. To ще се състои от три модула, които ще обработват различните по вид данни в модул мениджмънт, модул склад и модул доставчици.
Софтуерният инструмент притежава всички характеристики на Big data решение 5Vs: Volume, Velocity, Variety, Veracity и Value.
1. Volume (Обем)
Софтуерът работи с голям обем данни – исторически данни за продажби до 10 години за над 10 000 артикула, складови движения, доставки, KPI.
2. Velocity (Скорост)
В софтуерът ще са налични dashboards в реално време за мениджмънт, склад и доставчици, както и аларми в реално време за критични метрики. Това означава висока скорост на постъпване и обработка на данните – системата не работи само със статични отчети, а с постоянен поток от данни, които трябва да се визуализират и анализират почти в реално време
3. Variety (Разнообразие)
Софтуерът ще използва различни източници и типове данни:
- финансови показатели (приходи, разходи, маржове);
- складови данни – наличности, движения, поръчки, оборот, проценти покритие;
- данни за доставчици – срокове, надеждност, цени;
- API интеграция с наличната ни ERP система при необходимост;
- логове от процеси, поръчки, доставки.
Това са структурирани и полуструктурирани данни от различни системи, които се унифицират и съхраняват като времеви редове в базата данни.
4. Veracity (Достоверност)
Данните, които ще обработва софтуерът ще се придобиват директно от WMS и ERP системата или чрез API ключове, без ръчно въвеждане, което елиминира субективни грешки. Системата автоматично филтрира невалидни стойности и осигурява точна времева синхронизация на събитията. Внедряването на софтуерното решение предвижда етап за data cleaning, защото данните могат да са шумни, непълни или неконсистентни. За да можем да откриваме скритите зависимости трябва да се повиши тяхната достоверност чрез data cleaning.
5. Value (Стойност)
Цялата Big Data и ML архитектура, която ще бъде създадена е ориентирана към генериране на бизнес стойност, а именно:
• Top 5 KPI визуализирани за мениджмънта;
• оптимизация на складови процеси и покритие;
• автоматизирани поръчки към доставчици;
• предиктивни модели за по-добро планиране;
Превръщане на суровите данни в конкретни управленски решения и оптимизации определят стойността на решението.
Софтуерът Big Data analytics, ще осигури надеждна основа за управление основано на анализи на големи обеми от данни, откриване на зависимости и тенденции, предиктивен анализ и възможност за навременни коригиращи действия. Всичко това води до по-висока ефективност, по-добро планиране и устойчивост. |
60 000.10
|
0.00
|
| Въвеждане на технологии от Индустрия 4.0 - част 2: II. Роботизирана автоматизация на процеси
Технологията е свързана с автоматизиране на рутинни, повтарящи се задачи, които обикновено изискват човешка намеса, като въвеждане на данни, обработка на транзакции, взаимодействие с различни приложения и генериране на отчети.
За целите на въвеждане на технологиите ще бъде закупен следния актив:
1. Автоматизирана складова система с интегриран AI;
Тя ще се състои от хардуерни елементи и софтуер. Хардуерът ще бъде:
- роботи/пикърски решения, чрез които ще извършва автоматизирано съхранение и придвижване
- автоматизирани стелажни системи/конвейрни линии;
- шатъл/роботизирани колички;
- работни станции за пикинг и експедиция.
Софтуерът ще бъде сложна система от отделни софтуерни решения, организирани на няколко нива, която ще управлява отделните елементи на интелигентната автоматизирана система на базата на контролни модули и сензори.
Системата ще изпълнява автоматично задачи по съхранение, преместване и издаване на стоки, с оптимизирани маршрути и натовареност, на база AI алгоритми, интегрирани с WMS. Конкретното съчетание от елементите ще бъде установено на етап изпълнение на проекта, като различните решения не променят въвежданата технология AI и роботизирана автоматизация на процеси.
Основните функционалности на автоматизираната складова система , които са важни за нас са свързани с:
- автоматизирано съхранение, придвижване и пикиране на стоките;
- интелигентно определяне на места за съхранение според оборот, размер, тегло и други параметри;
- автоматизирано пикиране и подготовка на поръчки; възможност за следене в реално време на натовареност, маршрути, цикли и време за обработка на поръчките. Основните елементи в роботизацията на автоматичната складовата система можем да определим така:
1. Автоматично идентифициране и въвеждане на данни без намеса на оператор
Върху товарните единици ще се поставя етикет с баркод или RFID таг, който съдържа уникален идентификатор. Информацията за кодирането ще се получава чрез достъп до таблица за обмен на данни с управленската система. Не се изисква намеса от оператор — товарната единица, заредена в системата, се разпознава автоматично и се изпраща към целевия склад.
2. Автоматизирано управляване на склада
Софтуерното управление на системата ще позволява целият складов цикъл да се управлява автоматично от процесор, свързан с управляващите единици на роботите и на останалите елементи. Ще се съхранят данни относно: кодове, местоположения, заети и свободни позиции, позиции по системата за придвижване.
3.Автоматично извличане на продукти по списъци
Софтуерът ще позволява:
• Идентифициране на входящите продукти в системата
• Управление на съхранението в склада
• Автоматично извличане на продуктите
• Информиране на потребителя за състоянието на системата
Извличането на материали от автоматизирания склад ще се извършва чрез импорт на поръчка от WMS.
4. Автоматизирано управление на списъците с позиции (picking list), които трябва да се извадят от склада
Чрез специален екран (форма) е възможно да се активират, спират, модифицират вече въведени или придобити picking lists. Също така може да се промени редът, в който списъците ще се изпълняват. Системата за супервайзинг управлява три различни състояния:
• в процес на обработка
• чакащи
• обработени
5. Автоматично записване на събития и генериране на отчети
Системата записва събития в различни таблици според типа и детайлността. Извличане, операции по вземане/поставяне на материали, аларми и други събития се архивират. Тези данни могат да бъдат анализирани и визуализирани чрез различни екрани.
6. Минимизиране на ръчното въвеждане на данни чрез интеграция
Интерфейсът на системата, интегриран с WMS минимизира ръчното въвеждане на данни в системата. Връзката предоставя следните функции:
• приемане на списъци за товарене/разтоварване
• връщане на резултатите от изпълнението на списъците
• получаване на основни данни за артикулите
• изпращане на наличности в склада |
398 807.67
|
0.00
|
| Въвеждане на технологии от Индустрия 4.0 - част 3: III. Изкуствен интелект
Технологията на AI е свързана с:
• Използване на обработените данни за предоставяне на интелигентни препоръки и оптимизация на процесите в реално време. Автоматично анализиране на промените в процесите и препоръки за коригиращи действия;
IV. Машинно обучение
Технологията на машинното обучение е свързана с:
• Анализ на причинно-следствени връзки, който ще позволява анализ на големи обеми данни и разкриване на скрити зависимости. ML алгоритмите ще могат да откриват модели в данните, които не са очевидни за операторите и служителите, и да осигурят информация за това как различни променливи влияят върху основния ни процес.
Технологията Изкуствен интелект отново ще внедрим чрез автоматизираната складова система, тъй като AI ще бъде вграден в новия актив чрез система за предиктивна поддръжка. Тя ще осигурява непрекъснат мониторинг, диагностика и прогнозиране на състоянието на всички механични, електрически и управляеми компоненти в автоматизирания склад.
Всички параметри се обновяват в реално време и се визуализират чрез уеб базиран интерфейс, осигуряващ моментно състояние на оборудването. Технологията AI на база на историческите данни ще може да:
• Предвижда вероятни повреди на базата на отклонения;
• Определя остатъчен експлоатационен ресурс на критични компоненти
• Открива аномалии още при първоначални ранни отклонения, преди да се прояви реален дефект;
Технологията ще създава автоматични аларми и известия, които ще се категоризират като предупреждения, висок риск и критични неизправности. На база на AI алгоритмите ще се изготвят и автоматични отчети и анализи за:
• Експлоатационни параметри;
• Графики за тренд при натоварвания, вибрации и температурни промени;
• Препоръки за подмяна на части и оптимизация
• Доклади за производителността на оборудването
Технологията машинно обучение е в основата на технологията Big data analytics, който ще закупим. Тя е изградена върху Big Data архитектура като използва специализирана ML рамка за предиктивни модели, които стъпват върху събраните и изчистени исторически данни и данните в реално време.
Машинното обучение ще анализира данните и техните връзки, чрез което ще се извършва:
• оптимизация на разположението на стоките в склада според оборот и честота на пикиране;
Тук алгоритмите ще подпомагат позиционирането на бързооборотните артикули на по-достъпни локации и по този начин намалява времето за обслужване на поръчките.
• препоръки за оптимални маршрути и последователности на операции за роботизираните системи с цел минимизиране на празните ходове, избягване на конфликти по трасетата и повишаване на общата пропускателна способност на системата;
• приоритизиране изпълнението на поръчките според срокове, важност на клиента, типа на поръчката и текущото натоварване на склада, като по този начин се гарантира по-високо ниво на обслужване на ключови клиенти и оптимално разпределение на ресурсите;
• предиктив модели за генериране на по оптимизирани заявки
ML ще засича промени в обема на поръчките, отклонения във времената за изпълнение и натрупване на „тапи“ в конкретни етапи. По този начин всичко ще се извършва автоматично, няма да зависи от преценката на ръководители и служители. Предиктив моделите ще анализират историята на поръчки, сезонност, кампании, темпове на потребление. На тази база генерира по-точни заявки към доставчици за основните артикули. Резултатът ще бъде по-малко “липси на склад” и по-малко блокиран капитал в ненужни количества. |
0.00
|
0.00
|
