O objetivo de um sistema de AGV é o transporte eficiente de mercadorias em um ambiente específico. O sistema de AGV é um grande investimento, portanto é desejável ter um alto grau de utilização, bem como uma alta proporção de entregas por hora para obter um bom ROI.
Procurando por pistas,
a Kollmorgen mede o desempenho e o comportamento dos sistemas de AGV, tanto no nível do sistema quanto integrados aos AGVs individuais. Coletamos informações sobre unidades de motor, escâneres a laser, localização, tráfego e interferência de obstáculos.
Ao coletar dados, a Kollmorgen encontra tendências e padrões que podem ser usados para melhorar os produtos e desenvolver a melhor configuração possível para qualquer sistema de AGV. Altos e baixos na produtividade, tendências de utilização diária etc. são medidos e os dados são usados para otimizar rotas, aumentar o rendimento e calcular uma utilização mais inteligente dos recursos. Para o usuário final, isso se traduz em custos mais baixos e em receita mais alta.
Os dados coletados também podem fornecer pistas importantes para processos externos que podem causar problemas ao desempenho do AGV. Por exemplo, pedestres bloqueando o caminho dos AGVs ou empilhadeiras manuais sendo guiadas em áreas originalmente planejadas para os AGVs.
Utilização de dados e criação de benefícios
A análise dos dados coletados ajuda a revelar as ineficiências da rede de rotas de AGV de um determinado local. Ao agregar dados de vários locais, os usuários do sistema Kollmorgen podem identificar indivíduos, modelos ou componentes divergentes em sua frota de AGV. Os dados coletados são armazenados em um banco de dados SQL, acessível em NDC8, oferecendo um painel com visualizações de KPIs em nível de sistema para fornecer insights. O banco de dados também é disponibilizado para que os usuários executem suas próprias análises de dados.
Os benefícios da análise de dados e do aprendizado de máquina são muitos para os clientes finais. Em primeiro lugar, a receita pode ser aumentada melhorando o rendimento do sistema de AGV, ou seja, ao mover mais mercadorias com mais rapidez. Em segundo lugar, o tempo de inatividade inesperado e oneroso é minimizado pela manutenção preventiva. E, por fim, a hiperautomatização da configuração do sistema contribui para a redução do tempo de instalação.
Experiência de IA de longa data
A Kollmorgen está no ramo de IA há mais tempo do que a maioria das empresas. O conceito dos AGVs sempre foi ensinar robôs a resolver tarefas complexas sem supervisão humana. Isso é a IA em seu sentido clássico. Por exemplo, a otimização da rota que coordena os AGVs é baseada no algoritmo A*, que tem sido um componente básico da Inteligência Artificial por décadas.
Os programadores da Kollmorgen desenvolvem e implementam o algoritmo de IA, dando ao computador instruções claras, passo a passo, sobre como ele deve pensar. É esse tipo de IA que está por trás do nosso sucesso. Seja abrindo caminho para a flexibilização dos AGVs ao ser pioneira na tecnologia de navegação a laser na década de 1990, ou lidando com segurança com uma frota de mais de 100 veículos em um único local na década de 2000, a IA continua a ser a espinha dorsal da tecnologia que oferecemos hoje.
O aumento da agitação em torno da Inteligência Artificial nos últimos anos tem se concentrado muito na percepção visual. A razão para isso não é o progresso na teoria da Inteligência Artificial em si, mas tem mais a ver com melhorias na capacidade de processamento dos computadores. Isso permitiu o uso de modelos complexos de aprendizado de máquina em aplicativos do mundo real, como a detecção de objetos. Da perspectiva do robô móvel (AGV), ter mais maneiras de perceber e entender o ambiente permite que o robô tome decisões mais inteligentes. Por exemplo, a Kollmorgen usa o aprendizado de máquina na forma de redes neurais para detectar humanos e estimar sua posição, para que o robô possa determinar de forma autônoma qual direção dirigir para melhor evitar o humano.
O aprendizado de máquina também é uma parte importante da análise de dados, por exemplo, ao construir modelos estatísticos para entender o que é normal e anormal nas operações diárias de uma instalação ou ao prever a vida útil restante de um componente do AGV.
Criação de um círculo positivo
O aprendizado de máquina se baseia essencialmente em dois pilares: automação e dados. Uma vez que os dois amplificam um ao outro, essa combinação se perpetua de forma automática. Mais automação produz mais dados, e mais dados fornecem modelos de aprendizado de máquina mais competentes, o que permite mais automação. Isso oferece uma abordagem intuitiva para a inteligência artificial, onde você pode começar com um baixo grau de automação, focando em problemas simples com limites claros. Ao mesmo tempo, você está coletando dados, permitindo aplicações mais desafiadoras. Dessa forma, o usuário tem a chance de confiar gradualmente à IA uma responsabilidade maior à medida que ela aprende. O grau crescente de automação significa que cada vez mais decisões são tomadas pelas máquinas, economizando tempo e recursos.