Primer dobre prakse 1: Izkušnje financiranja digitalizacije v industriji - projekt JUMP,  Bernarda Uršič Steiner in Bogo Miklavčič, Kolektor d.d. 

Kolektor ima v strateškem planu na vseh nivojih krepko povečati stopnjo digitalizacije. S projektom JUMP, ki je bil sofinanciran iz Načrta za okrevanje in odpornost, je Kolektorju in partnerjem v konzorciju, omogočil pospešen razvoj nekaterih ključnih strateških področij digitalizacije. Ključni rezultati projekta so bili digitalizacija zajema podatkov v proizvodnji, shranjevanje podatkov za namen sledljivosti proizvodnje ter za namen prediktivnega napovedovanja dogodkov in bodočih potreb v procesih od prodaje, preko nabave do proizvodnje. S pomočjo vzpostavitve digitalnih povezav med različnimi, do tedaj nepovezanimi IS, so bili občutno skrajšani časi in odpravljene možnosti za napake. Digitalizirani in avtomatizirani so bili procesi na področju razvoja, kakovosti, proizvodnje, logistike in kadrovskih zadev. Obveze poročanja ministrstvu predstavljajo določene breme, po drugi strani pa dani roki predstavljajo tudi spodbudo in zavezo za njihovo izvedbo. Sodelovanje v projektu je bilo zelo koristno za vse partnerje konzorcija. Audax in Špica sta nas podprla na razvojnem delu, s podjetjem Domel pa smo si predvsem izmenjevali izkušnje in poglede na posamezne rešitve saj uporabljamo podobno IT infrastrukturo.

Primer dobre prakse 2: Uporaba FMEA metode za zniževanje stroškov, Sebastjan Kotnik, specialist strojnih ved, TECOS d.o.o.

Metoda FMEA (Failure Mode and Effect Analysis) in analiza s končnimi elementi (FEM - Finite Element Method) sta ključna orodja v inženirstvu za prepoznavanje in analizo napak v sistemih ter simulacijo njihovih odzivov pod različnimi pogoji. FMEA omogoča prepoznavanje morebitnih napak v procesu ali produktu ter oceno njihovih posledic, kar pomeni, da nam pomaga zniževati tudi stroške. Pa metodo dovolj pogosto uporabljamo v podjetjih in praksi? In kaj se zgodi, če inženirji v metodo vključimo tudi umetno inteligenco? Lahko AI postane moderator vršenja te metode?

Primer dobre prakse 3: Digitalni dvojček vročega valjanja, prof. dr. Goran Kugler, NTF-OMM, Univerza v Ljubljani in dr. Tomaž Šuštar, C3M d.o.o.  

V sodelovanju z podjetjem SIJ Acroni smo razvili digitalni dvojček vroče valjarne v katerem smo združili sklopljene modele celotne termo-mehanske  procesne poti materiala. Modeli obravnavajo proces na različnih dimenzijskih skalah (makro/mikro) in so med seboj povezani v avtomatizirano integrirano rešitev. Izmenjava vseh informacij, vzpostavitve in izračuni modelov potekajo popolnoma avtomatsko na računskih strežnikih. Uporabniški vmesnik digitalnega dvojčka se ne razlikuje od tehnološkega uporabniškega vmesnika. Vsa numerično fizikalna kompleksnost programske rešitve je tako za uporabnika povsem transparentna in ne zahteva nobenega dodatnega predznanja o modeliranju. Digitalni dvojček omogoča celostno obvladovanje tehnologije valjanja v vročem, njeno optimizacijo in razvoj novih produktov.

Primer dobre prakse 4: Vizualna kontrola kompleksnih plastičnih površin z uporabo umetne inteligence, Peter Kosin, direktor INEA d.o.o.  

INEA si prizadeva spodbujati implementacijo umetne inteligence (UI) v industriji, njene prebojne rešitve pa so med prvimi primeri uporabe te tehnologije v slovenskih proizvodnih obratih. Največji potencial UI opaža na področju predikcij v energetiki, prediktivnega vzdrževanja sistemov ter kontrole kakovosti na proizvodnih linijah v realnem času. S pomočjo UI lahko odkrijemo napake in anomalije tudi na t. i. »kozmetičnih površinah« produktov, kar zagotavlja večjo natančnost, hitrost in stroškovno učinkovitost.

Za Plastiko Skaza so razvili tehnologijo avtomatizirane vizualne kontrole kakovosti na liniji kompleksnega 3-komponentnega plastičnega ohišja plinskega merilnika. Ker je celostni pregled vizualne sprejemljivosti kosa z zelo razgibanimi površinami analitično težko opisljiv, so se odločili za uporabo umetne inteligence (AI), segmentacijskega dela modela YOLO, ki omogoča hitro in stabilno prepoznavanje in klasifikacijo segmentiranih delov slik. Model globokega učenja zazna tudi najmanjše napake na površinah in omogoča prilagoditev meja glede na velikost in kontrast posamezne napake glede na bližjo okolico.

Primer dobre prakse 5: Odkrivanje anomalij in izboljšanje nadzora kakovosti proizvodne linije s pomočjo umetne inteligence, Matija Mencinger, vodja proizvodnje, Belinka Perkemija kemična industrija, d.o.o. in Klemen Rizman, vodja R&D, CREAPLUS d.o.o.

Belinka Perkemija, vodilni proizvajalec kemikalij v Sloveniji in član Skupine Kansai Helios, je v sodelovanju s podjetjem CREAPLUS uspešno uvedla metode umetne inteligence(UI) v svojo proizvodno linijo. Namen nove platforme, ki temelji na UI, je v Belinki Perkemiji zmanjšati izpade in predhodno zaznati več kot 90% prehodov v alarmantna stanja, kar posledično znatno izboljša učinkovitost, ki se izraža v stabilnosti in konsistentnosti proizvodne linije. Obstoječi naročnikovi meritveni pristopi ne omogočajo zaznave trendov nestabilnosti proizvodne mešanice, kar lahko ogrozi neprekinjen (24/7) proizvodni proces. Rešitev omogoča znatno zgodnejšo zaznavo in možnost proaktivnega ukrepanja, kar vodi v stabilizacijo proizvodnega procesa, preden preide v alarmantno stanje. Belinka Perkemija s tem projektom uresničuje svoje cilje glede neprekinjenosti proizvodnje; CREAPLUS pa krepi svojo pozicijo kot vodilni inovator in razvijalec rešitev umetne inteligence za optimizacijo industrijskih procesov. 

Primer dobre prakse 6: V usklajevanju