ИИ улучшает контроль качества в автопроме: быстрее и точнее обнаруживает дефекты

Машины могут учиться выявлять аномалии в процессе и на конечной линии

Когда новый автомобиль сходит с конвейера, некоторые автопроизводители используют виртуальные комплекты глаз для финальной инспекции, чтобы обеспечить качество и убедиться, что продукт свободен от царапин, вмятин и течей.

За этими «глазами» стоят искусственный интеллект (ИИ) и его подмножество — машинное обучение (МО). Эти технологии также применяются в автоматизированной компьютерной системе визуализации от UVeye, Тель-Авив-Яфо, Израиль. Помимо ИИ, проприетарные алгоритмы компании, облачная архитектура и сенсорный фьюжн выполняют полную проверку автомобиля за секунды и указывают на дефекты.

«Машинное обучение и ИИ уже обучены», — сказал Дэвид Орен, директор по стратегии компании, отмечая, что алгоритм МО был разработан с использованием 1 триллиона изображений. «Однако оператору приходится вручную исправлять любые ошибки».

В производстве платформа единого инспектирования как услуги на основе глубокого обучения UVeye имеет потенциал для проведения поконвейерной инспекции, но стартап сейчас фокусируется на контроле качества на конечной линии, сказал Орен.

По мере роста использования ИИ в производстве он способствует производству деталей более высокого качества с системами визуального контроля, такими как у UVeye, которые оповещают оператора о проблемах. Некоторые решения могут посылать сигнал станку остановиться при обнаружении проблемы.

Тем не менее, преодолеть пока не удается фрагментированные программные продукты, собирающие и анализирующие данные только с части линии; гетерогенные форматы данных; и технологии от разных поставщиков, которые трудно интегрировать, сказал Дин Филлипс, стратег инноваций и инженер по продажам, Link Electric & Safety Control Co., Нэшвилл, Теннесси.

«Вероятно, самая сложная часть — интеграция таких разнородных продуктов», — сказал Филлипс. «Прямо сейчас самая большая проблема, которую я вижу, — это то, что они все автономные системы. Они еще не полностью охватывают весь объем. Это не значит, что это не придет, но прямо сейчас это одна из самых больших проблем».

Пока нет замены предметной экспертизе

Predictronics Corp., Синциннати, предлагает пример того, как их предиктивное решение качества помогло производителю духовок. Пока рулоны листовидной стали продвигались через формовочный станок, производитель духовок долго мучился над проблемой качества процесса. Задача станка — выпрессовать ребра, которые держат решетку, когда она выдвигается в полость духовки. Проблема заключалась в том, что ребра начали трескаться в процессе формовки. В попытках выяснить, что не так, и в конечном счете исправить проблему, производитель обратился к Predictronics.

Ученые-данные Predictronics проанализировали релевантную информацию со станка и использовали тепловую карту для установления связи между трещинами в ребрах и температурой процесса. Они смогли показать, что трещины более вероятно возникают при более низком системном тепе, вне диапазона, где формованная листовая сталь оставалась целой.

В одном развертывании решения Predictronics производитель духовок смог обнаружить проблемы с точностью 88 процентов (процент предсказанных трещин, которые действительно были трещинами) и полнотой 66 процентов (процент фактических трещин, которые были предсказаны).

«Когда мы работаем с клиентом над предиктивным качеством, мы анализируем их процессные данные и разрабатываем модель здоровья для измерения этих параметров во времени и затем распознаем, когда происходит потенциально проблемная тенденция, и можем дать некоторое предварительное предупреждение», — сказал Патрик Браун, финансовый директор Predictronics. «Мы можем помочь вам избежать столько тестирования или визуального инспектирования ваших продуктов и выводить их качество на основе процессных параметров».

Процесс также помогает сократить брак, потерянное производственное время на продукте, который уже бракован, и гарантийные претензии, вызванные плохим качеством.

Обычно, если смотреть на процессные параметры — позицию, расход, давление, температуру или что-то еще — ищут отклонения от нормального поведения. Аномальное поведение может быть увеличением величины одного параметра над его типичным значением. Или это может быть отношение между двумя параметрами.

«Допустим, температура обычно растет с давлением, но вдруг температура растет, а давление падает», — сказал Дэвид Сигел, технический директор Predictronics. «Так что это может быть тренды за пределами типичных значений, но также изменения в корреляциях, как в примере с давлением и температурой. Находя отношения и мониторя процесс во времени, эти аномалии можно связать с проблемами в процессе, приводящими к плохому качеству».

Когда применять ИИ?

Подход Predictronics — проводить критический анализ. Для предиктивного качества они ищут, у каких станков больше всего брака или проблем, связанных с качеством. Они работают рука об руку с клиентом, чтобы понять с инженерной и производственной точек зрения, какие процессы самые проблемные. Это может быть даже смесь опирания на опыт клиента и использование данных.

«Некоторые клиенты могут измерять качество только в конце линии», — сказал Сигел. «В этом случае вы должны опираться на их опыт в терминах того, какой процесс может быть самым важным с точки зрения качества».

Для новой линии или линии без проблем есть как минимум пару подходов.

Если это новая линия, ученые-данные поищут похожую линию или линию с похожими процессами для сравнения, а затем воспользуются опытом тех операторов, какие проблемы могли быть самыми проблемными.

«Или это может быть основано на зрелости вашей IoT-системы», — сказал Сигел. «У какой больше всего данных? Это может быть еще одним хорошим местом для старта, потому что у вас будет достаточно прозрачности для мониторинга этого процесса более точно, чем других частей новой линии, где у вас может не быть много данных от процесса для мониторинга».

Или решение может быть основано на предметной экспертизе. Например, некоторые процессы имеют большую изменчивость. Даже с машинами, производящими данные, и учеными, анализирующими их для лучших результатов, предметная экспертиза все еще значит много.

«У нас был клиент, который точно знал, как должен выглядеть параметр», — сказал Браун. «Они точно знали, какие пороги установить и где их установить и на какие параметры смотреть — они были настолько интимны с процессом. Так что наличие такого человека от клиента в команде действительно ценно».

Predictronics пытается построить предметную экспертизу в своих моделях, пока более старое, опытное поколение уходит из производства, а новое поколение догоняет.

В случае новой линии один подход — применить ИИ там, где может быть наибольшая возможность. Есть ли шанс, что часть процесса может быть оснащена датчиками?

«Были случаи в прошлом, когда станок или процесс не позволял себя оснастить датчиками в терминах того, как спроектирован производственный процесс», — сказал Эдцель Лапира, CEO Predictronics.

Для данных из разрозненных систем Лапира сказал, что есть разные способы их интеграции. «Самый простой — интеграция баз данных», — сказал он. «Есть разные протоколы, которые позволяют заставить данные из источника данных в озеро данных. Для станков есть протоколы вроде OPC-UA и MTConnect, которые уже доступны, так что можно получать данные со станка либо в приложения вроде наших, либо в разные дашборды».

Предсказание проблем станков помогает качеству

BC Machining LLC, Браустаун, Огайо, металлообрабатывающий цех, использующий станки с ЧПУ и технологии вроде сбора данных, машинного обучения и периферийных вычислений, производил слишком много брака. Чтобы достичь производственных целей, они работали на станках на 200 процентов мощности и имели много сломанных фрез, добавляющих к куче брака.

«Мы часто теряли треть смены деталей, не говоря уже о трате как минимум часа на сортировку деталей для выявления брака», — сказал Майк Дрискелл, инженер по производству BC Machining, в кейс-стади.

За помощью компания обратилась к адаптивному решению мониторинга инструмента от MachineMetrics, Нортгэмптон, Массачусетс.

«Оно адаптивно в том смысле, что изменение происходит на станке для предотвращения брака без взаимодействия оператора», — сказал Билл Бизер, сооснователь и CEO MachineMetrics. «Это сэкономило нашим клиентах сотни тысяч долларов и позволило им работать без оператора».

ИИ-программное обеспечение MachineMetrics было обучено предсказывать, диагностировать и предотвращать поломки режущего инструмента за счет автономной реализации удержания подачи на станках STAR компании BC Machining. Оно останавливало ЧПУ, когда поломка детали была неизбежна. Таким образом, фрезу можно было заменить проактивно, до производства детали с плохим качеством, которую пришлось бы выбросить.

«С использованием предиктивной технологии поломки инструмента MachineMetrics этот брак был устранен», — сказал Дрискелл. «Экономия на наших швейцарских токарных станках была монументальной, чтобы сказать мягко».

MachineMetrics исследует с некоторыми клиентами использование роботизированной руки для замены поврежденного или изношенного инструмента вместо внутреннего сменщика инструментов. Доступная технология для автоматической смены начинает существовать. Сейчас, однако, она должна быть для конкретных типов станков, сказал Бизер.

«Наши клиенты действительно заинтересованы в этом, но мы на грани, стоит ли оно того или нет», — сказал он. «Прямо сейчас это может стоить того, если у вас двухлетний контракт, потому что цена так высока. Мы видим это как то, что станет обычным в будущем».

Решение мониторинга инструмента MachineMetrics смогло идентифицировать сигналы на станках Star SR-20 CNC компании BC Machining до катастрофических поломок инструмента. Оно также обнаружило предсказуемый паттерн. Программное обеспечение смогло указать с почти идеальной точностью, когда станочный инструмент, вероятно, выйдет из строя.

Выше всего, BC Machining производит качественные детали. «Я верю, что основной сценарий использования предсказания проблем на станках — это качество», — сказал Бизер. «Есть также предиктивное обслуживание, но я вижу обнаружение проблем с качеством часто как более ценное предложение».

Часть экономии, реализованной BC Machining, получена от использования фрез до конца их срока службы и не замены их так часто, что имеет дополнительное преимущество увеличения времени работы станка. «Большинство производителей меняют инструменты на основе количества обработанных деталей», — сказал Бизер. «Это то, что мы видим во многих наших клиентах — они выбрасывают инструменты, у которых еще много жизни, может быть, 50 процентов или больше».

Он объяснил, что программное обеспечение мониторинга инструмента MachineMetrics работает с данными, захваченными на очень высоких частотах 1000–10 000 раз в секунду. Обычно системы мониторинга станков извлекают данные на 1 Гц, или один раз в секунду, сказал он.

«Тысяча раз в секунду заметна, так как требует больше возможностей, обработки и аналитики», — сказал Бизер.

Их решение собирает данные от различных двигателей на станке, затем нормализует информацию к ключевому компоненту, который они называют «крутящий момент резания».

«И крутящий момент резания позволяет нам видеть износ режущего инструмента ЧПУ», — сказал Бизер. «И что это делает, этот элемент данных, который мы сделали доступным для станков с ЧПУ, позволяет нам определить, есть ли аномалия в процессе механической обработки и обнаружить трещины в инструменте, износ инструмента и любые проблемы, которые могут быть видны в резательной операции.

«Мы можем либо предсказать отказ в некоторых случаях, где мы начинаем видеть нагрузку на этот инструмент или некоторые аномалии в этих данных, указывающие на проблему, либо мы можем немедленно определить, когда деталь произведена, есть ли проблема, где это может быть бракованная деталь».

Помощь не только для ЧПУ

«Мы начали с точного металлообработки, так что мы углубились в создание алгоритмов вокруг этого, которые могут быть применены к тысяче станков, к которым мы подключены. Но мы также сделали легко подключаться к металлообрабатывающему оборудованию, сварочным станкам, пластиковым прессовым формам, действительно любому типу дискретного производственного оборудования», — сказал Бизер.

Кроме того, компания делает собранные данные доступными, так что если у клиента есть команда ученых-данных или инженеров производства и они хотят использовать эти данные, чтобы действительно посмотреть на линию в целом, они могут.

«Именно там вы можете строить дополнительные возможности поверх того, что мы предлагаем из коробки», — сказал Бизер. «Мы предоставляем платформу для развертывания этих алгоритмов прямо на периферии, где по сути они берут данные, которые мы собрали для них, обогащают эти данные, обрабатывают их каким-то образом, а затем результаты этого отправляются на нашу платформу, где вы можете строить рабочие процессы для уведомления обслуживания или качества или даже инструктирования станка остановиться».

Чек-лист вопросов для отбора поставщиков

Производители, ищущие провайдера ИИ-решения, должны провести должную осмотрительность, чтобы найти правильный вариант. Помогает знать правильные вопросы для задавания, сказали эксперты Predictronics:

Где ваши услуги использовались раньше? Использовались ли они для предиктивных приложений качества в производстве?

Демонстрировало ли ваше решение четкое улучшение бизнес-операций в терминах сокращения брака и улучшения качества?

Есть ли у вашей команды предметная промышленная экспертиза?

Работает ли ваше решение и с сенсорными/процессными данными, и с данными качества, и интегрирует ли оно оба источника данных?

Использует ли ваше решение машинное обучение? Включает ли это как неконтролируемые, так и контролируемые модели машинного обучения?

Сколько данных требуется для обучения модели?

Нужны ли только данные от здорового процесса или данные от того, когда процесс был нездоров и производил брак?

Требует ли ваше решение данные качества со всех деталей, или оно может работать, если качество измеряется только для подмножества деталей?