AI Verbetert Automotive Kwaliteitscontrole: Defecten Sneller en Nauwkeuriger Opsporen

Machines leren afwijkingen in-proces en end-of-line te detecteren

Wanneer een nieuw voertuig van de productielijn rolt, gebruiken sommige automakers virtuele ogen om de finale inspectie te doen om kwaliteit te waarborgen en te zorgen dat het product vrij is van krassen, beuken en lekkages.

Achter die "ogen" zitten kunstmatige intelligentie (AI) en subset, machine learning (ML). Deze technologieën worden ook ingezet in geautomatiseerde computer imaging technologie van UVeye, Tel Aviv-Jaffa, Israël. Naast AI, voeren het bedrijfseigen algoritmen, cloud-architectuur en sensorfusie complete voertuigcontroles binnen seconden uit en wijzen ze defecten aan.

"De machine learning en AI zijn al getraind," zei David Oren, chief strategy officer bij het bedrijf, merkend dat het ML-algoritme was ontwikkeld met 1 triljoen afbeeldingen. "De operator moet echter handmatig eventuele fouten corrigeren."

In de productie heeft UVeye's diep leer-gedreven inspection-as-a-service unified platform het potentieel om in-line inspectie uit te voeren, maar de startup richt zich nu op de end-of-line kwaliteitscontrole, zei Oren.

Naarmate het gebruik van AI in de productie groeit, draagt het bij aan hogere kwaliteit onderdelen met visie-inspectiesystemen zoals die van UVeye die een operator waarschuwen voor problemen. Sommige oplossingen kunnen een signaal naar een machine sturen om te stoppen wanneer een probleem wordt gedetecteerd.

Te overwinnen zijn nog steeds fragmentaire softwareproducten die data verzamelen en analyseren van slechts een deel van een lijn; heterogene dataformaten; en technologieën van verschillende leveranciers die moeilijk te integreren zijn, zei Dean Phillips, innovatiestrategist en sales engineer, Link Electric & Safety Control Co., Nashville, Tenn.

"Waarschijnlijk het moeilijkste is het integreren" van dergelijke gevarieerde producten, zei Phillips. "Op dit moment is de grootste uitdaging die ik zie dat ze allemaal standalone systemen zijn. Ze omvatten nog niet de volledige scope. Dat wil niet zeggen dat het niet komt, maar op dit moment is dat een van de grootste uitdagingen."

Geen Vervanging Nog voor Domeinkennis

Predictronics Corp., Cincinnati, biedt een voorbeeld van hoe hun predictive quality oplossing een ovenfabrikant hielp. Terwijl rollen bladstaal hun weg baanden door een vormmachine, had de ovenfabrikant gegrubeld over een kwaliteitsprobleem met het proces. De taak van de machine is om de ribben te persen die een rek opporen als het in een ovencaviteit glijdt. Het probleem was dat de ribben begonnen te barsten tijdens het vormproces. In hun pogingen om te ontdekken wat er mis was, en uiteindelijk het probleem op te lossen, belde de fabrikant Predictronics.

De datawetenschappers bij Predictronics analyseerden de relevante informatie van de machine en gebruikten een heatmap om een relatie te leggen tussen het barsten van de ribben en de processtemperatuur. Ze konden aantonen dat barsten waarschijnlijker was bij een lagere systeemhitte, buiten het bereik waar het gevormde bladstaal intact zou blijven.

In één implementatie van de Predictronics-oplossing, was de ovenfabrikant in staat om problemen te detecteren met 88 procent precisie (het percentage voorspelde barsten die daadwerkelijk barsten waren) en 66 procent recall (het percentage daadwerkelijke barsten dat voorspeld werd).

"Wanneer we met een klant werken aan predictive quality, zullen we hun procesdata analyseren en een gezondheidsmodel ontwikkelen om die parameters over tijd te meten en te herkennen wanneer een potentiëel problematische trend optreedt en in staat zijn om een soort voorwaarschuwing te geven," zei Patrick Brown, Predictronics' chief financial officer. "We kunnen je helpen om niet zoveel testen of zoveel visuele inspectie van je producten te hoeven doen en die producten als kwaliteit te infereren op basis van de procesparameters."

Het proces helpt ook schroot, verspilde productietijd op een product dat al slecht is en garantieclaims door slechte kwaliteit te verminderen.

Meestal als men kijkt naar de procesparameters, of het nu positie, stroomsnelheid, druk, temperatuur, of iets anders is, kijkt men naar afwijkingen van het normale gedrag. Het anomale gedrag kan toenames in magnitude zijn voor één parameter boven zijn typische waarde. Of het kan de relatie tussen twee parameters zijn.

"Laten we zeggen temperatuur stijgt met druk typisch, maar ineens stijgt temperatuur maar druk daalt," zei David Siegel, Predictronics' chief technology officer. "Dus het kan trends zijn buiten zijn typische waarde, maar ook veranderingen in correlaties zoals het druk en temperatuur voorbeeld. Door de relaties te vinden en het proces over tijd te monitoren, kunnen die anomaliën gerelateerd worden aan issues in het proces die resulteren in slechte kwaliteit."

Wanneer AI Toepassen?

Predictronics' aanpak is om een criticaliteitsanalyse te doen. Voor predictive quality, zouden ze kijken naar welke machines de meeste schroot of kwaliteitsgerelateerde issues hebben. Ze werken hand in hand met de klant om te begrijpen vanuit een engineering- en productieperspectief welke processen het meest problematisch zijn. Het kan zelfs een mengeling zijn van vertrouwen op de ervaring van de klant en het gebruik van data.

"Sommige klanten meten mogelijk alleen kwaliteit aan het einde van de lijn," zei Siegel. "In dat geval moet je vertrouwen op hun ervaring in termen van welk proces het meest belangrijk kan zijn in termen van kwaliteit."

Voor een nieuwe lijn of een lijn zonder issues, zijn er ten minste een paar benaderingen.

Als het een nieuwe lijn is, zouden de datawetenschappers kijken naar een vergelijkbare lijn of een lijn met vergelijkbare processen voor vergelijking en dan de ervaring van die operators benutten over welke issues het meest problematisch mochten zijn geweest.

"Of het kan gebaseerd zijn op de volwassenheid van je IoT-systeem," zei Siegel. "Welke heeft de meeste data? Dat kan een andere goede plek zijn om te beginnen, omdat je genoeg transparantie zult hebben om dat proces nauwkeuriger te monitoren dan andere delen van een nieuwe lijn waar je misschien niet veel data van het proces hebt om te monitoren."

Of, de beslissing kan gebaseerd zijn op domeinkennis. Sommige processen hebben bijvoorbeeld veel variabiliteit. Zelfs met machines die data produceren en wetenschappers die het analyseren voor betere resultaten, telt domeinkennis nog steeds veel.

"We hebben een klant die precies wist hoe de parameter eruit moest zien," zei Brown. "Ze wisten precies welke drempels te zetten en waar ze te zetten en welke parameters te bekijken - ze waren zo intiem met het proces. Iemand als die van de klant in het team te hebben is echt waardevol."

Predictronics probeert domeinkennis in hun modellen te bouwen als een oudere, meer ervaren generatie uit de productie verdwijnt en een nieuwe generatie opkrijgt.

In het geval van een nieuwe lijn, is een benadering om AI toe te passen waar de meeste kansen liggen. Is er een kans dat een deel van het geïnstrumenteerd kan worden?

"Er zijn gevallen in het verleden geweest waar de machine of het proces zich niet laat instrumenteren in termen van hoe het productieproces is ontworpen," zei Edzel Lapira, Predictronics' CEO.

Voor data van uiteenlopende systemen, zei Lapira dat er verschillende manieren zijn om het te integreren. "De makkelijkste is database-integratie," zei hij. "Er zijn verschillende protocollen die het toestaan om data van een databron naar een data lake te forceren. Voor werktuigmachines zijn er protocollen zoals OPC-UA en MTConnect die al beschikbaar zijn, zodat je data van een machine naar applicaties zoals de onze of verschillende dashboarding kunt krijgen."

Machineproblemen Voorspellen Helpt Kwaliteit

BC Machining LLC, Brasstown, Ohio, een metaalbewerker die CNC-machines en technologie zoals dataverzameling, machine learning en edge computing gebruikt, produceerde veel te veel schroot. Om productiedoelen te halen, liepen ze hun machines op 200 procent capaciteit, en hadden ze veel gebroken frezen om aan de schroothoop toe te voegen.

"We zouden vaak een derde van onze shift aan onderdelen verliezen, niet te spreken over het besteden van ten minste een uur aan het sorteren door onderdelen om de schroot te identificeren," zei Mike Driskell, BC Machining's manufacturing engineer, in een case study.

Voor hulp keerde het bedrijf zich tot de adaptieve gereedschapsmonitoring oplossing van MachineMetrics, Northampton, Mass.

"Het is adaptief in de zin dat een verandering op de machine plaatsvindt om schroot te voorkomen zonder operator-interactie," zei Bill Bither, co-founder en CEO van MachineMetrics. "Dit heeft onze klanten honderdduizenden dollars bespaard en hen in staat gesteld om lights-out te draaien."

MachineMetrics' AI-gedreven software was getraind om machine tool failures te voorspellen, diagnosticeren en voorkomen door autonoom een feedhold te implementeren op BC Machining's STAR machines. Het stopte de CNCs wanneer onderdeelfout dreigde. Op die manier kon de frezen proactief worden gewisseld, voordat een onderdeel met slechte kwaliteit geproduceerd werd dat weggegooid moest worden.

"Sinds het gebruik van MachineMetrics' predictive tool breakage technology, is die afval geëlimineerd," zei Driskell. "De besparingen aan onze Swiss draaimachines zijn monumentaal, om het zo te zeggen."

MachineMetrics verkent met sommige klanten het gebruik van een robotarm om de beschadigde of versleten tool te wisselen in plaats van een interne toolwisselaar. Betaalbare technologie voor automatische wissel begint te bestaan. Nu, hoewel, moet het specifieke typen machines zijn, zei Bither.

"Onze klanten zijn er echt geïnteresseerd in, maar we staan een beetje op de rand of het de moeite waard is of niet," zei hij. "Op dit moment zou het de moeite waard kunnen zijn als je een tweejaarscontract hebt, omdat de prijs zo hoog is. We zien dat als iets dat in de toekomst gemeengoed zal worden."

MachineMetrics' tool monitoring oplossing was in staat de signalen op BC Machining's Star SR-20 CNCs te identificeren vóór catastrofale tool failures plaatsvonden. Het detecteerde ook een voorspelbaar patroon. De software was in staat om met bijna perfecte nauwkeurigheid aan te geven wanneer een machine tool waarschijnlijk zou faillen.

Bovenal produceert BC Machining kwaliteitsonderdelen. "Ik geloof dat het primaire use case voor het voorspellen van problemen op machines kwaliteit is," zei Bither. "Er is ook predictive maintenance, maar ik zie het detecteren van kwaliteitsissues vaak als de hogere waardepropositie."

Deel van de besparingen die BC Machining realiseerde komt door frezen hun volledige leven te laten duren en ze niet zo vaak te wisselen, wat het voordeel heeft van het verhogen van machine uptime. "Meeste fabrikanten wisselen tools gebaseerd op het aantal gelopen onderdelen," zei Bither. "Dat zien we bij veel van onze klanten, dat ze tools weggooien die nog veel leven hebben, misschien 50 procent of meer."

Hij legde uit dat MachineMetrics' tool monitoring software werkt met data vastgelegd op zeer hoge frequenties van 1.000-10.000 keer per seconde. Typische machine monitoring systemen halen data op 1 Hz, of één keer per seconde, zei hij.

"Duizend keer per seconde is opvallend omdat het meer capaciteiten, verwerking en analytics vereist," zei Bither.

Zijn bedrijfsoplossing verzamelt data van de verschillende motoren op een machine, normaliseert de informatie dan tot een kerncomponent die ze "snijmoment" noemen.

"En het snijmoment stelt ons in staat om de slijtage van een CNC-snijgereedschap te zien," zei Bither. "En wat dat doet, dat data-item dat we toegankelijk hebben gemaakt voor CNC-machines, stelt ons in staat om te bepalen of er een anomalië in het bewerkingsproces is en scheuren in het gereedschap, slijtage in het gereedschap en eventuele issues die in de snijoperatie kunnen worden gezien te detecteren.

"We kunnen in sommige gevallen een falen voorspellen, waar we beginnen de belasting op dat gereedschap of enkele anomaliën in die data te zien die wijzen op een probleem, of we kunnen onmiddellijk bepalen wanneer een onderdeel geproduceerd is of er een probleem is waar die mogelijk een schrootonderdeel zou zijn."

Hulp Voor Meer Dan Alleen CNCs

"We begonnen met precisiemetaalproductie, dus we zijn diep gegaan in het bouwen van algoritmen eromheen die toegepast kunnen worden op de duizend machines waar we mee verbonden zijn. Maar we hebben het ook makkelijk gemaakt om verbinding te maken met metaalbewerkingsapparatuur, lasmachines, plastic injectiegieten, eigenlijk elk type discrete productieapparatuur," zei Bither.

Ook maakt het bedrijf de data die het verzamelt beschikbaar, dus als een klant een team van datawetenschappers of productie-ingenieurs heeft en ze willen die data gebruiken om de lijn als geheel echt te bekijken, kunnen ze.

"Daar kun je extra mogelijkheden op bouwen bovenop wat we out-of-the-box bieden," zei Bither. "We bieden een platform voor hen om die algoritmes direct aan de edge te deployen waar ze eigenlijk de data die we voor hen vastgelegd hebben nemen, die data verrijken, op een of andere manier verwerken en de resultaten daarvan worden naar ons platform gestuurd waar je workflows kunt opbouwen om onderhoud of kwaliteit te notificeren of zelfs de machine te bevelen te stoppen."

Vragen Checklist Sorteert Leveranciers

Fabrikanten die rondkijken naar een AI-oplossingsleverancier, zouden hun deugdelijkheid moeten doen om de juiste fit te vinden. Het helpt om de juiste vragen te stellen, zeiden de experts bij Predictronics:

Waar zijn jullie diensten eerder gebruikt? Zijn ze gebruikt voor predictive quality toepassingen in de productie?

Heeft jullie oplossing een duidelijke verbetering op de bedrijfsoperaties getoond in termen van reductie in schroot en verbetering in kwaliteit?

Heeft jullie team industriële domeinkennis?

Werkt jullie oplossing met zowel sensor/procesdata en kwaliteitsdata, en integreert beide databronnen?

Gebruikt jullie oplossing machine learning? Omvat dit zowel unsupervised als supervised machine learning modellen?

Hoeveel data vereist het voor het trainen van het model?

Heeft het alleen data van een gezond proces nodig of data van toen het proces niet gezond was en schroot produceerde?

Vereist jullie oplossing kwaliteitsdata van alle onderdelen, of kan het werken als kwaliteit alleen gemeten wordt voor een subset van de onderdelen?