John Deere gebruikt AI om letselporositeit bij lassen op te lossen

Lassen is een integrale onderdeel van de zware apparaten productie-industrie, en een van de uitdagingen waar technici tijdens het lassen mee te maken hebben, is porositeit – de aanwezigheid van kaviteiten in het letselmetaal.

Deze kaviteiten verzwakken de letselsterkte en vereisen herwerk of zelfs het scrappen van het hele defecte onderdeel.

Dit kan duur en tijdrovend zijn. Hoewel opgeleide letselingenieurs porositeit kunnen detecteren met auditieve en visuele inspectie, zijn deze ingenieurs moeilijk te vinden. Ze kunnen ook moeite hebben met horen of zien van defecten in luid en rookvolle fabrieksomstandigheden.

Bestaande geautomatiseerde monitoringssystemen ervaren vaak een hoog percentage vals-positieven, wat de productie vertraagt en kosten toevoegt.

John Deere, die landbouw-, bouw- en bosmachines fabriceert, ging een samenwerking aan met Intel om een kunstmatige intelligentie (AI)-gebaseerde oplossing voor dit probleem te bouwen.

Machine vision-oplossingen zijn lang moeilijk te creëren voor letseltoepassingen vanwege extreem zware omstandigheden met rook en vonken die moeilijkheden bij cameraplaatsing kunnen opleveren.

Om deze uitdagingen te overwinnen, werkten we met John Deere en onze partners aan een AI-oplossing met een camera in nabijheid van de letsel, die inzichten biedt buiten de mogelijkheden van het menselijke oog.

Door gebruik te maken van de Intel OpenVINO (Visual Inference and Neural Network Optimization) toolkit, onderzoekt de oplossing de streaming video frame voor frame, op zoek naar defecten.

Wanneer defecten geïdentificeerd worden door het AI-model, schakelt de oplossing de letselrobot direct uit zodat een technicus veilig kan ingrijpen. Eerdere pogingen in de industrie om letselporositeitskwesties tijdens het letselproces aan te pakken, zijn niet altijd succesvol geweest. Als deze fouten later in het productieproces worden ontdekt, vereisen ze herwerk of zelfs het scrappen van volledige assemblages, wat verstorend en duur kan zijn.

Gebaseerd op onze pilot met Deere, kan de oplossing porositeitsdefecten detecteren met tot 97,14 procent nauwkeurigheid – een enorme kosten- en productiviteitsbesparing voor fabrikanten. De stand-alone oplossing heeft geen afhankelijkheid van enige derde-partij voeding of het letselrobotmodel, wat het echt schaalbaar maakt.

Letskwaliteitsuitdagingen zijn natuurlijk niet uniek voor John Deere. Wat uniek is, is Deere's benadering. Ingenieurs bij het bedrijf grijpen AI en machine vision aan om kwaliteitsinspectie te automatiseren, waardoor ze problemen kunnen detecteren zodra ze gebeuren om snelle besluitvorming op de shopfloor te drijven, het QA-proces te automatiseren om kwaliteit te verbeteren, kosten te verlagen en de fabrieksdoorvoer te verhogen.

Terwijl we met Deere werkten, was onze focus om de levensduur van de oplossing te garanderen om andere kwaliteits- of efficiëntiebehoeften die het bedrijf in de toekomst zou kunnen hebben, te ondersteunen.

Dit is een grote les voor bedrijven die intelligentie willen toevoegen aan bestaande productieapparatuur, processen en management. Het is vitaal om te partneren met oplossingsleveranciers die vandaag de uitdagingen kunnen helpen oplossen terwijl ze interoperabiliteit en schaalbaarheid voor flexibiliteit en gemak van gebruik voor de toekomst garanderen.

"Lassen is gecompliceerd. Deze AI-oplossing heeft het potentieel om ons te helpen onze ... machines efficiënter te produceren dan voorheen," zei Andy Benko, kwaliteitsdirecteur in Deere's construction & forestry unit.