AI Meningkatkan Kontrol Kualitas Otomotif: Mendeteksi Cacat Lebih Cepat dan Akurat

Mesin dapat belajar untuk mendeteksi anomali dalam proses dan akhir garis

Saat kendaraan baru keluar dari garis assembly, beberapa produsen mobil menggunakan kumpulan mata virtual untuk inspeksi akhir untuk memastikan kualitas dan memastikan produk bebas dari goresan, dedakan, dan kebocoran.

Di balik "mata" tersebut adalah kecerdasan buatan (AI) dan subsetnya, pembelajaran mesin (ML). Teknologi ini juga diterapkan dalam teknologi citra komputer otomatis dari UVeye, Tel Aviv-Yafo, Israel. Selain AI, algoritma milik perusahaan, arsitektur cloud dan fusasi sensor melakukan pemeriksaan kendaraan lengkap dalam detik dan menunjukkan cacat.

"Pembelajaran mesin dan AI sudah dilatih," kata David Oren, chief strategy officer di perusahaan, mencatat bahwa algoritma ML dikembangkan dengan 1 triliun citra. "Namun, operator harus secara manual memperbaiki kesalahan apa pun."

Dalam manufaktur, platform inspection-as-a-service terpadu yang didorong deep learning UVeye memiliki potensi untuk melakukan inspeksi inline juga, namun startup sekarang berfokus pada pemeriksaan kualitas akhir garisnya, kata Oren.

Seiring penggunaan AI tumbuh dalam manufaktur, ini berkontribusi pada bagian berkualitas lebih tinggi dengan sistem inspeksi visi seperti UVeye yang memberi tahu operator tentang masalah. Beberapa solusi dapat mengirim sinyal ke mesin untuk berhenti saat masalah terdeteksi.

Namun, yang belum dapat diatasi, adalah produk perangkat lunak yang bersambung yang mengumpulkan dan menganalisis data dari hanya sebagian garis; format data yang heterogen; dan teknologi dari vendor yang berbeda yang sulit diintegrasikan, kata Dean Phillips, strategis inovasi dan insinyur penjualan, Link Electric & Safety Control Co., Nashville, Tenn.

"Bagian yang paling sulit mungkin adalah mengintegrasikan" produk yang begitu bervariasi bersama-sama, kata Phillips. "Saat ini tantangan terbesar yang saya lihat di luar sana adalah mereka semua sistem mandiri. Mereka belum sepenuhnya mencakup cakupan. Ini bukan berarti itu tidak akan datang, namun saat ini itu adalah salah satu tantangan terbesar."

Belum Ada Pengganti untuk Pengetahuan Domain

Predictronics Corp., Cincinnati, menawarkan contoh bagaimana solusi kualitas prediktifnya membantu produsen oven. Saat gulungan baja lembaran bergerak perlahan melalui mesin forming, produsen oven telah merenungkan masalah kualitas dengan proses tersebut. Pekerjaan mesin adalah untuk menekan rusuk yang menopang rak saat itu melintasi rongga oven. Masalahnya adalah rusuk telah mulai retak selama proses forming. Dalam upaya untuk mengetahui apa yang salah, dan akhirnya memperbaiki masalah, produsen memanggil Predictronics.

Ilmuwan data di Predictronics menganalisis informasi yang relevan dari mesin dan menggunakan heat map untuk membangun hubungan antara retakan rusuk dan suhu proses. Mereka dapat menunjukkan bahwa retakan lebih mungkin terjadi pada suhu sistem yang lebih rendah, di luar rentang di mana baja lembaran yang dibentuk akan tetap utuh.

Dalam satu penerapan solusi Predictronics, produsen oven dapat mendeteksi masalah dengan 88 persen presisi (persentase retakan yang diprediksi yang sebenarnya retak) dan 66 persen recall (persentase retakan aktual yang diprediksi).

"Saat kita bekerja dengan pelanggan pada kualitas prediktif, kita akan menganalisis data proses mereka dan mengembangkan model kesehatan untuk mengukur parameter tersebut seiring waktu dan kemudian mengenali saat tren yang potensial bermasalah sedang terjadi dan dapat memberikan semacam peringatan awal," kata Patrick Brown, chief financial officer Predictronics. "Kami dapat membantu Anda untuk tidak melakukan begitu banyak pengujian atau begitu banyak inspeksi visual produk Anda dan menyimpulkan bahwa produk tersebut berkualitas berdasarkan parameter proses."

Proses ini juga membantu mengurangi sisa, waktu produksi yang terbuang pada produk yang sudah buruk, dan klaim garansi yang disebabkan oleh kualitas buruk.

Biasanya jika seseorang melihat parameter proses, apakah itu posisi, laju alir, tekanan, suhu, atau yang lainnya, dia mencari perampilan dari perilaku normal. Perilaku anomali dapat berupa peningkatan magnitudo untuk satu parameter di atas nilai tipikalnya. Atau bisa jadi hubungan antara dua parameter.

"Misalkan suhu biasanya meningkat dengan tekanan tetapi tiba-tiba suhu meningkat tetapi tekanan turun," kata David Siegel, chief technology officer Predictronics. "Jadi itu bisa jadi tren di luar nilai tipikalnya tetapi juga perubahan dalam korelasi seperti contoh tekanan dan suhu. Dengan menemukan hubungan dan memantau proses seiring waktu, anomali tersebut dapat dikaitkan dengan masalah dalam proses yang menghasilkan kualitas buruk."

Kapan Menerapkan AI?

Pendekatan Predictronics adalah melakukan analisis kritikalitas. Untuk kualitas prediktif, mereka akan mencari mesin mana yang memiliki sisa atau masalah terkait kualitas paling banyak. Mereka bekerja sama dengan pelanggan untuk memahami dari sudut pandang teknik dan manufaktur proses mana yang paling bermasalah. Ini bahkan bisa menjadi campuran dari pengalaman pelanggan dan penggunaan data.

"Beberapa pelanggan hanya mengukur kualitas di akhir garis," kata Siegel. "Dalam hal itu, Anda harus bergantung pada pengalaman mereka dalam hal proses mana yang mungkin paling penting dalam hal kualitas."

Untuk garis baru atau yang tidak ada masalah, ada setidaknya beberapa pendekatan.

Jika itu garis baru, ilmuwan data akan mencari garis yang serupa atau yang memiliki proses yang serupa untuk perbandingan dan kemudian memanfaatkan pengalaman operator tentang masalah apa yang mungkin paling bermasalah.

"Atau bisa jadi berdasarkan kematangan sistem IoT Anda," kata Siegel. "Yang mana yang memiliki data paling banyak? Itu mungkin tempat yang baik untuk memulai karena Anda akan memiliki transparansi yang cukup untuk memantau proses tersebut dengan lebih akurat dari bagian lain dari garis baru tempat Anda mungkin tidak memiliki banyak data dari proses untuk dipantau."

Atau, keputusan dapat didasarkan pada pengetahuan domain. Misalnya, beberapa proses memiliki banyak variabilitas. Bahkan dengan mesin yang menghasilkan data dan ilmuwan yang menganalikannya untuk hasil yang lebih baik, pengetahuan domain tetap sangat berharga.

"Kami memiliki pelanggan yang tahu tepat bagaimana parameter seharusnya terlihat," kata Brown. "Mereka tahu tepat ambang batas yang harus ditetapkan dan di mana harus ditetapkan dan parameter apa yang harus dilihat—mereka sangat intim dengan proses. Jadi memiliki seseorang seperti itu dari pelanggan di tim sangat berharga."

Predictronics mencoba untuk membangun pengetahuan domain ke dalam modelnya saat generasi yang lebih tua dan lebih berpengalaman pensiun dari manufaktur dan generasi baru mencoba untuk menyesuaikan.

Dalam kasus garis baru, satu pendekatan adalah menerapkan AI di mana mungkin ada peluang paling banyak. Apakah ada peluang bagian dari proses dapat diinstrumenkan?

"Ada kasus di masa lalu di mana mesin atau proses tidak memungkinkan dirinya untuk diinstrumenkan dalam hal cara proses manufaktur dirancang," kata Edzel Lapira, CEO Predictronics.

Untuk data dari sistem yang berbeda, Lapira kata ada berbagai cara untuk mengintegrasikannya. "Yang paling mudah adalah integrasi basis data," katanya. "Ada berbagai protokol yang akan memungkinkan seseorang untuk memaksa data dari sumber data ke data lake. Untuk mesin perkakas, ada protokol seperti OPC-UA dan MTConnect yang sudah tersedia sehingga Anda dapat mendapatkan data dari mesin ke aplikasi seperti kami atau dashboard yang berbeda."

Memprediksi Masalah Mesin Membantu Kualitas

BC Machining LLC, Brasstown, Ohio, pembuat logam yang menggunakan mesin CNC dan teknologi seperti pengumpulan data, pembelajaran mesin, dan komputasi edge, menghasilkan sisa terlalu banyak. Untuk mencapai target produksi, mereka menjalankan mesin mereka pada kapasitas 200 persen, dan memiliki banyak endmill yang rusak untuk ditambahkan ke tumpukan sisa.

"Kami sering kehilangan seperongan bagian dari shift kami, tidak perlu menyebutkan menghabiskan setidaknya satu jam untuk menyaring bagian untuk mengidentifikasi sisa," kata Mike Driskell, insinyur manufaktur BC Machining, dalam studi kasus.

Untuk bantuan, perusahaan beralih ke solusi pemantauan alat adaptif dari MachineMetrics, Northampton, Mass.

"Itu adaptif karena perubahan terjadi pada mesin untuk mencegah sisa tanpa interaksi operator," kata Bill Bither, pendiri dan CEO MachineMetrics. "Ini telah menghemat pelanggan kami ratusan ribu dolar dan memungkinkan mereka untuk menjalankan lights out."

Perangkat lunak AI-driven MachineMetrics dilatih untuk memprediksi, mendiagnosis, dan mencegah kegagalan mesin perkakas dengan otonom menerapkan feedhold pada mesin STAR BC Machining. Ini menghentikan CNC saat kegagalan bagian mendatang. Dengan cara itu, endmill dapat diganti secara proaktif, sebelum menghasilkan bagian dengan kualitas buruk yang harus dibuang.

"Sejak menggunakan teknologi breakage alat prediktif MachineMetrics, pemborosan itu telah dihilangkan," kata Driskell. "Penghematan di mesin Swiss turn kami luar biasa untuk dipersilakan."

MachineMetrics mengeksplorasi dengan beberapa pelanggan menggunakan lengan robot untuk mengganti alat yang rusak atau aus alih-alih penukar alat internal. Teknologi terjangkau untuk penukaran otomatis mulai ada. Namun, sekarang, itu harus menjadi jenis mesin tertentu, kata Bither.

"Pelanggan kami sangat tertarik dengan ini tetapi kami berada di tepi apakah itu layak atau tidak," katanya. "Saat ini mungkin layak jika Anda memiliki kontrak dua tahun karena harganya sangat tinggi. Kami melihat itu sebagai sesuatu yang akan umum di masa depan."

Solusi pemantauan alat MachineMetrics dapat mengidentifikasi sinyal pada mesin Star SR-20 CNC BC Machining sebelum kegagalan alat berkatastrofik terjadi. Ini juga mendeteksi pola yang dapat diprediksi. Perang lunak dapat menunjukkan dengan keakuratan hampir sempurna kapan mesin perkakas kemungkinan akan gagal.

Di atas semuanya, BC Machining menghasilkan bagian berkualitas. "Saya percaya kasus penggunaan utama untuk memprediksi masalah pada mesin adalah kualitas," kata Bither. "Ada juga pemeliharaan prediktif tetapi saya melihat mendeteksi masalah kualitas sering kali sebagai proposition nilai yang lebih tinggi."

Sebagian dari penghematan yang dicapai BC Machining adalah dari penggunaan endmill hingga umur penuh dan tidak menggantinya se sering, yang memiliki manfaat tambah meningkatkan uptime mesin. "Sebagian besar produsen mengganti alat berdasarkan jumlah bagian yang dijalankan," kata Bither. "Itulah yang kita lihat di banyak pelanggan kami, bahwa mereka membuang alat yang masih memiliki banyak umur, mungkin 50 persen atau lebih."

Dia menjelaskan bahwa perang lunak pemantauan alat MachineMetrics bekerja dengan data yang ditangkap pada frekuensi sangat tinggi 1.000–10.000 kali per detik. Biasanya sistem pemantauan mesin akan menarik data pada 1 Hz, atau satu kali per detik, katanya.

"Seribu kali per detik adalah menarik karena memerlukan lebih banyak kemampuan, pemrosesan, dan analitik," kata Bither.

Perusahaan solusinya mengumpulkan data dari berbagai motor pada mesin, kemudian menormalisasi informasi ke komponen inti yang mereka sebut "cutting torque."

"Dan cutting torque memungkinkan kami untuk melihat aus alat potong CNC," kata Bither. "Dan apa yang dilakukan, item data yang telah kami sediakan untuk mesin CNC, memungkinkan kami untuk menentukan apakah ada anomali dalam proses pemesinan dan mendeteksi retakan pada alat, aus pada alat, dan masalah apa pun yang mungkin terlihat dalam operasi potong."

"Kami dapat memprediksi kegagalan dalam beberapa kasus, di mana kami mulai melihat beban pada alat itu atau beberapa anomali dalam data tersebut untuk menunjukkan ada masalah, atau kami dapat segera menentukan saat bagian diproduksi jika ada masalah di mana itu mungkin menjadi bagian sisa."

Bantuan Untuk Lebih Dari CNC

"Kami memulai dengan manufaktur logam presisi jadi kami telah pergi sangat dalam dalam membangun algoritma di sekitarnya yang dapat diterapkan pada ribuan mesin yang kami sambungkan. Namun kami juga telah membuatnya mudah untuk terhubung ke peralatan pembuatan logam, mesin las, cetak injeksi plastik, sangat banyak jenis peralatan manufaktur diskrit," kata Bither.

Selain itu, perusahaan membuat data yang mereka kumpulkan tersedia sehingga jika pelanggan memiliki tim ilmuwan data atau insinyur manufaktur dan mereka ingin menggunakan data tersebut untuk benar-benar melihat garis secara keseluruhan, mereka dapat.

"Itulah tempat Anda dapat membangun kemampuan tambahan di atas apa yang kami sediakan secara default," kata Bither. "Kami menyediakan platform bagi mereka untuk menerapkan algoritma tersebut langsung ke edge tempat pada dasarnya apa yang mereka lakukan adalah mengambil data yang kami tangkap untuk mereka dan mereka memperkaya data tersebut, memprosesnya dengan cara tertentu dan kemudian hasilnya dikirim ke platform kami tempat Anda dapat membangun alur kerja untuk memberitahu pemeliharaan atau kualitas atau bahkan memerintahkan mesin untuk berhenti."

Daftar Pertanyaan Mengurutkan Vendor

Produsen yang mencari penyedia solusi AI harus melakukan due diligence untuk menemukan yang tepat. Membantu untuk mengetahui pertanyaan yang tepat untuk ditanya, kata para ahli di Predictronics:

Dimana layanan Anda telah digunakan sebelumnya? Apakah mereka telah digunakan untuk aplikasi kualitas prediktif dalam manufaktur?

Apakah solusi Anda telah menunjukkan perbaikan yang jelas pada operasi bisnis dalam hal pengurangan sisa dan peningkatan kualitas?

Apakah tim Anda memiliki pengetahuan domain industri?

Apakah solusi Anda bekerja dengan data sensor/proses dan data kualitas, dan mengintegrasikan kedua sumber data?

Apakah solusi Anda menggunakan pembelajaran mesin? Apakah ini mencakup model pembelajaran mesin yang tidak terawasi dan terawasi?

Berapa banyak data yang diperlukan untuk melatih model?

Apakah itu hanya memerlukan data dari proses yang sehat atau data dari saat proses tidak sehat dan menghasilkan sisa?

Apakah solusi Anda memerlukan data kualitas dari semua bagian, atau dapat bekerja jika kualitas hanya diukur untuk subset bagian?