Technology and Innovation opracowuje wspierany przez sztuczną inteligencję „system ochrony wnęk” do produkcji uszczelek amortyzatorów. Nowoczesna technologia kamer jest wykorzystywana do analizy samego procesu produkcyjnego, a nie produkowanych części.
Zastosowanie automatycznej kontroli wizyjnej (AVC) sprawdza się w firmie Freudenberg Sealing Technologies (FST) każdego dnia. Ta forma optycznej kontroli jakości jest ważnym elementem gwarantującym jakość produktów. Jednak jeden z obecnych projektów zespołu AVC w Technology & Innovation (T&I) ma inny cel. Wykorzystując nowoczesną technologię kamer, analizowane są nie wyprodukowane części, ale sam proces produkcji. Dokładniej, chodzi o produkcję uszczelek amortyzatorów w zakładach FST w Wielkiej Brytanii, Hiszpanii, Turcji, a później prawdopodobnie także w Meksyku.
W przeszłości wulkanizowane uszczelki amortyzatorów wielokrotnie zakleszczały się we wnęce w prasie. Jeśli nie zostanie to zauważone i rozpocznie się kolejny cykl produkcyjny, wnęka może zostać uszkodzona, a czasem nawet cała płyta formy. Koszty szybko idą w tysiące – nie wspominając o przestojach maszyn, które powodują takie uszkodzenia. A takie incydenty nie są bynajmniej wyjątkami. W przeszłości poszczególne zakłady zgłaszały do 24 przypadków uszkodzeń rocznie.
Co można zrobić, aby wesprzeć personel produkcyjny? Pod kierownictwem dr Helmuta Hamfelda, T&I, zakład w North Shields wprowadził kilka lat temu półautomatyczną kontrolę wizualną procesu produkcyjnego. W oparciu o klasyczne algorytmy przetwarzania obrazu, a później nawet z początkowym modelem sztucznej inteligencji (AI), po każdym cyklu sprawdzał, czy wszystkie gniazda w prasie zostały „czysto” opróżnione. „To zadziałało dobrze i doprowadziło do znacznego zmniejszenia uszkodzeń pras” – informuje dr Torben Fetzer, który wraz z Hamfeldem tworzy zespół AVC w T&I.
Był tylko jeden haczyk. FST produkuje wiele różnych uszczelek amortyzatorów przy użyciu bardzo różnych form, czasami z dwunastoma wgłębieniami na płytę formy, a czasami nawet z 56. Cztery punkty odniesienia musiały zostać zdefiniowane dla każdej formy, a właściwa forma referencyjna musiała zostać wybrana przy zmianie formy. Było to czasochłonne i mogło prowadzić do błędów.
„Wiele jest możliwe”
To już przeszłość dla wielu pras do uszczelnień amortyzatorów w Europie – z pomocą sztucznej inteligencji. „We współpracy z zespołem Advanced Analytics w FST opracowaliśmy uniwersalny model sztucznej inteligencji, który działa solidnie dla dziesiątek różnych pras z różnymi częściami i różnymi układami” – mówi kierownik projektu Fetzer, opisując nowy „system ochrony wnęk”. W pełni automatycznie, bez interwencji człowieka, system AI rozpoznaje poszczególne wgłębienia i klasyfikuje je. Oblicza również układ odpowiednich płyt formy, niezależnie od kąta, z którego kamera monitoruje proces.
W ten sposób pracownicy są ostrzegani nie tylko o nieczystych gniazdach narzędziowych. Sztuczna inteligencja stale gromadzi informacje i analizuje dane statystycznie. Na przykład, model wskazuje wgłębienia, które są szczególnie podatne na usterki. Można je następnie poddać specjalnej obróbce lub opróżnić, tj. nie napełniać, aby zachować bezpieczeństwo.
Nazywa się to optymalizacją procesu. Lub, jak to ujął Fetzer: „Dzięki naszemu modelowi AI zwiększamy niezawodność i produktywność procesu oraz unikamy kosztownych uszkodzeń i przestojów”. Główną zaletą nowego „Cavity Protection System” jest jego elastyczność. „Jest bardzo prawdopodobne, że nasz uniwersalny model AI będzie miał również zastosowanie do nowych części lub że można to osiągnąć za pomocą niewielkiej ilości dodatkowych danych” – przewiduje Fetzer. To samo dotyczy innych typów produktów oprócz uszczelek amortyzatorów. „Wiele jest możliwych”, mówi Fetzer. W szczególności system można rozszerzyć na około 40 innych pras w Hiszpanii, a także w Meksyku.
Jednak to nie sztuczna inteligencja ma ostateczny głos w procesie produkcji, ale pracownicy obsługujący maszynę. W rzadkich przypadkach fałszywego alarmu mogą oni uruchomić prasę na własną odpowiedzialność. Takie fałszywe alarmy generują dane, które sztuczna inteligencja może wykorzystać do nauki w nowej fazie szkolenia, aby stać się jeszcze bardziej niezawodną w przyszłości.
