人工智能加强质量帮助

机器可以学会发现过程中和生产线末端的异常

当一辆新车下线时，一些汽车制造商会使用虚拟眼睛进行最终检查，以确保质量并确保产品没有划痕、凹痕和泄漏。

这些“眼睛”背后是人工智能 (A.I.) 及其子集机器学习 (ML)。这些技术也被部署在来自以色列特拉维夫雅法市 UVeye 的自动化计算机成像技术中。除了人工智能，该公司的专有算法、云架构和传感器融合在几秒钟内执行完整的车辆检查并指出缺陷。

“机器学习和人工智能。已经接受过培训，”该公司首席战略官 David Oren 说，并指出 ML 算法是用 1 万亿张图像开发的。 “但是，操作员必须手动纠正任何错误。”

Oren 表示，在制造领域，UVeye 的深度学习驱动的检测即服务统一平台也具有执行在线检测的潜力，但该初创公司现在正专注于其生产线末端质量检查。

作为使用 A.I.随着制造的增长，它通过像 UVeye 的视觉检测系统来提醒操作员注意问题，从而为更高质量的零件做出贡献。一些解决方案可以在检测到问题时向机器发送信号以停止。

然而，需要克服的是零散的软件产品，它们仅从生产线的一部分收集和分析数据。异构数据格式；田纳西州纳什维尔的 Link Electric &Safety Control Co. 的创新策略师和销售工程师 Dean Phillips 表示，来自不同供应商的技术和技术难以集成。

菲利普斯说，“可能最困难的部分是将”这些不同的产品整合在一起。 “现在我看到的最大挑战是它们都是独立的系统。它们还没有完全涵盖范围。这并不是说它不会到来，但现在这是最大的挑战之一。”

领域知识尚无替代品

辛辛那提的 Predictronics Corp. 提供了一个示例，说明其预测质量解决方案如何帮助烤箱制造商。当钢板卷慢慢地通过成型机时，烤箱制造商已经对工艺的质量问题进行了反思。这台机器的工作是在机架滑入烤箱腔时将支撑机架的肋骨压出。问题是肋骨在成型过程中开始破裂。为了找出问题所在并最终解决问题，制造商致电 Predictronics。

Predictronics 的数据科学家分析了来自机器的相关信息，并使用热图建立了肋条开裂与工艺温度之间的关系。他们能够证明，在较低的系统热量下更容易发生开裂，超出了成型钢板保持完整的范围。

在 Predictronics 解决方案的一次部署中，烤箱制造商能够以 88% 的精度（预测的实际裂纹的百分比）和 66% 的召回率（预测的实际裂纹的百分比）检测问题。

“当我们与客户就预测质量进行合作时，我们将分析他们的过程数据并开发一个健康模型来随着时间的推移测量这些参数，然后识别何时出现潜在的问题趋势并能够提供某种预警，” Predictronics 的首席财务官帕特里克布朗说。 “我们可以帮助您避免对产品进行如此多的测试或目视检查，并根据工艺参数推断这些产品的质量。”

该流程还有助于减少废品、在已经坏的产品上浪费的生产时间以及因质量差而导致的保修索赔。

通常，如果查看过程参数，无论是位置、流量、压力、温度还是其他参数，他都会寻找与正常行为的偏差。对于一个参数，异常行为的幅度可能会超过其典型值。也可能是两个参数之间的关系。

Predictronics 首席技术官大卫·西格尔说：“假设温度通常会随着压力而升高，但突然之间温度会上升，但压力会下降。” “因此它可能是超出其典型值的趋势，但也可能是压力和温度示例等相关性的变化。通过发现关系并随着时间的推移监控流程，这些异常可能与流程中导致质量不佳的问题相关。”

何时应用人工智能？

Predictronics 的方法是进行关键性分析。对于预测质量，他们会寻找哪些机器的报废或质量相关问题最多。他们与客户携手合作，从工程和制造的角度了解哪些流程最有问题。它甚至可以是依赖客户体验和使用数据的混合体。

“有些客户可能只在生产线末端衡量质量，”西格尔说。 “在这种情况下，您必须依靠他们的经验来判断哪个过程可能对质量最重要。”

对于新线路或没有问题的线路，至少有两种方法。

如果是新生产线，数据科学家会寻找类似的生产线或具有相似流程的生产线进行比较，然后利用这些运营商的经验来解决可能存在最大问题的问题。

“或者它可能只是基于你的物联网系统的成熟度，”西格尔说。 “谁的数据最多？这可能是另一个不错的起点，因为与新生产线的其他部分相比，您将有足够的透明度来更准确地监控该流程，因为您可能没有太多的流程数据需要监控。”

或者，该决定可以基于领域知识。例如，某些过程对它们有很大的可变性。即使机器产生数据，科学家对其进行分析以获得更好的结果，领域知识仍然很重要。

“我们有一位客户确切地知道参数应该是什么样子，”布朗说。 “他们确切地知道要设置什么阈值，在哪里设置它们以及要查看哪些参数——他们对这个过程非常熟悉。所以团队中有这样的客户真的很有价值。”

Predictronics 正试图将领域知识构建到其模型中，因为更年长、更有经验的一代人逐渐退出制造业，而新一代人正在迎头赶上。

在新生产线的情况下，一种方法是应用 A.I.机会最多的地方。是否有可能对流程的一部分进行检测？

Predictronics 首席执行官 Edzel Lapira 表示：“过去曾出现过机器或流程不允许在制造流程设计方面对其自身进行检测的情况。”

对于来自不同系统的数据，拉皮拉说有不同的方法可以整合它。 “最简单的是数据库集成，”他说。 “有不同的协议可以让人们将数据从数据源强制传输到数据湖。对于机床，已经有 OPC-UA 和 MTConnect 等协议可用，因此您可以将数据从机器获取到像我们这样的应用程序或不同的仪表板。”

预测机器问题有助于提高质量

位于俄亥俄州布拉斯敦的 BC Machining LLC 是一家金属制造商，它使用 CNC 机器和数据收集、机器学习和边缘计算等技术，生产的废料太多。为了达到生产目标，他们以 200% 的产能运行他们的机器，并且有许多损坏的立铣刀要添加到废料堆中。

BC Machining 的制造工程师 Mike Driskell 在案例研究中表示：“我们经常会损失三分之一的轮班零件价值，更不用说花费至少一个小时对零件进行分类以识别废料。”

为了寻求帮助，该公司求助于马萨诸塞州北安普顿市 MachineMetrics 的自适应刀具监控解决方案。

MachineMetrics 的联合创始人兼首席执行官 Bill Bither 说：“这是自适应的，因为机器上正在发生变化，以防止在没有操作员交互的情况下报废。” “这为我们的客户节省了数十万美元，并使他们能够熄灯。”

MachineMetrics 的人工智能驱动软件经过培训，可通过在 BC Machining 的 STAR 机器上自动实施馈电来预测、诊断和预防机床故障。当零件即将发生故障时，它停止了 CNC。这样一来，就可以主动更换立铣刀，然后才能生产出质量差的零件，不得不扔掉。

“自从使用 MachineMetrics 的预测刀具破损技术以来，这种浪费已经消除，”Driskell 说。 “至少可以说，我们的瑞士车床所节省的成本是巨大的。”

MachineMetrics 正在与一些客户一起探索使用机械臂来更换损坏或磨损的工具，而不是内部工具更换器。负担得起的自动更换技术开始出现。但现在，它必须是特定类型的机器，比瑟说。

“我们的客户对此非常感兴趣，但无论是否值得，我们都处于优势地位，”他说。 “现在如果你有一份为期两年的合同可能是值得的，因为价格太高了。我们认为这在未来会很普遍。”

MachineMetrics 的刀具监控解决方案能够在发生灾难性刀具故障之前识别 BC Machining 的 Star SR-20 CNC 上的信号。它还检测到一种可预测的模式。该软件能够以近乎完美的准确度指示机床何时可能出现故障。

最重要的是，BC Machining 正在生产优质零件。 “我相信预测机器问题的主要用例是质量，”比瑟说。 “还有预测性维护，但我认为检测质量问题通常是更高的价值主张。”

BC Machining 实现的部分节省是从使用立铣刀到其整个生命周期而不是经常更换它们，这具有增加机器正常运行时间的额外好处。 “大多数制造商根据运行的零件数量更换工具，”比瑟说。 “这就是我们在许多客户中看到的情况，他们正在丢弃那些寿命很长的工具，可能还有 50% 或更多。”

他解释说，MachineMetrics 的工具监控软件可以处理以每秒 1,000 到 10,000 次的非常高的频率捕获的数据。他说，通常机器监控系统会以 1 Hz 或每秒一次的频率提取数据。

“每秒一千次是值得注意的，因为它需要更多的功能、处理和分析，”比瑟说。

他公司的解决方案从机器上的各种电机收集数据，然后将信息标准化为他们称为“切割扭矩”的核心组件。

“切削扭矩使我们能够看到 CNC 切削刀具的磨损情况，”比瑟说。 “那是做什么的，我们为 CNC 机床提供的数据项，它使我们能够确定加工过程中是否存在任何异常情况，并检测工具中的裂纹、工具中的磨损以及可能出现的任何问题切割操作。

“我们可以在某些情况下预测故障，我们开始看到该工具上的负载或该数据中的一些异常表明存在问题，或者如果出现问题，我们可以立即确定零件的生产时间可能是废品。”

为更多的 CNC 提供帮助

“我们从精密金属制造开始，因此我们非常深入地围绕它构建算法，这些算法可以应用于我们连接的数千台机器。但我们也很容易连接到金属制造设备、焊接机、塑料注塑成型，实际上是任何类型的离散制造设备，”比瑟说。

此外，公司还提供其收集的数据，因此，如果客户拥有数据科学家或制造工程师团队，并且他们希望使用这些数据真正了解整个生产线，他们可以。

“在那里，您可以在我们提供的开箱即用的基础上构建额外的功能，”比瑟说。 “我们为他们提供了一个平台，可以将这些算法部署到边缘，基本上他们所做的是获取我们为他们捕获的数据，他们正在丰富这些数据，以某种方式对其进行处理，然后得到正在发送到我们的平台，您可以在其中建立工作流程以通知维护或质量，甚至指示机器停止。”

问题清单整理供应商

制造商四处寻找 A.I.解决方案提供商应尽职尽责以找到合适的方案。 Predictronics 的专家表示，这有助于了解要问的正确问题：

您的服务以前在哪里使用过？它们是否已用于制造中的预测质量应用？

您的解决方案是否在减少废品和提高质量方面明显改善了业务运营？

您的团队是否具备行业领域知识？

Does your solution work with both sensor/process data and quality data, and integrate both data sources?

Does your solution use machine learning? Does this include both unsupervised and supervised machine learning models?

How much data does it require for training the model?

Does it need just data from a healthy process or data from when the process was not healthy and producing scrap?

Does your solution require quality data from all parts, or can it work if quality is only measured for a subset of the parts?