Skip to main content

人工智能

使用自安装人工智能推动制造业 QA 的变革

数字视觉

现如今,制造企业面临着按时交付优质产品的巨大压力。一些行业(例如,电子产品)也不得不保持微薄的利润率才能在市场竞争中生存下来。虽然制造企业每年花费数百万美元来开发他们的产品,但由于缺陷问题而会损失其中的很大一部分。

ABI Research 进行的一项调查表明,汽车、航空航天和电子行业的制造商因报废和返工而损失的产品介于 2% 至 4% 之间,因保修索赔而损失的产品介于 1% 至 2% 之间。虽然表面上看百分比似乎很低,但影响是深远的。一家拥有 1 亿美元生产线的制造企业将因产品不符合要求的标准而损失 300 万至 600 万美元。

问题主要在于容易出错的质量控制过程。许多公司仍然依赖人工检查,这使他们容易出错。质检员可能无法始终全神贯注,并且人眼无法识别微小的缺陷。然而,泛行业普遍认同的一个目标是高精度地识别任何缺陷,并系统地将其生产中出现缺陷的可能性降低到零。

“零缺陷制造几十年来一直是一个流行词汇”,工业 4.0 应用程序的计算机视觉和机器学习软件提供商 Relimetrics 的创始人兼首席执行官 Kemal Levi 说,“过去,大家试图在生产线上记录来自不同来源的数据,以确定输入和输出参数之间的关系,这些尝试如今看来已经表现平平。当前数据分析和计算工具的进步使流程优化变得更加容易。”

新工具可以提高质量并提供更多优势

人工智能驱动的质量保证工具,例如 Relimetrics 基于人工智能的电子装配 QA 自动化解决方案 (RELI-QA),实现了质量保证流程的数字化,以实时检测生产中的异常情况,让制造企业有机会在产品发货前采取措施。该技术可以检查产品或零件是否已正确组装,以及是否存在任何外观缺陷。

“这是 2D 和 3D 可测量数据的组合”,Levi 说,“它会进行测量并寻找异常,因为它将质量信息与特定检测阈值相关联。例如,如果您正在检查汽车座椅,它会指出哪里有皱纹。相对于不那么高端的品牌而言,如果是雷克萨斯,您可以根据制造商标准设置检测阈值。”

RELI-QA 系统还收集可用于提高流程效率的数据,例如寻找趋势。

“使用我们的数据分析模块,客户能够看到机器和流程数据与质量数据之间的相关性”,Levi 说,“它超越了质量控制自动化,提供了有关如何调整生产和机器参数以保持质量符合规格的信息。它正在为客户改进流程。”

运行方式

到目前为止,像这样的复杂技术需要高水平的编码技能。但如今,为了可以自行安装的 Relimetrics 软件,其无需任何编码或深度学习专业知识。该解决方案在边缘使用高清摄像头,在组装产品通过生产线时对其进行分析和检查。

然后将视频流传输到使用英特尔® 处理器和视觉处理器 (VPU) 的嵌入式或附加 IT 系统,完全实现产品 QA 检查的数字化。将结果与在构建过程中定义的制造执行系统 (MES) 进行比较(视频 1)。如果检测到异常,则会发送详细说明问题的警报。质检员可以挑出有缺陷的产品并当场修复,然后再发货给客户。

视频 1。Relimetrics 易于使用的软件让制造企业可以设置参数并训练 QA 系统,以识别可以在发货前纠正的缺陷。资料来源:Relimetrics

富士康已采用该解决方案,该公司为慧与 (HPE) 制造复杂的服务器。借助 RELI-QA,该公司将客户收到的缺陷产品数量减少了 25%,并将整体生产绩效从 sigma 2.1 提升到 sigma 4.2。

“在质量控制自动化的情况下,客户对计算硬件成本和 CPU 的智能利用率非常敏感”,Levi 说,“我们使用英特尔® Distribution of OpenVINO 工具套件,最大程度减轻负担。我们自安装的 Relimetrics 训练器使任何人都可以使用定义明确的代码谱训练人工智能模型,而无需编写任何代码。他们还可以使用 Relimetrics 节点编辑器快速将此工业级解决方案与其生产线集成。”

该系统可以自安装,同时 Relimetrics 也为客户提供全天候远程支持。“如果出现技术故障,我们有提供热线电话,通常可以远程解决问题”,Levi 说,“如果未能解决,我们会通过我们的系统集成商来解决。我们还为使用 Relimetrics 软件训练新模型提供支持。”

QA 大显身手

全球领先的创新聚合物供应商科思创 (Covestro) 正在利用 Relimetrics 帮助聚氨酯面板行业的客户实现 QA 数字化并降低缺陷率。Levi 说,建筑行业严格的质量要求给供应商带来了巨大的压力,要求他们提供长期质量有保证的产品。

“目视检查是随机的、缓慢的、主观的,而且往往容易出错,因此很难检测出制造地点的所有缺陷”,他说。“当有缺陷的面板在安装后使用时,如果出现开裂和磨损迹象,就会导致高成本的召回。由于对生产的每个零件的机器、工艺和质量参数之间的相关性缺乏精确的可追溯性,确定缺陷的根本原因成为了额外的挑战难题。”

借助 RELI-QA,完全实现了聚氨酯面板检测的数字化。每个面板都由基于人工智能的高级算法在车间级别实时进行分析。每块生产出来的板材在离开加工设备时,都会在切割环节进行尺寸分析和发泡缺陷分类。机器设置、环境条件和产品质量数据之间的相关性被用来开发新的洞察。甚至可以实时捕获和标记较小的缺陷,从而创建一种主动的 QA 方法,而不是在实施 Relimetrics 之前仅靠人工检测出一小部分缺陷。

“这方面的总体愿景是能够为科思创的客户提高工艺效率,以便他们能够使用科思创材料制造出更好的产品”,Levi 说,“真正重要的是现在能够为整个供应链创造价值。”

 

作者简介

Stephanie Vozza is a business writer who specializes in retail, technology, and finance. In 2006, she launched her own eCommerce brand and sold it five years later to FranklinCovey Products. Stephanie has written for companies that include Intel, Epson, Oracle, Smartsheet, Wells Fargo, First Citizens Bank, and Mastercard. She's a regular contributor to Fast Company where she covers leadership, careers, and technology. Stephanie's byline has also appeared in Forbes, Inc., Parade, Entrepreneur, and SUCCESS magazines.

Profile Photo of Stephanie Vozza