Przejdź do treści

Case studies · Motoryzacja, komponenty metalowe

AI w kontroli spawów: 86% mniej wadliwych części

Analiza obrazów spawów i prognozowanie ostrzegają, zanim proces wyjdzie poza tolerancję.

Klient: Globalny producent części samochodowych · Branża: Motoryzacja, komponenty metalowe · Rozwiązania: Wizyjna kontrola jakości

Smart QC: 86% mniej wadliwych części: Jak analiza obrazów spawów i prognozowanie ostrzegają zakład, zanim jakość wyjdzie poza tolerancję. (4 min)
86%

mniej wadliwych części

0

nieplanowanych przestojów przez dryf procesu po wdrożeniu

≈ 200 tys. €

kosztuje w tym zakładzie 8 godzin wadliwej produkcji

Wyzwanie

W tym zakładzie osiem godzin wadliwej produkcji to około dwustu tysięcy euro strat. Każdy spaw był fotografowany pod mikroskopem i kontrolowany, ale ustawienia maszyn zmieniały się powoli i kolejne spawy coraz bardziej odbiegały od normy.

Gdy problem stawał się oczywisty, wadliwe części były już wyprodukowane. Dane, które pozwalały to przewidzieć, istniały, ale były rozproszone w tysiącach arkuszy.

01 / Warstwa danych

Zdjęcia mikroskopowe, wyniki laboratorium i dane z linii produkcyjnej połączone w jedno wspólne źródło informacji.

Każdy wynik ma kontekst: stanowisko, robota i konkretny spaw, więc odchylenie wskazuje miejsce, w którym zespół może działać.

02 / Warstwa AI

Analiza obrazu mierzy geometrię spawu i rozpoznaje nieprawidłowości; jej wyniki porównaliśmy z historycznymi raportami laboratorium, dzięki czemu ocena jakości stała się automatyczna i powtarzalna dla każdej części.

Prognozowanie zamienia serię pomiarów w trend i przewiduje, kiedy jakość spadnie poniżej normy, więc zespół dostaje ostrzeżenie, zanim powstanie pierwsza wadliwa część.

Projekt scena po scenie

Kadry pochodzą z naszego filmu o tym wdrożeniu.

  1. 01 / 09

    200 tys. euro ryzyka: po co wcześniejsza reakcja

    Osiem godzin wadliwej produkcji to w tym zakładzie około dwustu tysięcy euro strat. U globalnego producenta części samochodowych, Sofixit połączył dane i analizę spawów, żeby ostrzegać z wyprzedzeniem. Cel: skorygować proces, zanim kolejne części trafią do przetopienia.

  2. 02 / 09

    Dlaczego powstawały wady

    Każdy spaw był fotografowany pod mikroskopem i poddawany kontroli, ale ustawienia maszyn zmieniały się powoli. Kolejne spawy coraz bardziej odbiegały od normy. Gdy problem stawał się oczywisty, wadliwe części były już wyprodukowane.

  3. 03 / 09

    Połączenie danych

    Dane istniały, lecz były rozproszone w tysiącach arkuszy. Sofixit połączył zdjęcia mikroskopowe, wyniki laboratorium i dane z linii. Każdy wynik otrzymał kontekst, stanowisko, robot i konkretny spaw. Powstało jedno wspólne źródło informacji.

  4. 04 / 09

    Jak AI analizuje spaw

    Zbudowaliśmy system, który analizuje obrazy spawów, mierzy ich geometrię i rozpoznaje nieprawidłowości. Wyniki porównaliśmy z historycznymi raportami laboratorium. Dzięki temu ocena jakości stała się automatyczna i powtarzalna przy każdej sztuce.

  5. 05 / 09

    Ostrzeżenie z wyprzedzeniem

    Pojedyncze zdjęcie mówi, jak wygląda spaw teraz. Seria pomiarów pokazuje, dokąd zmierza proces. System wykrywał drobne odchylenia i prognozował moment, w którym jakość spadnie poniżej normy. Zespół dostawał ostrzeżenie, zanim powstała pierwsza wadliwa sztuka.

  6. 06 / 09

    Panel produkcji: trend i alert

    Tak może wyglądać praca z tym systemem. Na panelu widać kilka robotów, ale uwagę przyciąga robot siódmy na linii trzeciej. Wskaźnik jakości spawu spada do dziewięćdziesięciu dwóch punktów. Ostatni pomiar mieści się jeszcze w tolerancji, lecz odchylenie geometrii narasta. Prognoza wskazuje około czterech godzin do przekroczenia tolerancji, jeśli trend się utrzyma. Pojawia się alert z konkretnym miejscem i zaleceniem sprawdzenia procesu.

  7. 07 / 09

    Sprawdzenie, korekta i nowe pomiary

    Kierownik laboratorium otwiera szczegóły alertu. Widzi trend, zdjęcia spawu i zalecenia. Sprawdzić pozycjonowanie detalu, mocowanie oraz nastawy robota względem zatwierdzonej receptury. Informacja trafia dalej do osób odpowiedzialnych za produkcję. Zespół wykonuje korektę i zapisuje ją w systemie. To jeszcze nie zamyka sprawy. Kolejne pomiary pokazują, czy odchylenie maleje.

  8. 08 / 09

    Przed i po wdrożeniu

    Zmienił się moment działania. Wcześniej: kontrola, wykryta wada i reakcja po fakcie. Po wdrożeniu: prognoza, ostrzeżenie i korekta przed powstaniem wad. Obsługę maszyn można było wpisać w zaplanowane okna serwisowe.

  9. 09 / 09

    86% mniej wadliwych części: czas na reakcję

    Efekt wdrożenia: osiemdziesiąt sześć procent mniej wadliwych części oraz eliminacja nieplanowanych przestojów opisanych w tym projekcie. Wartość tej zmiany to czas na reakcję, zanim problem zacznie generować koszty. Mniej elementów do przetopienia i korekty wpisane w plan produkcji.

Wyniki

  1. 86% mniej wadliwych części.
  2. Koniec nieplanowanych przestojów z powodu dryfu procesu.
  3. Korekty wpisane w plan produkcji zamiast reakcji, gdy braki już powstały.

Porozmawiajmy o Waszym projekcie

Opiszcie swój przypadek

Wybierzcie jeden problem.

Pokażcie dostępne dane.

Ustalmy mierzalny cel.

[email protected]

Wskażcie proces i dane, które macie. Odezwie się inżynier, nie call center.

Odpowiadamy w ciągu jednego dnia roboczego.

Opcjonalnie. Zostawcie numer, jeśli wolicie, żebyśmy oddzwonili.

Wykorzystamy Wasze dane wyłącznie do odpowiedzi na to zapytanie. Szczegóły: polityka prywatności.