일체 포함. 품질 향상을 위한 단계

기계는 진행 중 및 최종 라인에서 이상 현상을 발견하는 방법을 학습할 수 있습니다.

새 차량이 조립 라인에서 나올 때 일부 자동차 제조업체는 가상 눈 세트를 사용하여 품질을 확인하고 제품에 긁힘, 찌그러짐 및 누출이 없는지 확인하기 위한 최종 검사를 수행합니다.

이러한 "눈" 뒤에는 인공 지능(A.I.)과 그 하위 집합인 머신 러닝(ML)이 있습니다. 이러한 기술은 이스라엘 Tel Aviv-Yafo에 있는 UVeye의 자동화된 컴퓨터 이미징 기술에도 적용됩니다. AI 외에도 회사의 독점 알고리즘, 클라우드 아키텍처 및 센서 융합이 몇 초 안에 완전한 차량 검사를 수행하고 결함을 지적합니다.

“머신러닝과 A.I. 이미 훈련을 받았습니다.”라고 회사의 최고 전략 책임자인 David Oren은 ML 알고리즘이 1조 개의 이미지로 개발되었다고 언급했습니다. "그러나 운영자는 모든 오류를 수동으로 수정해야 합니다."

제조 분야에서 UVeye의 딥 러닝 기반 서비스로서의 검사 통합 플랫폼은 인라인 검사도 수행할 수 있는 잠재력이 있지만 스타트업은 현재 최종 라인 품질 검사에 집중하고 있다고 Oren은 말했습니다.

A.I의 사용으로 제조 분야에서 성장하면서 작업자에게 문제를 경고하는 UVeye와 같은 비전 검사 시스템을 통해 고품질 부품에 기여합니다. 일부 솔루션은 문제가 감지되면 중지하라는 신호를 기계에 보낼 수 있습니다.

그러나 라인의 일부에서만 데이터를 수집하고 분석하는 단편적인 소프트웨어 제품은 극복해야 합니다. 이기종 데이터 형식; 테네시주 내슈빌에 있는 Link Electric &Safety Control Co.의 혁신 전략가이자 영업 엔지니어인 Dean Phillips는 통합하기 어려운 서로 다른 공급업체의 기술을 말합니다.

Phillips는 이렇게 다양한 제품을 함께 통합하는 것이 "가장 어려운 부분일 것입니다."라고 말했습니다. “현재 내가 볼 수 있는 가장 큰 문제는 모두 독립 실행형 시스템이라는 것입니다. 아직 범위를 완전히 포괄하지는 않습니다. 그것이 오지 않는다는 말은 아니지만 지금 당장은 그것이 가장 큰 도전 중 하나입니다."

아직 도메인 지식을 대체할 수 없음

신시내티 소재 Predicttronics Corp.는 예측 품질 솔루션이 오븐 제조업체에 어떻게 도움이 되었는지에 대한 예를 제공합니다. 강판 롤이 성형 기계를 통과할 때마다 오븐 제조업체는 공정의 품질 문제에 대해 곰곰이 생각했습니다. 기계의 역할은 랙이 오븐 캐비티로 미끄러질 때 랙을 받쳐주는 리브를 밀어내는 것입니다. 문제는 성형 과정에서 리브가 갈라지기 시작했다는 것입니다. 무엇이 잘못되었는지 찾아내고 결국 문제를 해결하기 위한 노력의 일환으로 제조업체는 Predicttronics에 전화했습니다.

Predictronics의 데이터 과학자는 기계의 관련 정보를 분석하고 히트 맵을 사용하여 리브 균열과 공정 온도 간의 관계를 설정했습니다. 그들은 형성된 강판이 손상되지 않은 상태로 유지되는 범위를 벗어나 더 낮은 시스템 열에서 균열이 발생할 가능성이 더 높다는 것을 보여줄 수 있었습니다.

Predictronics 솔루션의 한 배치에서 오븐 제조업체는 88%의 정밀도(실제로 균열인 예측된 균열의 비율)와 66%의 재현율(예상된 실제 균열의 비율)로 문제를 감지할 수 있었습니다.

"예측 품질에 대해 고객과 협력할 때 고객의 프로세스 데이터를 분석하고 시간 경과에 따라 이러한 매개변수를 측정하는 상태 모델을 개발한 다음 잠재적으로 문제가 되는 추세가 발생하는 시점을 인식하고 일종의 사전 경고를 제공할 수 있습니다." Predictronics의 CFO인 Patrick Brown은 말했습니다. "제품에 대한 너무 많은 테스트나 육안 검사를 피하고 프로세스 매개변수를 기반으로 해당 제품의 품질을 추론하도록 도와드릴 수 있습니다."

이 프로세스는 또한 불량품, 불량품으로 인한 품질 보증 청구 및 불량품의 생산 시간 낭비를 줄이는 데 도움이 됩니다.

일반적으로 위치, 유속, 압력, 온도 등의 프로세스 매개변수를 보면 정상적인 동작에서 벗어나는 방법을 찾고 있습니다. 비정상적인 동작은 일반적인 값보다 한 매개변수의 크기가 증가할 수 있습니다. 또는 두 매개변수 간의 관계일 수도 있습니다.

프레딕트로닉스의 최고 기술 책임자인 데이비드 시겔(David Siegel)은 “일반적으로 압력에 따라 온도가 상승하지만 갑자기 온도는 올라가지만 압력은 내려간다고 가정해 봅시다. “따라서 일반적인 값을 넘어선 추세일 수 있지만 압력 및 온도 예와 같은 상관 관계의 변화도 있을 수 있습니다. 관계를 찾고 시간이 지남에 따라 프로세스를 모니터링하면 이러한 이상 현상이 프로세스의 문제와 관련되어 품질이 저하될 수 있습니다.”

AI 적용 시기

Predicttronics의 접근 방식은 임계값 분석을 수행하는 것입니다. 예측 품질을 위해 어떤 기계가 가장 많은 스크랩 또는 품질 관련 문제가 있는지 찾습니다. 그들은 엔지니어링 및 제조 관점에서 가장 문제가 되는 프로세스를 이해하기 위해 고객과 협력합니다. 고객 경험에 의존하고 데이터를 사용하는 것이 혼합될 수도 있습니다.

Siegel은 "일부 고객은 라인 끝에서만 품질을 측정할 수 있습니다. "이 경우 품질 측면에서 어떤 프로세스가 가장 중요한지 경험에 의존해야 합니다."

새로운 라인이나 문제가 없는 라인의 경우 적어도 몇 가지 접근 방식이 있습니다.

새로운 라인인 경우 데이터 과학자는 비교를 위해 유사한 라인이나 유사한 프로세스를 가진 라인을 찾은 다음 가장 문제가 되었을 수 있는 문제에 대한 운영자의 경험을 활용합니다.

"또는 IoT 시스템의 성숙도를 기반으로 할 수도 있습니다."라고 Siegel이 말했습니다. “어떤 것이 가장 많은 데이터를 가지고 있습니까? 모니터링할 프로세스의 데이터가 많지 않을 수 있는 새 라인의 다른 부분보다 해당 프로세스를 더 정확하게 모니터링할 수 있는 충분한 투명성을 갖기 때문에 시작하기에 좋은 또 다른 장소일 수 있습니다."

또는 결정은 도메인 지식을 기반으로 할 수 있습니다. 예를 들어, 일부 프로세스에는 많은 가변성이 있습니다. 데이터를 생성하는 기계와 더 나은 결과를 위해 이를 분석하는 과학자가 있더라도 도메인 지식은 여전히 ​​중요합니다.

“매개변수가 어떻게 생겼는지 정확히 알고 있는 고객이 있습니다.”라고 Brown이 말했습니다. “그들은 어떤 임계값을 설정해야 하는지, 어디에 설정해야 하는지, 어떤 매개변수를 확인해야 하는지 정확히 알고 있었습니다. 따라서 고객 중 그런 사람이 팀에 있다는 것은 정말 가치 있는 일입니다.”

Predicttronics는 더 오래되고 경험이 풍부한 세대가 제조 분야에서 퇴출되고 새로운 세대가 따라잡을 때 모델에 도메인 지식을 구축하려고 노력하고 있습니다.

새로운 라인의 경우 한 가지 접근 방식은 A.I를 적용하는 것입니다. 가장 많은 기회가 있을 수 있는 곳. 프로세스의 일부가 계측될 수 있는 기회가 있습니까?

Predictronics의 CEO인 Edzel Lapira는 "과거에는 기계나 공정이 제조 공정 설계 방식에 있어 자체 계측을 허용하지 않는 경우가 있었습니다."라고 말했습니다.

이질적인 시스템의 데이터에 대해 Lapira는 이를 통합하는 다양한 방법이 있다고 말했습니다. "가장 쉬운 방법은 데이터베이스 통합입니다."라고 그는 말했습니다. “데이터 소스에서 데이터 레이크로 데이터를 강제로 전송할 수 있는 다양한 프로토콜이 있습니다. 공작 기계의 경우 이미 사용 가능한 OPC-UA 및 MTConnect와 같은 프로토콜이 있으므로 기계에서 우리와 같은 응용 프로그램이나 다른 대시보드로 데이터를 가져올 수 있습니다."

기계 문제를 예측하면 품질에 도움이 됩니다

데이터 수집, 기계 학습 및 에지 컴퓨팅과 같은 기술과 CNC 기계를 사용하는 금속 가공업체인 오하이오주 Brasstown의 BC Machining LLC는 너무 많은 스크랩을 생산하고 있었습니다. 생산 목표를 달성하기 위해 기계를 200% 용량으로 가동하고 있었고 스크랩 더미에 추가할 파손된 엔드밀이 많이 있었습니다.

BC Machining의 제조 엔지니어인 Mike Driskell은 사례 연구에서 "부품을 분류하여 스크랩을 식별하는 데 최소 1시간을 소비하는 것은 말할 것도 없고 교대조 가치의 3분의 1을 잃어버리는 경우가 많습니다."라고 말했습니다.

도움을 받기 위해 회사는 매사추세츠주 노샘프턴에 있는 MachineMetrics의 적응형 도구 모니터링 솔루션으로 눈을 돌렸습니다.

MachineMetrics의 공동 설립자이자 CEO인 Bill Bither는 "작업자 상호 작용 없이 스크랩을 방지하기 위해 기계에서 변경이 발생하고 있다는 점에서 적응력이 있습니다."라고 말했습니다. "이를 통해 고객은 수십만 달러를 절약하고 소등할 수 있었습니다."

MachineMetrics의 AI 기반 소프트웨어는 BC Machining의 STAR 기계에 피드홀드를 자동으로 구현하여 공작 기계 고장을 예측, 진단 및 예방하도록 훈련되었습니다. 부품 고장이 임박했을 때 CNC를 중지했습니다. 그런 식으로 엔드밀은 폐기해야 하는 불량품을 생산하기 전에 사전에 교체할 ​​수 있었습니다.

Driskell은 "MachineMetrics의 예측 도구 파손 기술을 사용한 이후로 이러한 낭비가 제거되었습니다. "우리 스위스 턴 머신의 절감은 말할 것도 없이 기념비적이었습니다."

MachineMetrics는 내부 도구 교환기 대신 로봇 팔을 사용하여 손상되거나 마모된 도구를 교체하는 일부 고객과 함께 탐색하고 있습니다. 자동 전환을 위한 저렴한 기술이 존재하기 시작했습니다. 하지만 이제는 특정 유형의 기계가 필요하다고 Bither는 말했습니다.

"우리 고객들은 이것에 정말로 관심이 있지만 우리는 그만한 가치가 있는지 없는지에 대해선 첨예합니다."라고 그는 말했습니다. “현재로서는 가격이 너무 비싸기 때문에 2년 약정이면 그만한 가치가 있을 것입니다. 우리는 그것이 미래에 보편적일 것이라고 보고 있습니다.”

MachineMetrics의 도구 모니터링 솔루션은 치명적인 도구 오류가 발생하기 전에 BC Machining의 Star SR-20 CNC에서 신호를 식별할 수 있었습니다. 예측 가능한 패턴도 감지했습니다. 소프트웨어는 공작 기계가 고장날 가능성이 있는 시점을 거의 완벽한 정확도로 표시할 수 있었습니다.

무엇보다 비씨머시닝은 양질의 부품을 생산하고 있습니다. Bither는 "기계의 문제를 예측하는 주요 사용 사례는 품질이라고 믿습니다. "예측 유지보수도 있지만 더 높은 가치 제안만큼 품질 문제를 감지하는 경우가 많습니다."

BC Machining이 실현한 절감액 중 일부는 엔드밀을 수명이 다할 때까지 사용하고 자주 교체하지 않는 것입니다. 이는 기계 가동 시간을 늘리는 추가 이점이 있습니다. "대부분의 제조업체는 실행되는 부품 수에 따라 도구를 변경합니다."라고 Bither는 말했습니다. "많은 고객이 수명이 거의 50% 또는 그 이상 남은 도구를 버리는 것을 목격하고 있습니다."

그는 MachineMetrics의 도구 모니터링 소프트웨어가 초당 1,000~10,000번의 매우 높은 빈도로 캡처된 데이터와 함께 작동한다고 설명했습니다. 일반적으로 기계 모니터링 시스템은 1Hz 또는 초당 한 번 데이터를 가져옵니다.

"초당 1,000번은 더 많은 기능, 처리 및 분석이 필요하기 때문에 주목할 만합니다."라고 Bither는 말했습니다.

그의 회사 솔루션은 기계의 다양한 모터에서 데이터를 수집한 다음 정보를 "절단 토크"라고 부르는 핵심 구성 요소로 정규화합니다.

"그리고 절삭 토크를 통해 CNC 절삭 공구의 마모를 확인할 수 있습니다."라고 Bither는 말했습니다. "그리고 그것이 하는 일, 우리가 CNC 기계에 액세스할 수 있도록 만든 데이터 항목을 통해 가공 프로세스에 이상이 있는지 확인하고 도구의 균열, 도구의 마모 및 볼 수 있는 모든 문제를 감지할 수 있습니다. 절단 작업.

“어떤 경우에는 해당 도구에 대한 부하를 보기 시작하거나 해당 데이터에서 문제가 있음을 나타내는 일부 이상 징후를 보기 시작하는 경우 실패를 예측하거나 문제가 있는 경우 부품이 생산되는 시기를 즉시 결정할 수 있습니다. 스크랩 부분일 수 있습니다.”

CNC 이상의 도움

“우리는 정밀 금속 제조로 시작하여 우리가 연결된 수천 개의 기계에 적용할 수 있는 알고리즘을 구축하는 데 매우 깊이 관여했습니다. 그러나 우리는 또한 금속 제조 장비, 용접 기계, 플라스틱 사출 성형, 모든 유형의 개별 제조 장비에 쉽게 연결할 수 있도록 했습니다.”라고 Bither는 말했습니다.

또한 회사는 수집한 데이터를 사용할 수 있도록 하므로 고객에게 데이터 과학자 또는 제조 엔지니어 팀이 있고 해당 데이터를 사용하여 라인 전체를 실제로 보고자 하는 경우 그렇게 할 수 있습니다.

Bither는 "바로 여기에서 우리가 기본 제공하는 것 외에 추가 기능을 구축할 수 있습니다."라고 말했습니다. "우리는 그들이 본질적으로 우리가 캡처한 데이터를 가져오고 해당 데이터를 강화하고 어떤 방식으로든 처리한 다음 유지 관리 또는 품질에 알리거나 기계를 중지하도록 지시하는 워크플로를 구축할 수 있는 플랫폼으로 전송됩니다."

공급업체 분류 질문 체크리스트

제조업체들이 A.I. 솔루션 제공자는 올바른 적합성을 찾기 위해 실사를 수행해야 합니다. Predicttronics의 전문가들은 올바른 질문을 아는 것이 도움이 된다고 말합니다.

귀하의 서비스는 이전에 어디에서 사용되었습니까? 제조 시 품질 예측 애플리케이션에 사용되었습니까?

귀사의 솔루션이 불량품 감소 및 품질 개선 측면에서 비즈니스 운영에 대한 명확한 개선을 입증했습니까?

팀에 산업 분야 지식이 있습니까?

솔루션이 센서/공정 데이터와 품질 데이터 모두와 함께 작동하고 두 데이터 소스를 통합합니까?

솔루션에서 기계 학습을 사용합니까? 여기에는 감독되지 않은 기계 학습 모델과 감독되지 않은 기계 학습 모델이 모두 포함됩니까?

모델 학습에 필요한 데이터의 양은 얼마입니까?

정상 프로세스의 데이터만 필요한가요? 아니면 프로세스가 정상적이지 않아 스크랩을 생성할 때의 데이터가 필요한가요?

솔루션에 모든 부품의 품질 데이터가 필요합니까, 아니면 품질이 부품의 하위 집합에 대해서만 측정되는 경우 작동할 수 있습니까?