Nolldefekttillverkning: Använd AI för noll ånger

Tillverkningsindustrin, på sin väg att bli världens största marknad, utvecklade ett problem med globala konsekvenser: 20 % av varje dollar som spenderas i industrin går till spillo.

Detta kräver att man bryter ner datasilos och uppnår fullständig integration och interoperabilitet mellan tillverkningssystem, vilket bevisar att traditionella kvalitetsorienterade tillverkningsmetoder inte uppfyller visionen för Industri 4.0.

Här omfattar konceptet nollfel många idéer och koncept från traditionella kvalitetsförbättringsmetoder och går bortom att införliva tekniska framsteg som maskininlärning, djupinlärning och artificiell intelligens.

Varför bör tillverkare implementera AI-driven nollfelstillverkning?

Även om AI som koncept och som teknik har funnits i många år i olika kommersiella produktiterationer, har de senaste genombrotten inom stödjande infrastruktur och AI-specifika produkter utlöst en ny våg av implementering inom tillverkningsindustrin. Sammankopplingen av mer robusta datorplattformar, kraftfullare kommunikationsnätverk och datamängder som är tillräckligt stora för att AI-motorer ska kunna bearbeta data på meningsfulla sätt har resulterat i skapandet av bättre förutsättningar för AI-implementering, vilket framgår av den nya vågen av övergripande implementering som observerats i branschen.

Genom att använda AI på ett klokt sätt kan tillverkare nu uppnå betydande förbättringar av kvalitet, effektivitet och tillförlitlighet. Detta bryter mot idén om att uppnå tillverkning med nära noll defekter som en svår procedur som bara sker för produkter som har genomgått omfattande forskning.

För att förverkliga dess fulla potential krävs det därför att man går bortom isolerade applikationer i tillverkningsprocessen och mot en integrerad AI-strategi i linje med affärsmålen. Med rätt tillvägagångssätt kan tillverkare utnyttja AI för att nå nästa nivå av operativ excellens och komma närmare att göra noll fel till verklighet.

Varför artificiell intelligens hjälper till att förbättra tillverkning med noll fel?

Branschen förstår fördelarna med att implementera nollfelstillverkning men inser också att det inte är en enkel procedur. Därför har tillverkare satt sin tilltro till data och AI. De ser synliga resultat med AI-integrering, som en minskning av driftstopp med 30–50 % och en minskning av kvalitetsrelaterade kostnader med 10–20 % genom att ta itu med utmaningarna med nollfelstillverkning.

Låt oss ta reda på hur branschen utnyttjar AI i nollfelstillverkning för förbättrade resultat.

1. Förutsägande underhåll för att minska driftstopp

Enligt en rapport kostar oplanerade maskinstopp tillverkarna 260 000 dollar för varje timme av produktionsbortfall, och 82 % av tillverkarna upplever maskinstopp minst en gång per år.

Nolldefekttillverkning syftar till att producera produkter utan defekter eller brister. Men även i en sådan högkvalitativ tillverkningsmiljö kan utrustning och maskiner fortfarande drabbas av problem med driftstopp av olika anledningar. Förebyggande underhåll kan spela en avgörande roll för att minimera driftstopp och åtgärda potentiella problem innan de leder till defekter.

Förutsägande underhåll kan spara tillverkare 1,6 miljoner timmars driftstopp årligen och 734 miljarder dollar genom en 6-procentig ökning av produktiviteten.

Tack vare AI-drivet prediktivt underhåll (PdM) och dess transformerande tillämpning av IoT förbättrar tillverkare effektiviteten samtidigt som de minskar kostnaden för maskinfel. AI-drivet prediktivt underhåll analyserar sensordata (sensorer kan installeras på maskiner och spåra viktiga maskinhälsoindikatorer i realtid) för att prognostisera fel med hjälp av dataanalys och maskininlärningsalgoritmer.

Genom att utnyttja sin potential optimerade Ford Motor Company prestandan hos sin tillverkningsutrustning. Fords AI-drivna lösningar förutspår när underhåll behövs, vilket säkerställer att resurser och reservdelar som behövs för reparation finns tillgängliga, vilket resulterar i minskad driftstopp och ökad effektivitet.

PepsiCos fabrik i Fayetteville, Frito-Lay rapporterade också ett driftstopp på 0,75 % hittills i år och ett oplanerat driftstopp på 2,88 %. För att åtgärda problemet implementerade Frito-Lay-fabriken, som producerar upp till 150 pund produkt per år, sitt robusta program för prediktivt underhåll, vilket gör det möjligt för dem att göra en realtidsbedömning av utrustningens hälsa för att förutsäga fel eller dess återstående livslängd.

2. Avvikelsedetektering för förbättrad utrustningsprestanda

AI-drivna metoder för avvikelsedetektering har visat sig förbättra hastigheten, noggrannheten och effektiviteten vid övervakning av enorma mängder data för att proaktivt reagera på potentiella extremvärden och problem. Deras förmåga att analysera och härleda information från data i realtid gör det möjligt för organisationer att upptäcka och identifiera avvikelser effektivt.

För att uppnå detta består nolldefekttillverkning av fyra ZDM-tekniker, uppdelade i två kategorier: utlösare och åtgärder. Flödesschemat nedan visar hur det fungerar.

Den använder sedan avancerad avvikelsedetektering för att avgöra om produktkvaliteten uppfyller de krävda kraven. Om produktkvaliteten uppfyller den anses den relaterade maskinens tillstånd vara felfritt; om inte, identifierar och varnar avvikelsedetekteringen att motsvarande maskin behöver underhåll och/eller (om)kalibrering eller finjustering baserat på defektdata. Däremot övervakas maskinens hälsotillstånd för den processorienterade metoden; om den är bra kommer den färdiga produktionen att vara av hög kvalitet och vice versa.

I båda scenarierna är ZDM-implementeringen en sluten process med återkopplingsslingor på antingen produkt- eller processkvaliteten, vilket resulterar i underhåll, maskin(om)kalibrering och/eller finjustering vid låg kvalitet.

AI-drivna metoder för avvikelsedetektering har visat sig förbättra hastigheten, noggrannheten och effektiviteten vid övervakning av enorma mängder data för att proaktivt reagera på potentiella extremvärden och problem. Deras förmåga att analysera och härleda information från data i realtid gör det möjligt för organisationer att upptäcka och identifiera avvikelser effektivt.

En av de allvarligaste svårigheterna för tillverkningsindustrin var att de traditionella processerna bara kunde upptäcka 20 % av avvikelserna i förväg.

Anledningen är enkel – gårdagens implementering av villkorlig övervakningsarkitektur är dåligt rustad för att hantera den stora mängd data i dagens värld. Därför, för att ta itu med problemet, anammar nolldefekttillverkning som en metod – idéer och koncept från traditionella kvalitetsmetoder och använder metoder för att upptäcka avvikelser från standardparametrar för att uppnå de uppsatta kraven. Detta hjälper till att bryta datasilos och uppnå fullständig integration och interoperabilitet mellan tillverkningssystem för effektiv detektering.

Hur det fungerar

Genom att utnyttja AI-driven avvikelsedetektering i nolldefekttillverkningens parprocess (Detektera-Förutse, Reparera-Förebygga, Förutse-Förebygga) identifierar och anpassar den proaktivt de brister som finns i systemet och som kan orsaka defekter.

3. Automatiserade kvalitetskontroller med AI/ML

Många organisationer i branschen kommer att ha verkliga kvalitetsrelaterade kostnader så höga som 40 % av den totala verksamheten, medan den allmänna tumregeln säger att kostnaden för dålig kvalitet bör vara 10–15 % av verksamheten för att ett företag ska blomstra. Detta bevisar att tillverkare idag har ett akut behov av att öka effektiviteten, minska svinn, undvika återkallelser – och dessutom göra hela processen bättre än tidigare.

Som svar har nolldefekttillverkning med AI-system som drivs av maskin- och visuella visioner, tillsammans med djupinlärningsalgoritmer, framstått som en transformerande lösning. Dessa AI-system skannar autonomt tusentals delar per minut med oöverträffad precision och uppnår nästan perfekt defektdetektering.

BMW iFactory som använder AIQX (Artificial Intelligence Quality Next) hjälper oss att få ett bättre perspektiv. AIQX används för att övervaka produkternas kvalitet under produktionsprocessen, identifiera och åtgärda kvalitetsproblem innan de blir en större flaskhals. Denna teknik åtgärdar inte bara begränsningarna med manuell inspektion genom att utnyttja AI/ML, utan ger också betydande förbättringar av feldetektering, genomströmning och övergripande driftseffektivitet.

Även om införandet av automatiserad visuell inspektion inom tillverkning för närvarande är lågt, mindre än 10 %, kan automatiserad visuell inspektion minska defektfrekvensen med upp till 90 %, med över 50 % förbättring av genomströmningen.

Detta paradigmskifte är avgörande för att möta branschens ständigt föränderliga krav, ge snabbhet och hantera unika omständigheter som utmanar traditionella inspektionsmetoder. Historiskt sett förlitade sig kvalitetskontroll (QC) på manuella metoder, men visuell inspektion har visat sig vara revolutionerande. Genom att utnyttja AI:s potential kan tillverkare nu inte bara minska riskerna i samband med maskinfel utan också uppnå långsiktiga kostnadsbesparingar, förbättrad utrustningens livslängd och förbättrad miljöpåverkan.

4. AI-driven digital tvilling för att optimera tillgångars prestanda

Integreringen av digitala tvillingar ligger i linje med Industry 4.0-paradigmet och Quality 4.0, vilket gör det möjligt för tillverkare att utnyttja kraften i virtuella replikor och avancerad analys för att gå mot tillverkning med nära noll defekter. Tillverkare kan få en bättre förståelse för sina produkter genom virtualiserad representation av den faktiska produkten eller tillgången och göra det möjligt för organisationer att testa framtida åtgärder som kan förbättra tillgångarnas prestanda genom att slå samman AI-tekniker med digitala tvillingar.

Det finns vanligtvis fyra tillämpningar av digitala tvillingar inom nollfelstillverkning:

• Produktutveckling: Innan företag fysiskt tillverkar en ny produkt kan de skapa en digital tvillingprototyp. Ingenjörer kan simulera och testa produktens prestanda under olika förhållanden i en virtuell miljö. Till exempel använder GE Aviation digitala tvillingar under design för att utvärdera hur jetmotorkomponenter kommer att bete sig, vilket påskyndar utvecklingen.


• Designanpassning: Digitala tvillingar möjliggör massanpassning genom att låta tillverkare testa designkvaliteten och kontrollera alla specifikationer med hjälp av simulering snarare än fysiska prototyper innan produkten går vidare till produktion baserat på kundens specifikationer.


• Förbättring av verkstadsprestanda: Tillverkare kan ansluta en digital tvilling till fysisk utrustning i produktionslinjen. Genom att kombinera virtuella och fysiska tillgångar kan AI övervaka och analysera industriella processer för att hitta prestandaproblem och möjligheter att förbättra kvalitet eller genomströmning.


• Lageroptimering: Digitala tvillingar ger en komplett virtuell kartläggning av anläggningar, lager och system. AI kan utnyttja denna digitala representation för att automatisera och optimera materialflöden och lagernivåer. Detta kan innebära att justera lagerpunkter, transportrutter eller leveransscheman för att minimera kostnaderna.

Avslutning

Slutligen gör integrationen av AI i tillverkningsindustrin konceptet nollfel till verklighet. Företag som använder AI-teknik realiserar den fulla potentialen av sina investeringar genom att sömlöst integrera virtuella och fysiska tillgångar. AI kan övervaka och analysera industriella processer i realtid, identifiera prestandaproblem och möjligheter att förbättra kvalitet och genomströmning.

För de som är osäkra på var de ska börja finns vår expertis tillgänglig för att vägleda och hjälpa till med att implementera AI-drivna lösningar, vilket banar väg för en mer effektiv, högkvalitativ och felfri tillverkningsmiljö.