Ανάλυση και σύγκριση στοιχείων για πρόβλεψη της ποιότητας από την BMW
Η τεχνητή νοημοσύνη (AI) μπορεί να διασφαλίσει ακόμα μεγαλύτερη ακρίβεια στον έλεγχο εξαιρετικά ευαίσθητων συστημάτων στην παραγωγή αυτοκινήτων, όπως κατέδειξε πιλοτικό πρόγραμμα στο βαφείο του εργοστασίου της BMW στο Μόναχο.
Παρά την προηγμένη τεχνολογία φιλτραρίσματος, η ύπαρξη πολύ μικρών σωματιδίων σκόνης στις γραμμές βαφής ποικίλει ανάλογα με τον εξαερισμό. Εάν τα ποσοστά σκόνης υπερβαίνουν κάποια όρια, η ακόμα υγρή βαφή ενδέχεται να παγιδεύει σωματίδια, αλλοιώνοντας τη βαμμένη επιφάνεια.
Οι ειδικοί της τεχνητής νοημοσύνης από το τμήμα κεντρικού σχεδιασμού και το εργοστάσιο του Μονάχου έχουν βρει τώρα έναν τρόπο που δίνει οριστική λύση. Κάθε φρεσκοβαμμένο αμάξωμα περνά από αυτόματη επιθεώρηση επιφάνειας στο βαφείο. Τα δεδομένα που συλλέγονται σε αυτούς τους ελέγχους χρησιμοποιούνται για τη δημιουργία μιας ολοκληρωμένης βάσης δεδομένων για ανάλυση σωματιδίων σκόνης. Οι ειδικοί εφαρμόζουν τώρα αλγορίθμους τεχνητής νοημοσύνης για να συγκρίνουν δεδομένα σε πραγματικό χρόνο από αισθητήρες σωματιδίων σκόνης σε θαλάμους βαφής και στεγνωτήρες με στοιχεία της βάσης δεδομένων.
«Λύσεις βασισμένες σε δεδομένα μας βοηθούν να διασφαλίσουμε και να επεκτείνουμε περαιτέρω τις αυστηρές μας απαιτήσεις ποιότητας προς όφελος των πελατών μας. Η έξυπνη ανάλυση δεδομένων (Smart Data Analytics) και η τεχνητή νοημοσύνη βοηθούν την ομάδα μας στη λήψη αποφάσεων για τη βελτίωση διαδικασιών. Έχουμε καταθέσει αιτήματα για αρκετές πατέντες σχετικές με αυτή την καινοτόμα τεχνολογία ανάλυσης σωματιδίων σκόνης», εξηγεί ο Albin Dirndorfer, στέλεχος σε θέματα βαφής και φινιρίσματος αμαξώματος και επιφανειών του γερμανικού Group.
Δύο συγκεκριμένα παραδείγματα δείχνουν τα οφέλη αυτής της νέας λύσης τεχνητής νοημοσύνης: Όπου τα επίπεδα της σκόνης αναμένεται να αυξηθούν λόγω εποχής ή κατά τη διάρκεια παρατεταμένης ξηρασίας, ο αλγόριθμος μπορεί να ανιχνεύσει αυτή την τάση έγκαιρα και να αποφασίσει, για παράδειγμα, μία αντικατάσταση φίλτρου νωρίτερα.
Πρόσθετα μοτίβα μπορούν να ανιχνεύονται σε περιπτώσεις που αυτός ο αλγόριθμος χρησιμοποιείται παράλληλα με άλλα εργαλεία ανάλυσης. Για παράδειγμα, η ανάλυση μπορεί να αποκαλύψει επιπλέον ότι το σύστημα που χρησιμοποιεί φτερά στρουθοκαμήλου για την αφαίρεση σωματιδίων σκόνης από τα αμαξώματος πρέπει να αναβαθμιστεί.
Οι ειδικοί τεχνητής νοημοσύνης βλέπουν τεράστιες δυνατότητες στην ανάλυση σωματιδίων σκόνης. Με βάση πληροφορίες από πολυάριθμους αισθητήρες και δεδομένα από ελέγχους επιφανειών, ο αλγόριθμος παρακολουθεί πάνω από 160 χαρακτηριστικά που σχετίζονται με το αμάξωμα και είναι σε θέση να προβλέπει την ποιότητα της διαδικασίας βαφής με μεγάλη ακρίβεια.
Αυτή η λύση θα είναι κατάλληλη για εφαρμογή στη μαζική παραγωγή αφού διευρυνθεί περαιτέρω η βάση δεδομένων. Ειδικότερα, αυτό απαιτεί πρόσθετα σημεία μέτρησης και ακόμα πιο ακριβή δεδομένα αισθητήρων για τους σταθμούς καθαρισμού αμαξωμάτων.
Οι ειδικοί στην τεχνητή νοημοσύνη είναι σίγουροι ότι αφού ολοκληρωθεί το πιλοτικό project στο εργοστάσιο του Μονάχου, θα μπορεί να ξεκινήσει η ανάλυση σωματιδίων σκόνης και σε άλλα εργοστάσια οχημάτων.
Νίκος Τσάδαρης
