AI odhaluje chyby ve výrobě

Cílem projektu Direct Quality Feedback (DQF) pro Škoda Auto bylo ve výrobním závodě v Kvasinách (a následně na dalších pracovištích) zefektivnit proces a zrychlení zpětné vazby při odhalování chyb na výrobní lince. Zrychlením identifikace chyb ve výrobním procesu, která se dělala dříve manuálně, došlo nejen k rychlejší zpětné vazbě pracovníkům, ale též ke snížení opakovaného vzniku chyb, čímž v konečném důsledku DQF zrychlilo výrobu vozů na lince.

Úspora času při odhalování chyb

Eliminace chyb ve výrobě

Zkvalitnění výrobního procesu

DQF odhaluje chyby ve výrobě pomocí AI

Co chtěl klient a proč si vybral právě nás + výzvy

Dříve při zjištění chyby ve výrobním procesu musel odpovědný pracovník tuto závadu zaevidovat a poté zpětně ručně dohledávat, při které výrobní operaci chyba vznikla, kdo byl v té době na směně a který pracovník je za chybu odpovědný. Aktivita byla zdlouhavá, náročná pro všechny zúčastněné články řetězce a ve směnném provozu bylo velmi komplikované, aby se informace propadla v reálném čase až k autorovi chyby.

Při návrhu řešení jsme se museli potýkat s technickými výzvami jako je například orientace v odborné terminologií, tedy faktem, že běžným „předtrénovaným” jazykovým modelům chybí doménová znalost a přesnost spárování chyb s konkrétní výrobními operacemi je pak velmi nízká. Tyto modely tak nebylo možné použít.

Museli jsme tak přijít s vícekrokovým rešením, kdy nejprve provádíme předzpracování jazyka klasickými statistickými metodami. Tím jsme zajistili, že se neuronová síť výrazně rychleji učí a redukuje postupně množství potřebných trénovacích dat. Těmito kroky jsme se dokázali dostat na potřebnou přesnost celého řešení.

Technologie

  • TensorFlow
  • Scikit-Learn
  • Pandas
  • React
  • Databricks
  • F5
  • PostgreSQL
  • OpenShift

Řešení

Hlavní předpoklady pro úspěšné nasazení našeho řešení byla digitalizace většiny systémů ve výrobě, propojení databází, identifikace množství závad a jejich kombinací (přes 12 milionů možností). Zároveň je cílem výsledné řešení převést do dalších provozů a nadále jej rozšiřovat o různé výbavové stupně (dodatkové / příplatkové výbavy, další modely apod.).

Proces jsme rozdělili do několika fází

  • Fáze 1: Experimenty
    Zkoušení metod a přístupů, jejich propojení a zjištění, jaké řešení bude funkční.
  • Fáze 2: Ověření úspěšnosti
    Postupný trénink modelu na základě zpětné vazby klienta, čímž měl model šanci se učit a zdokonalovat.
  • Fáze 3: Vývoj, Integrace & Nasazení
    Samotný vývoj aplikace DQF a napojení AI řešení na ostatní systémy výroby ve Škoda Auto Kvasiny
  • Fáze 5+: Zdokonalování & učení
    V rámci MLOps jsme schopni v reálném čase provádět “retrénink” modelu na nové modely, výbavové stupně vozů, nebo výrobní postupy

Díky nové aplikaci DQF je klient ŠKODA AUTO schopen odhalit a přiřadit více než 85 % závad konkrétní operaci a místu vzniku. Klient tak uspoří čas při odhalování chyb a dohledávání pracoviště, zvyšuje efektivitu výroby a také zkvalitňuje komunikaci mezi pracovníky i jejich rychlejší proškolení. Mimo to DQF snižuje zátěž mistrů směn v závodech.

Návratnost investice v úspoře času a zkvalitnění procesu výroby překračuje 230%.

Přečti si taky