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%.

Chci se s vámi spojit

ODESLAT
Děkujeme za Vaši zprávu. Co nejdříve Vás budeme kontaktovat.
Nastala chyba při vyplňování formuláře. Zkuste jej vyplnit znovu, nebo se nám ozvěte přímo uvedený email.
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.

Přečti si taky