• Pierwsze zastosowanie oprogramowania przyczyni siÄ™ do dalszego jego rozwoju

• Wykrywanie pÄ™knięć w tÅ‚oczonych elementach bÄ™dzie zautomatyzowane z pomocÄ… tzw. machine learning – samouczÄ…cych siÄ™ maszyn

• CaÅ‚y proces jest kolejnym krokiem na drodze cyfrowej transformacji przedsiÄ™biorstwa 

Audi, jako jeden z pierwszych na Å›wiecie producentów samochodów, planuje wykorzystanie tzw. machine learning – samouczÄ…cych siÄ™ maszyn, w produkcji seryjnej. Opracowane przez cztery pierÅ›cienie oprogramowanie automatycznie, dokÅ‚adnie i w mgnieniu oka rozpoznaje oraz oznacza najdrobniejsze pÄ™kniÄ™cia w tÅ‚oczonych, metalowych elementach. DziÄ™ki niemu, Audi promuje w koncernie rozwiÄ…zania spod znaku sztucznej inteligencji i rewolucjonizuje proces kontroli jakoÅ›ci bezpoÅ›rednio na produkcji.

Audi, ze wzglÄ™du na coraz bardziej wyrafinowane wzornictwo swych samochodów i wysokie standardy jakoÅ›ci, już na miejscu kontroluje wszystkie elementy wytwarzane na wydziaÅ‚ach tÅ‚oczni. Poza kontrolÄ… wizualnÄ… przeprowadzanÄ… przez pracowników, bezpoÅ›rednio w prasach instalowanych jest kilka maÅ‚ych kamer. PrzetwarzajÄ… one obrazy za pomocÄ… oprogramowania do ich rozpoznawania. Proces ten zostanie wkrótce zastÄ…piony procedurÄ… machine learning. BazÄ… dla niej jest oprogramowanie oparte na zÅ‚ożonej, sztucznej sieci neuronowej. Precyzyjnie wykrywa ono najdrobniejsze pÄ™kniÄ™cia w blachach i dokÅ‚adnie zaznacza takie miejsce.

„W tej chwili jesteÅ›my na etapie testowania zautomatyzowanych procesów kontrolnych na linii produkcyjnej tÅ‚oczni w Ingolstadt. Metoda ta wspiera naszych pracowników i jest kolejnym ważnym krokiem na drodze przeksztaÅ‚cania zakÅ‚adów produkcyjnych Audi w nowoczesne, inteligentne fabryki” – podkreÅ›la Jörg Spindler, szef centrum kompetencyjnego ds. wyposażenia i technik formowania materiaÅ‚ów.

RozwiÄ…zanie to opiera siÄ™ na metodzie tzw. deep learning, odmianie machine learning, która może pracować z bardzo nieustrukturyzowanymi i wielowymiarowymi danymi, np. z obrazami. ZespóÅ‚ specjalistów spÄ™dziÅ‚ wiele miesiÄ™cy szkolÄ…c sztucznÄ… sieć neuronowÄ…, podajÄ…c jej wiele milionów obrazów testowych. NajwiÄ™kszym wyzwaniem byÅ‚o z jednej strony stworzenie wystarczajÄ…co dużej bazy danych,
a z drugiej tzw. etykietowanie obrazów. ZespóÅ‚, z dokÅ‚adnoÅ›ciÄ… co do piksela oznaczyÅ‚ pÄ™kniÄ™cia na testowych obrazach, do czego wymagana byÅ‚a najwyższa dokÅ‚adność. WysiÅ‚ek siÄ™ opÅ‚aciÅ‚, ponieważ sieć neuronowa uczy siÄ™ teraz niezależnie od przykÅ‚adów i wykrywa pÄ™kniÄ™cia nawet na nowych, nieznanych wczeÅ›niej obrazach. Baza danych skÅ‚ada siÄ™ z kilku terabajtów obrazów testowych pobranych
z siedmiu tÅ‚oczni zakÅ‚adów Audi w Ingolstadt oraz z kilku fabryk Volkswagena.

„Sztuczna inteligencja oraz proces samouczenia siÄ™ maszyn, to kluczowe dla przyszÅ‚oÅ›ci Audi rozwiÄ…zania techniczne. Przy ich pomocy bÄ™dziemy z równowagÄ… kontynuować cyfrowÄ… transformacjÄ™ naszego przedsiÄ™biorstwa” – podkreÅ›la Frank Loydl, szef komunikacji AUDI AG. „W tym miÄ™dzywydziaÅ‚owym projekcie wspólnie opracowujemy rozwiÄ…zania już produkcyjne, które Audi wykorzystywać bÄ™dzie wyÅ‚Ä…cznie we wÅ‚asnych operacjach i które sÄ… niepowtarzalne na rynku.” Oprogramowanie – od pomysÅ‚u, aż do koÅ„cowego prototypu -  zostaÅ‚o opracowane przede wszystkim przez specjalistów czterech pierÅ›cieni. Departament innowacji dziaÅ‚u IT Audi, już od poÅ‚owy roku 2016 pracowaÅ‚ nad nim wspólnie z wydziaÅ‚em technologii produkcji centrum kompetencyjnego ds. wyposażenia i technik ksztaÅ‚towania materiaÅ‚ów.

W przyszÅ‚oÅ›ci, kontrola jakoÅ›ci oparta o metody machine learning zastÄ…pi obecnÄ…, wizualnÄ… metodÄ™ wykrywania pÄ™knięć wymagajÄ…cÄ… dużego nakÅ‚adu rÄ™cznej pracy. Bez znaczenia, czy sÄ… to drzwi, maska silnika, czy bÅ‚otniki, obecnie kamera musi być konfigurowana na nowo dla każdego najmniejszego elementu, który wychodzi spod pras. Dodatkowo dość regularnie zdarzajÄ… siÄ™ pomyÅ‚ki, ponieważ proste algorytmy programu przetwarzania obrazu w dużym stopniu zależą od czynników zewnÄ™trznych, takich jak warunki oÅ›wietleniowe, czy wÅ‚aÅ›ciwoÅ›ci powierzchni.

Również w przyszÅ‚oÅ›ci możliwe bÄ™dÄ… zastosowania metody machine learning do innych prowadzonych obecnie wizualnie procesów kontrolnych. W przypadku gdy dostÄ™pna bÄ™dzie wystarczajÄ…co duża ilość oznakowanych zestawów danych, system i caÅ‚a metoda wykorzystane mogÄ… być np. w lakierni, czy na wydziale montażu.