Audi, jako jeden z pierwszych na świecie producentów samochodów, planuje wykorzystanie tzw. machine learning – samouczących się maszyn, w produkcji seryjnej. Opracowane przez cztery pierścienie oprogramowanie automatycznie, dokładnie i w mgnieniu oka rozpoznaje oraz oznacza najdrobniejsze pęknięcia w tłoczonych, metalowych elementach. Dzięki niemu, Audi promuje w koncernie rozwiązania spod znaku sztucznej inteligencji i rewolucjonizuje proces kontroli jakości bezpośrednio na produkcji.

  • Pierwsze zastosowanie oprogramowania przyczyni się do dalszego jego rozwoju

 

  • Wykrywanie pęknięć w tłoczonych elementach będzie zautomatyzowane z pomocą tzw. machine learning – samouczących się maszyn

 

  • Cały proces jest kolejnym krokiem na drodze cyfrowej transformacji przedsiębiorstwa 

 

Audi, jako jeden z pierwszych na świecie producentów samochodów, planuje wykorzystanie tzw. machine learning – samouczących się maszyn, w produkcji seryjnej. Opracowane przez cztery pierścienie oprogramowanie automatycznie, dokładnie i w mgnieniu oka rozpoznaje oraz oznacza najdrobniejsze pęknięcia w tłoczonych, metalowych elementach. Dzięki niemu, Audi promuje w koncernie rozwiązania spod znaku sztucznej inteligencji i rewolucjonizuje proces kontroli jakości bezpośrednio na produkcji.

 

Audi, ze względu na coraz bardziej wyrafinowane wzornictwo swych samochodów i wysokie standardy jakości, już na miejscu kontroluje wszystkie elementy wytwarzane na wydziałach tłoczni. Poza kontrolą wizualną przeprowadzaną przez pracowników, bezpośrednio w prasach instalowanych jest kilka małych kamer. Przetwarzają one obrazy za pomocą oprogramowania do ich rozpoznawania. Proces ten zostanie wkrótce zastąpiony procedurą machine learning. Bazą dla niej jest oprogramowanie oparte na złożonej, sztucznej sieci neuronowej. Precyzyjnie wykrywa ono najdrobniejsze pęknięcia w blachach i dokładnie zaznacza takie miejsce.

 

„W tej chwili jesteśmy na etapie testowania zautomatyzowanych procesów kontrolnych na linii produkcyjnej tłoczni w Ingolstadt. Metoda ta wspiera naszych pracowników i jest kolejnym ważnym krokiem na drodze przekształcania zakładów produkcyjnych Audi w nowoczesne, inteligentne fabryki” – podkreśla Jörg Spindler, szef centrum kompetencyjnego ds. wyposażenia i technik formowania materiałów.

 

Rozwiązanie to opiera się na metodzie tzw. deep learning, odmianie machine learning, która może pracować z bardzo nieustrukturyzowanymi i wielowymiarowymi danymi, np. z obrazami. Zespół specjalistów spędził wiele miesięcy szkoląc sztuczną sieć neuronową, podając jej wiele milionów obrazów testowych. Największym wyzwaniem było z jednej strony stworzenie wystarczająco dużej bazy danych,
a z drugiej tzw. etykietowanie obrazów. Zespół, z dokładnością co do piksela oznaczył pęknięcia na testowych obrazach, do czego wymagana była najwyższa dokładność. Wysiłek się opłacił, ponieważ sieć neuronowa uczy się teraz niezależnie od przykładów i wykrywa pęknięcia nawet na nowych, nieznanych wcześniej obrazach. Baza danych składa się z kilku terabajtów obrazów testowych pobranych
z siedmiu tłoczni zakładów Audi w Ingolstadt oraz z kilku fabryk Volkswagena.

 

„Sztuczna inteligencja oraz proces samouczenia się maszyn, to kluczowe dla przyszłości Audi rozwiązania techniczne. Przy ich pomocy będziemy z równowagą kontynuować cyfrową transformację naszego przedsiębiorstwa” – podkreśla Frank Loydl, szef komunikacji AUDI AG. „W tym międzywydziałowym projekcie wspólnie opracowujemy rozwiązania już produkcyjne, które Audi wykorzystywać będzie wyłącznie we własnych operacjach i które są niepowtarzalne na rynku.” Oprogramowanie – od pomysłu, aż do końcowego prototypu –  zostało opracowane przede wszystkim przez specjalistów czterech pierścieni. Departament innowacji działu IT Audi, już od połowy roku 2016 pracował nad nim wspólnie z wydziałem technologii produkcji centrum kompetencyjnego ds. wyposażenia i technik kształtowania materiałów.

 

W przyszłości, kontrola jakości oparta o metody machine learning zastąpi obecną, wizualną metodę wykrywania pęknięć wymagającą dużego nakładu ręcznej pracy. Bez znaczenia, czy są to drzwi, maska silnika, czy błotniki, obecnie kamera musi być konfigurowana na nowo dla każdego najmniejszego elementu, który wychodzi spod pras. Dodatkowo dość regularnie zdarzają się pomyłki, ponieważ proste algorytmy programu przetwarzania obrazu w dużym stopniu zależą od czynników zewnętrznych, takich jak warunki oświetleniowe, czy właściwości powierzchni.

 

Również w przyszłości możliwe będą zastosowania metody machine learning do innych prowadzonych obecnie wizualnie procesów kontrolnych. W przypadku gdy dostępna będzie wystarczająco duża ilość oznakowanych zestawów danych, system i cała metoda wykorzystane mogą być np. w lakierni, czy na wydziale montażu.

2018-11-02