23948sdkhjf
Innehållet nedan modereras inte i förväg och omfattas därmed inte av webbplatsens utgivningsbevis.

FM Mattsson: Minskade kassationer med hjälp av AI

| Medlemsnyhet | Företag DynaMate AB

Kvalitetssäkring i produktionen är en tidskrävande uppgift som ofta ger inkonsekventa resultat. Felsökning och defekt-detektering är en utmaning för tillverkningsbranschen i stort.

Men framsteg inom AI och djupinlärning har gjort processen automatiserad och mycket mer effektiv.

Utmaning
DynaMate  har länge arbetat med att effektivisera FM Mattssons produktion. Med hjälp av MUR-systemet ökade kundens utnyttjandegrad från 46 % till 73 % under en period på sex månader. När vi letade efter fler sätt att optimera FM Mattssons produktionslinje såg vi stora möjligheter att öka produktionseffektiviteten med en mer effektiv felsökningsmetod. Vi undersökte därför möjligheten att tillämpa AI i sina kunders tillverkningsprocess, med hjälp av Peltarion som AI-verktyg och leverantör.

Organisation: DynaMate/Peltarion
Uppdragsgivare: FM Mattsson Mora Group
AI-metod: Bildklassificering
Industri: Tillverkning

Möjligheter med AI
Tillverkningsindustrin är alltid på jakt efter balans i produktionen. Målet är en effektiv och jämn produktion, med färre defekta delar och produktionsstopp som riskerar att öka produktionskostnaderna. Genom att automatisera processen för att upptäcka produktionsdefekter kan AI minska kostnaderna och förbättra produktionen, där djupinlärning är nyckeln till en mindre kostsam, snabbare och mer exakt defektdetektering. När vi ville optimera FM Mattssons defektdetektering undersöktes möjligheterna med djupinlärning som en snabb, skalbar och värdeskapande lösning.

Bakgrund
FM Mattsson är Sveriges ledande krantillverkare, som tillverkar högkvalitativa blandare med funktionell design. Med önskan om att minska oplanerade stopp och skapa ett bättre förebyggande underhåll startades ett samarbete med DynaMate. Efter vår inrådan kopplades MUR – ett system för automatisk insamling av stopp – in på prov vid en av gjuteriavdelningens maskiner. Pilotprojektet visade sig vara mycket lyckat och efter en kort tid kopplades gjutceller och kärnbakningsmaskiner vid gjuteriavdelningen upp mot MUR. Alla stopp är synliga och loggas för en veckovis uppföljning och möjlighet till planering av förebyggande åtgärder.

Gjutcellerna har tack vare registrerade stopp och möjlighet till förebyggande åtgärder via MUR, ökat sin utnyttjandegrad avsevärt. Från 46 procent till 73 procent, under en period av sex månader. Resultatet har även visat sig genom ett förbättrat kvalitetsutfall och stabilare produktion, möjlighet till förebyggande underhåll i tid samt mindre förluster. Spårbarheten har ökat betydligt, samtidigt som produktionen har halverat kassationer.

Med resultatet från MUR som bakgrund, sökte vi efter en lösning för att göra FM Mattssons kvalitetstestning än mer effektiv. Det var där Peltarion-plattformen kom in i bilden.

Traditionella metoder för att detektera defekter bygger på att en operatör klassificerar delar, eller bilder av dessa delar, för hand. Ett tidskrävande arbete som även kräver utbildad och erfaren personal. De automatiserade systemen som finns är ofta dyra och svåra att implementera. Däremot kan artificiell intelligens och djupinlärning klassificera bilder med större hastighet och noggrannhet än vad som är möjligt för människan. Samtidigt är implementationskostnaden avsevärt lägre.

En djupinlärningsmetod ökar effektiviteten genom att kvalitetskontrollen integreras i en helautomatiserad produktionslinje och möjliggör en exakt analys av kvaliteten på varje enskild del. Djupinlärningsmodellerna är automatiserade och snabba, vilket gör att de kan implementeras i fler steg av produktionen för att undvika att defekta delar går igenom till nästa steg i produktionsprocessen.

I sin tillverkningsprocess använder FM Mattsson gjutformar i tillverkningen av blandarrör. Vi monterade kameror i produktionslinjen som tog bilder av gjutformarna i realtid med MUR-systemet. Bilderna från kameran matades sedan in som bilddata till djupinlärningsmodellen i Peltarion. Modellen identifierar om kanten på formen är defekt och behöver bytas ut, vilket hindrar den från att påverka tillverkningsprocessen av blandarrören. Att upptäcka defekter tidigt är en stor kostnadsbesparing, då de defekta delarna i tid kan bytas ut i tillverkningsprocessen och i sin tur säkerställa kvaliteten på slutprodukten.

Nästa steg i produktionsprocessen, efter att modellen har identifierat vilka gjutformar som håller kvaliteten, är en robotprocess. Baserat på resultatet från modellen sorterar roboten formarna genom att ta bort de dåliga, så att de inte används i produktionen och orsakar att defekta kranar produceras.

Resultatet är att FM Mattsson sparar tid och resurser i sin tillverkningsprocess genom att inte behöva tillverka defekta kranar och sortera dem i efterhand som tidigare, eller till och med låta kunderna få defekta produkter och få en dålig kundupplevelse.

Hur AI-modellen fungerar
Modellen som använts i projektet är en datorseende modell. Datorseende är ett område för djupinlärning som fokuserar på att analysera bilder och kan förbättra hastigheten och effektiviteten i processer som kräver visuellt baserat beslutsfattande, så som defektdetektering. I detta projekt tränades modellen på bilder av tillverkade blandardelar, klassade antingen som defekta eller icke-defekta.

Att upptäcka om en tillverkad del har ytdefekter är ett exempel på binär bildklassificering, vilket innebär att indata till modellen är en bild av den tillverkade delen och utdata är en av två klassificeringar - defekt eller icke-defekt. Men det kan också vara mer detaljerat och återspegla olika typer eller grader av defekter.

Under utbildningsprocessen kommer AI-modellen att lära sig det komplexa förhållandet mellan egenskaperna hos bilden och motsvarande etikett (defekt eller icke-defekt). Utdata från modellen kommer att vara en sannolikhet att en specifik bild har en viss etikett, därför kommer den att klassificera bilden som antingen mer sannolikt att vara en bild av en defekt eller en icke-defekt del.

Som systemintegratör programmerar vi robotarmen och gör justeringar av produktionslinjens MUR-kamera. Roboten sorterar sedan de defekta/icke-defekta delarna baserat på resultatet av modellens djupinlärning av bilderna.

Datakrav
Data av god kvalitet är ofta den viktigaste komponenten i ett framgångsrikt AI-projekt. För detta projekt krävde modellen bilddata. Vår kamera gav bilder till modellen att träna och utvärdera på.

Det är viktigt att alla bilder har samma form och helst bör det vara liknande antal bilder för de etiketter som ska klassificeras. För att modellen ska lära sig kopplingarna mellan bilderna och den defekta/icke-defekta etiketten, krävs en tabell som listar bildnamnen och motsvarande etiketter.

Resultat och nästa steg
Peltarion och DynaMate har tagit fram ett AI-baserat system som kan upptäcka defekter i produktionslinjedelar genom att utnyttja en datorvisionsapplikation. Modellen presterar bättre än det nuvarande systemet på plats, vilket minskar antalet defekta gjutformar i produktionen. FM Mattsson kan nu identifiera fler defekta gjutformar tidigt i produktionen och minska antalet rör som kasseras, vilket ökar effektiviteten och sänker kostnaderna.

Projektet är i POC-stadiet och när AI-modellen är klar för användning kommer vi att göra de förändringar som behövs i FM Mattssons produktionslinje.

Kvalitetssäkring av FM Mattssons produktion
FM Mattsson, Sveriges ledande tillverkare av kranar, använder AI för att effektivisera och kvalitetssäkra sin produktion. Tillsammans med Peltarion har vi skapat ett automatiserat system som upptäcker defekta gjutformar i produktionslinjen och sorterar bort de som är felaktiga, vilket leder till högre kvalitet och minskade kostnader för FM Mattsson.

Läs mer om MUR – systemet för automatisk insamling av stopp


Skriv din kommentar
Inläggen nedan modereras inte i förväg och omfattas därmed inte av webbplatsens utgivningsbevis.

Medlemsnyhet

Företag
DynaMate AB

Tallvägen 2
151 21 Södertälje
Sverige
DynaMate AB

Bilder och video

Tipsa en kollega

0.063