Wie kann die Kontrolle am Bandende (EOL) der Fertigung von mechanischen Bauteilen optimiert werden?

Wir haben die Anzahl der manuellen Tests um erstaunliche 95% reduziert.

NSW

Der Produktionsprozess und die Geräuschanalyse des Körperschalls

In einer typischen Produktion werden mechanische Bauteile zusammengesetzt, die aus einigen Dutzend Einzelteilen bestehen können. Es werden verschiedene Varianten dieser Bauteile hergestellt, und wieder andere Kunden benötigen ganz spezielle Anpassungen. Der Montageprozess ist nur teilweise automatisiert; komplexe Aufgaben und Aufträge mit geringem Volumen müssen von Mitarbeitern erledigt werden. In der Serienfertigung werden täglich hunderte von Einheiten montiert, und jedes bearbeitete Bauteil wird am Ende des Bandes auf dessen Qualität geprüft. Diese Tests werden auf Prüfständen durchgeführt, die mit einem Körperschallrekorder ausgestattet sind. Erfahrene Mitarbeiter führen diese Tests mit ihrem Wissen, Urteilsvermögen und entsprechenden statistischen Methoden durch.

NSW

Das Problem der Qualitätsprüfung

Der Testvorgang ist zeitaufwändig und erfordert manuelle Arbeit, die sich sehr oft wiederholt und anstrengend ist. Mitarbeiter müssen lange geschult werden, um schlechte Teile durch Körperschallanalyse mit hoher Sicherheit unterscheiden zu können. Es werden Bauteile von Mitarbeitern als gut beurteilt, während andere sagen, dass sie unsicher sind oder sie sogar als fehlerhaft markieren.

Hohe Kosten und zu viel Ausschuss

Der Einsatz von manuellen Testmethoden ist von Hause aus kostenintensiv. Manche Unstimmigkeit des menschlichen Hörens verursacht zusätzliche Kosten. Wenn bei einem akustischen Bauteiltest Zweifel aufkommen, also verschiedene Mitarbeiter unterschiedliche Meinungen haben, werden die Bauteile entsorgt oder nach Zerlegung erneut zusammengebaut. Das bedeutet zusätzlichen Aufwand, obwohl die Bauteile möglicherweise in Ordnung sind, was Qualität und Funktionalität betrifft.

Fünf Schritte zur Verbesserung des end-of-line-Testprozesses

Hardware und Installation

Zunächst werten wir die verfügbaren Kundendaten aus und integrieren unsere Neuron SoundWare Lösung (Rechner und Sensoren) in die vorhandenen Anlagen. Mit unserem Datenerfassungssystem nBox unterstützen wir ähnlichen Sensoren.

Datenerfassung und -kennzeichnung

Wir zeichnen die Maschinendaten einige Wochen lang auf. Dabei arbeiten wir eng mit den Betreibern der Produktionslinie zusammen. Die aufgezeichneten Messreihen werden mit unserer eignen Etikettierungs-App gekennzeichnet.

Training und Validierung der Algorithmen

Wir setzen zwei Arten von Algorithmen ein, die von uns entwickelt wurden. Für diesen speziellen Anwendungsfall erwies sich die Erkennung von Anomalien als die bessere Option. Die Methode der Klassifizierung war nicht genau genug aufgrund der mangelnden Genauigkeit bei der Kennzeichnung durch die Mitarbeiter.

Betriebsübergang und Benutzerschulung

Wir implementieren den ausgewählten Algorithmus auf unserem nBox Steuergerät und montieren die Körperschallmikrophone auf die vorhandene Kundenhardware. Schließlich schulen wir die Bediener in der Verwendung unserer KI-Lösung und in der Bereitstellung von Echtzeit-Feedback.

Kontinuierliche Serviceverbesserung

Echtzeit-Feedback von Bedienern hilft uns, die Genauigkeit unserer Algorithmen weiter zu verbessern. Wir bieten vierteljährliche Updates für die Unterstützung des Betriebs an. Auf Basis des laufenden Projekts können wir unserer Algorithmen neu kalibrieren umso neue Produktionslinien oder Produkttypen einzubinden.

Und los geht es mit der KI-Lösung

  • Wir haben es bereits erwartet, dass die Schwankungen bei der Kennzeichnung von guten / schlechten Einheiten durch Mitarbeiter die Erfassung eines qualitativ hochwertigen Trainingsdatensatzes erschweren würde. Und tatsächlich war es die Behinderung im Training von genauen Klassifizierungsalgorithmen.
  • Daher haben wir uns hauptsächlich auf die Entwicklung einer leistungsstarken Erkennung von Anomalien konzentriert, die Geräuschmuster im Körperschall zur Schlecht Klassifizierung der Bauteile lernen kann. Nach einigen Iterationen in der Parametrierung und echten Werkstatttests erwies sich die neue automatisierte KI-Lösung als sehr genau und zuverlässig.
  • Der Kunde hat beschlossen, das Testverfahren so zu ändern, dass nur die Einheiten manuell getestet werden, die den Schwellwert für den automatisierten KI-Test überschritten haben. Am Ende des Testphase hat sich das manuell getestete Volumen auf 5% verringert.

Neuron Soundware hat unsere End-of-Line-Tests für mechanische Bauteile umgestaltet. Die anfängliche Genauigkeit und Konsistenz der Erkennung fehlerhafter Bauteile, bei denen nur drei Tage an Audiodaten verfügbar waren, war überraschend. Wir haben das Testprojekt mit einer Reduzierung der manuellen Tests um erstaunliche 95% abgeschlossen. Wir rollen die Lösung jetzt auf unsere anderen drei Produktionslinien aus.

Ein Produktionsingenieur

Globaler Anbieter von mechanischen Bauteilem

Haben Sie ein ähnliches Problem? Möchten Sie mehr wissen?

NSW