Predykcyjna jakość w produkcji: co zmieniła firma Siemens
// W TYM ARTYKULE 09
- 01 Wąskim gardłem firmy Siemens był proces jakościowy, który działał
- 02 Predykcyjna kontrola jakości zaczyna się przed wykryciem wady
- 03 Dlaczego 100% inspekcja może być nadal błędnym rozwiązaniem
- 04 Model wymaga połączonego kontekstu procesu
- 05 Dokładność nie jest miarą biznesową
- 06 Bezpieczna droga od pilotażu do produkcji
- 07 Prawdziwa lekcja od Siemensa
- 08 Często zadawane pytania
- 09 Źródła
Najcenniejszy projekt kontroli jakości może nie obejmować szybszej kontroli produktów. Może natomiast zmienić, które produkty w ogóle wymagają ostatecznej kontroli.
To jest lekcja operacyjna z zakładu Siemens Electronics Works w Ambergu. Fabryka wykorzystywała dane generowane podczas produkcji płytek PCB do przewidywania, czy połączenia lutowane są bezbłędne i czy konieczne jest przeprowadzenie badania rentgenowskiego na końcu linii produkcyjnej. Test ten stał się wąskim gardłem. Model oparty na warunkach procesu produkcyjnego na początku produkcji dał zespołowi kolejny sposób na ochronę jakości przy jednoczesnym zwiększeniu przepływu.
To rozróżnienie ma znaczenie. Duża część dyskusji na temat kontroli jakości za pomocą sztucznej inteligencji w produkcji koncentruje się na kamerach zastępujących ludzką inspekcję wizualną. Amberg pokazuje inny schemat: wykorzystaj sam proces produkcji jako dowód. Zamiast czekać na stanowisko końcowe, aby ocenić, czy produkt jest dobry, oszacuj jakość na podstawie sposobu jego wytworzenia.
Może to zwiększyć wydajność, ograniczyć zbędne testy i poprawić przejrzystość. Tworzy to również nową odpowiedzialność. Producent musi wiedzieć, kiedy model jest pewny, kiedy konwencjonalna kontrola pozostaje obowiązkowa i jak wykryć zmianę warunków procesu.
Jakość predykcyjna jest zatem decyzją podejmowaną w ramach modelu operacyjnego, zanim stanie się ćwiczeniem modelowania.
Wąskim gardłem firmy Siemens był proces jakościowy, który działał
Zakład w Amberg produkuje produkty automatyki przemysłowej SIMATIC. Siemens deklaruje produkcję około 17 milionów komponentów rocznie, około 1200 wariantów produktów i standard jakości 99,9990%. Fabryka analizuje dziesiątki milionów punktów danych procesowych i produktowych, jednocześnie przeprowadzając setki zmian w produkcji każdego dnia.
Proces produkcji płytek PCB obejmował badanie rentgenowskie w celu weryfikacji styków lutowniczych. Kontrola ta odegrała ważną rolę, ale trwała na tyle długo, że ograniczyła przepustowość produkcji. Siemens stwierdził, że dodanie kolejnego urządzenia rentgenowskiego wymagałoby nakładów inwestycyjnych rzędu 500 000 euro oraz integracji ze środowiskiem produkcyjnym.
To użyteczny punkt wyjścia, ponieważ proces nie był ewidentnie wadliwy. Stanowisko kontroli jakości chroniło wymagający standard produktu. Pytanie brzmiało, czy każda płytka PCB wymagała tej samej ścieżki kontroli, skoro dane z wcześniejszego etapu produkcji zawierały już dowody na prawdopodobną jakość.
Firma Siemens zebrała informacje z procesu drukowania pasty lutowniczej, jej kontroli, procesu pick-and-place, pieca oraz automatycznej kontroli optycznej. Zespół wyszkolił algorytm sztucznej inteligencji (AI) w oparciu o te parametry procesu i wdrożył uzyskany model na krawędzi. Model przewidywał, czy połączenia lutowane są wolne od błędów, a w konsekwencji, czy konieczne jest przeprowadzenie końcowego badania rentgenowskiego.
Ograniczenia produkcyjne nadały projektowi mierzalny cel: odciążenie przepustowości rentgenowskiej bez osłabiania kontroli jakości. To znacznie silniejsze niż założenie, że „potrzebujemy przypadku użycia sztucznej inteligencji”.
Predykcyjna kontrola jakości zaczyna się przed wykryciem wady
Tradycyjna kontrola końcowa daje odpowiedź na późne pytanie: czy gotowy produkt spełnia wymagania?
Jakość predykcyjna stawia sobie wcześniejsze pytanie: jakie jest prawdopodobieństwo, że dana jednostka spełni te wymagania, biorąc pod uwagę materiał, ustawienia sprzętu, warunki środowiskowe i sekwencję zdarzeń?
Przegląd systematyczny Tercana i Meisena definiuje jakość predykcyjną jako wykorzystanie metod uczenia maszynowego lub głębokiego uczenia do szacowania jakości związanej z produktem na podstawie danych procesowych i produktowych, w celu uzyskania wniosków poprawiających jakość. Ich przegląd obejmował 81 publikacji naukowych z lat 2012–2021 i znalazł zastosowanie w różnych procesach, takich jak cięcie, łączenie, formowanie i wytwarzanie addytywne.
Dane mogą obejmować temperatury, ciśnienia, siły nacisku narzędzi, wibracje, czasy cykli, stany maszyn, receptury, partie materiałów, interwencje operatora i pomiary pośrednie. Celem pozostaje rzeczywisty wynik jakościowy: klasa defektu, pomiar wymiarów, charakterystyka powierzchni, wytrzymałość spoiny lub wynik pozytywny/negatywny.
Model jest użyteczny tylko wtedy, gdy jego szacunki docierają wystarczająco wcześnie, aby zmienić decyzję. Decyzja ta może dotyczyć dostosowania parametru, zatrzymania maszyny, poddania partii kwarantannie, skierowania części do dokładniejszej kontroli lub umożliwienia kontynuacji pracy jednostki o niskim ryzyku.
W Ambergu działanie operacyjne polegało na selektywnym testowaniu na końcu linii produkcyjnej. W innym zakładzie może to być regulacja w trakcie procesu, a nie kontrola przebiegu. Technologia jest podobna; wartość zależy od przepływu pracy.
Dlaczego 100% inspekcja może być nadal błędnym rozwiązaniem
„Kontroluj wszystko” brzmi bezpieczniej niż „kontroluj selektywnie”. W procesach regulowanych, krytycznych dla bezpieczeństwa lub objętych regulacjami umownymi może to być również obowiązkowe. Nigdy nie należy wykorzystywać jakości predykcyjnej do cichego obejścia tych wymogów.
Poza tymi ograniczeniami kontrola ogólna może jednak stwarzać trzy problemy.
Po pierwsze, traktuje wszystkie produkty tak, jakby niosły ze sobą równe ryzyko. Stabilna jednostka wyprodukowana w dobrze znanym oknie procesowym jest poddawana takim samym testom, jak jednostka wyprodukowana po zmianie materiału, alarmie sprzętowym lub nietypowej kombinacji parametrów.
Po drugie, kontrola na końcu linii produkcyjnej pozwala na uzyskanie wyniku po dodaniu wartości. Jeśli stan na początku linii produkcyjnej powoduje wady, zakład może kontynuować produkcję wadliwego materiału, aż do momentu zgłoszenia tego na stacji końcowej.
Po trzecie, sam system kontroli może ograniczać przepustowość. Zwiększanie mocy produkcyjnych na wcześniejszym etapie ma ograniczoną wartość, jeśli każda jednostka czeka w kolejce na ten sam test końcowy.
Predykcyjna kontrola jakości umożliwia priorytetyzację na podstawie ryzyka. Wyroby, dla których model ma wysoką pewność predykcji i wskazuje niskie ryzyko, mogą przechodzić zatwierdzoną ścieżkę ograniczonej kontroli. Wyroby o niepewnym wyniku lub wysokim ryzyku podlegają pełnej kontroli. Zasady operacyjne określają progi; model dostarcza informacji do oceny.
To nie jest argument filozoficzny przeciwko testowaniu. To argument za alokacją zasobów jakościowych zgodnie z mierzonym ryzykiem.
Model wymaga połączonego kontekstu procesu
Najtrudniejszy bywa nie wybór algorytmu, lecz wiarygodne powiązanie wcześniejszych etapów procesu z późniejszymi wynikami kontroli jakości.
Dla każdej jednostki lub partii zespoły muszą połączyć zdarzenia opisujące sposób jej produkcji z wynikiem kontroli, który określa osiągniętą jakość. Same znaczniki czasu często nie wystarczają. Identyfikatory produktów, kroki trasowania, identyfikatory maszyn, stany narzędzi, partie materiałów i wersje receptur muszą być spójne.
Wiele fabryk przechowuje te sygnały w sterownikach PLC, systemach archiwizacji danych SCADA, platformach MES, systemach zarządzania jakością, systemach laboratoryjnych, rejestrach konserwacji i arkuszach kalkulacyjnych. System ERP może rejestrować zlecenia produkcyjne i ruchy zapasów bez przechowywania danych procesowych o wysokiej częstotliwości, niezbędnych do prognozowania jakości. Jest to jedno z praktycznych ograniczeń traktowania systemu ERP jako całościowego obrazu operacyjnego .
Przydatna baza danych wymaga:
- Identyfikowalność. Każdą etykietę jakości można powiązać z odpowiednią historią procesu.
- Kontekst. Tagi i pomiary mają znaczenie biznesowe, jednostki i prawidłowe zakresy.
- Integralność czasu. Zegary, sekwencje i zmiany są reprezentowane poprawnie.
- Wyniki reprezentatywne. Dane szkoleniowe obejmują normalną pracę, znane usterki i nietypowe warunki.
- Zarządzanie. Zespoły wiedzą, kto jest właścicielem każdego sygnału, transformacji i reguły jakości.
W tym miejscu DataCore wkracza na scenę: nie poprzez zastąpienie systemów zakładowych, ale poprzez połączenie ich kontekstu operacyjnego z zarządzaną warstwą, z której może korzystać analiza.
Dokładność nie jest miarą biznesową
Model może wykazywać imponującą dokładność, a mimo to być niebezpieczny lub nieistotny ekonomicznie.
Wady zwykle występują rzadko. Model przewidujący dobry wynik dla każdego wyrobu może osiągać wysoką trafność, a jednocześnie pomijać istotne wady. Zespoły jakości powinny oceniać wyniki fałszywie ujemne i dodatnie, precyzję, czułość (recall), kalibrację oraz wyniki dla poszczególnych rodzin produktów i warunków pracy.
Struktura kosztów również ma znaczenie. Fałszywie negatywny wynik może spowodować wypuszczenie wadliwego urządzenia. Fałszywie pozytywny wynik może spowodować, że sprawny egzemplarz przejdzie niepotrzebny test. Te wyniki nie mają tych samych konsekwencji.
Próg operacyjny powinien odzwierciedlać tę asymetrię. W przypadku krytycznej charakterystyki model może jedynie zalecić dodatkową inspekcję. W przypadku dojrzałej, stabilnej charakterystyki może on wspierać ścieżkę ograniczonej inspekcji po walidacji. W przypadku niskiego poziomu ufności lub niekompletności danych, system powinien bezpiecznie powrócić do ustalonej kontroli.
Program NIST „Rozszerzona Inteligencja dla Systemów Produkcyjnych” opiera się na tym samym, szerszym przesłaniu: sztuczna inteligencja w produkcji powinna łączyć metody oparte na danych z nauką o pomiarach, fizyką i okresową weryfikacją. Zaufanie pochodzi z systemu wokół modelu, a nie z pojedynczego wyniku walidacji.
Zmierz projekt na podstawie wyników operacyjnych:
- wykorzystanie inspekcji i czas oczekiwania;
- przepustowość na etapie ograniczonym;
- wady niewykryte podczas kontroli i skargi klientów;
- złom, przeróbki i wydajność pierwszego przejścia;
- koszt fałszywie negatywny i fałszywie pozytywny;
- procent jednostek kierowanych automatycznie w porównaniu do kierowanych zachowawczo;
- dryft modelu i częstotliwość rezerwowa.
Te wskaźniki pozwalają na uwzględnienie jakości i wydajności w tej samej dyskusji.
Bezpieczna droga od pilotażu do produkcji
Przykład Siemensa pochodzi z fabryki, która przez lata była wysoce zdigitalizowana. Nie oznacza to, że producent średniej wielkości musi przebudować Amberg przed rozpoczęciem prac. Oznacza to, że program pilotażowy powinien rozpocząć się od ograniczonego procesu i wiarygodnego śladu danych.
Nasza metoda „najpierw diagnoza” wykorzystuje następującą sekwencję.
1. Znajdź ograniczenie jakościowe o wadze ekonomicznej
Zwróć uwagę na powolną inspekcję, kosztowne testy, częste poprawki, niestabilną wydajność lub defekt wykryty zbyt późno. Określ punkt odniesienia w zakresie czasu, kosztów, wydajności i jakości.
2. Zmapuj rzeczywistą decyzję
Określ, co się zmieni po otrzymaniu prognozy. Pole „Pokaż wynik ryzyka” jest niekompletne. Zdecyduj, czy działanie ma polegać na inspekcji, kwarantannie, dostosowaniu, zatrzymaniu czy eskalacji.
3. Zbuduj możliwość śledzenia przed modelowaniem
Połącz zmienne procesowe z rzeczywistymi wynikami jakościowymi w odpowiedniej jednostce, partii lub oknie czasowym. Rozwiąż problemy z brakującymi identyfikatorami, błędami zegara i nieudokumentowanymi transformacjami.
4. Wprowadź okres pracy w trybie obserwacyjnym
Uruchamiaj prognozy bez zmiany produkcji. Porównuj je z ustalonymi wynikami kontroli dla standardowych cykli, przezbrojeń, konserwacji i nietypowych materiałów.
5. Wprowadź konserwatywne progi decyzyjne
Zacznij tam, gdzie niepewność jest najmniejsza, a rozwiązanie awaryjne jest jasne. Zachowaj obowiązkowe kontrole i wymagaj zgody człowieka, gdy ryzyko to uzasadnia.
6. Monitoruj system operacyjny
Monitoruj dostępność danych, pewność prognoz, dryft, nadpisania i wyniki. Ponowne szkolenie to kontrolowana zmiana, a nie niewidoczne zdarzenie w tle.
7. Rozszerzaj wdrożenie dopiero po sprawdzeniu całego procesu
Zwalidowany model w notatniku nie stanowi zdolności produkcyjnej. Skalowanie jest możliwe po połączeniu potoku danych, reguły decyzyjnej, własności i mechanizmu zapasowego.
Prawdziwa lekcja od Siemensa
Tytuł artykułu nie brzmi, że sztuczna inteligencja wyeliminowała inspekcje. Siemens wykorzystał dane procesowe, aby podejmować lepsze decyzje dotyczące inspekcji.
Takie podejście chroni producentów przed dwoma częstymi błędami. Pierwszym jest zakup systemu wizyjnego, ponieważ „kontrola jakości” brzmi jak problem z komputerowym systemem wizyjnym. Drugim jest trenowanie modelu bez przeprojektowywania wąskiego gardła, które ma on usprawnić.
Amberg rozpoczął od konkretnego ograniczenia, powiązał dane z wcześniejszych etapów produkcji z wynikami jakościowymi, wdrożył model blisko produkcji i wykorzystał jego prognozy w ramach zdefiniowanej ścieżki. Wydajność i jakość zostały ocenione łącznie.
Dla producentów z ograniczonymi stanowiskami testowymi, kosztownymi testami niszczącymi lub długimi pętlami sprzężenia zwrotnego, predykcyjna jakość może być pierwszym, silnym zastosowaniem sztucznej inteligencji w przemyśle. Szansa staje się realna, gdy zespół potrafi odpowiedzieć na cztery pytania:
- Która decyzja ulegnie zmianie?
- Które sygnały procesu wyjaśniają wynik?
- Jaki błąd firma może bezpiecznie tolerować?
- Co się dzieje, gdy model jest niepewny?
Odpowiedzi tworzą projekt operacyjny. Algorytm podąża za nimi.
Często zadawane pytania
Czym jest jakość predykcyjna w produkcji?
Jakość predykcyjna wykorzystuje dane procesowe i produktowe do oszacowania prawdopodobnej jakości jednostki przed lub w trakcie produkcji. Oszacowanie to wspiera działania operacyjne, takie jak dostosowanie parametrów, selektywna kontrola, kwarantanna lub eskalacja.
W jaki sposób Siemens wykorzystał sztuczną inteligencję do kontroli jakości w firmie Amberg?
Firma Siemens połączyła dane z kilku etapów produkcji płytek PCB i wytrenowała model w celu przewidywania, czy połączenia lutowane są bezbłędne. Prognoza ta pomogła ustalić, czy konieczne jest przeprowadzenie końcowego badania rentgenowskiego, eliminując udokumentowane wąskie gardło w procesie kontroli.
Czy jakość predykcyjna zastępuje kontrolę końcową?
Nie automatycznie. Obowiązkowe testy krytyczne dla bezpieczeństwa i testy wysokiego ryzyka pozostają w mocy. Zwalidowany system predykcyjny może ukierunkować inspekcję na podstawie ryzyka, z konserwatywnymi progami i konwencjonalnym rozwiązaniem awaryjnym, gdy poziom zaufania lub jakość danych są niewystarczające.
Jakie dane są potrzebne do przewidywania jakości produkcji?
Przydatne dane wejściowe mogą obejmować parametry maszyny, odczyty czujników, partie materiałów, receptury, znaczniki czasu, stany narzędzi i pomiary pośrednie. Rejestry te muszą umożliwiać powiązanie ich z wiarygodnym końcowym wynikiem jakości na poziomie jednostki lub partii.
Jak powinien zacząć producent?
Zacznij od jednej kosztownej lub ograniczonej przepustowością decyzji dotyczącej jakości, zmierz jej punkt odniesienia i uruchom model w trybie cienia, porównując go z istniejącymi elementami sterującymi. Zmień przepływ pracy dopiero po łącznym zweryfikowaniu modelu, potoku danych, progów, własności i modelu zapasowego.
Źródła
- Siemens, Zakłady Elektroniczne Amberg .
- Siemens, W jaki sposób wdrożyliśmy Industrial Edge i AI w naszej fabryce w Amberg .
- Hasan Tercan i Tobias Meisen, Predykcyjna jakość oparta na uczeniu maszynowym i głębokim uczeniu w produkcji: przegląd systematyczny , Journal of Intelligent Manufacturing , 2022.
- NIST, Rozszerzona inteligencja dla systemów produkcyjnych .
- NIST, Mapa drogowa na rok 2026 dotycząca sztucznej inteligencji i uczenia maszynowego na rzecz inteligentnej produkcji .
- NIST, Forum branżowe ds. monitorowania, diagnostyki i prognozowania operacji produkcyjnych , 2024.
Zarezerwuj bezpłatną ocenę sztucznej inteligencji , aby sprawdzić, w jaki sposób dane procesowe mogą wyeliminować ograniczenia jakościowe lub przepustowości w Twojej firmie.
PIERWOTNA PUBLIKACJA
Artykuł został pierwotnie opublikowany na embiggenx.com