PAMETNA TEHNOLOGIJA OSIGURAVA DA PROIZVODNA LINIJA NIKADA NE STAJE

Pored kvaliteta, koji je naravno najvažniji i za kompaniju i za kupca, efikasno korišćenje kapaciteta je ključni aspekt proizvodnje. Efikasna upotreba znači minimiziranje zastoja, što znači minimiziranje nedostataka koji uzrokuju zastoje. Defekti se mogu sprečiti pojačanim preventivnim merama, ali to je skupo, ili intenzivnijim održavanjem kada se kvarovi pojave, što je zahtevno u pogledu osoblja i njihovih kvalifikacija. „Optimalan oblik održavanja je korišćenje savremenih tehnologija, digitalizacije i prikupljanja podataka za procenu kada je određeni deo opreme na ivici da se pokvari, i da se popravka sprovede pre nego što dođe do kvara ili zastoja“, objašnjava Marek Jančak, direktor ŠKODA proizvodnje automobila.

Ovaj pristup se zove predikativno održavanje i jedan je od stubova ŠKODA strategije održavanja do 2025. Jedan od prvih projekata u ovoj oblasti je uvođenje predikativnog održavanja u hali M13. Ovde se rešenje pod nazivom MAGIC EYE koristi za praćenje stanja i otkrivanje kvarova na pokretnim nosačima na kojima su automobili okačeni dok idu niz liniju, a isto tako i za sporedne elemente, koji su u suštini interfejs za napajanje i podatke za opremu na liniji.

MAGIC EYE prati stanje transportera u proizvodnoj hali.

Sistem se sastoji od neophodnog hardvera, koji je instaliran na jednom od ramova koji se kreću niz liniju karoserije automobila, i naravno nekog naprednog softvera. Veštačka inteligencija je ključni deo softvera. Šest kamera je postavljeno na ram za praćenje stanja različitih elemenata. Sedma kamera se koristi za čitanje QR kodova koje sistem koristi da odredi gde se nalazi uređaj za skeniranje. Kamere su direktno povezane sa moćnim računarom na ramu, u kome deset veštačkih neuronskih mreža vrši paralelnu analizu prikupljenih fotografija. 

Učenje veštačkom inteligencijom

Pre nego što je MAGIC EYE sistem mogao da se primeni u praksi, digitalne neuronske mreže su morale da nauče da prepoznaju defekte. Za to je bilo potrebno oko tri meseca rada i hiljade različitih fotografija. „Koristili smo fotografije snimljene tokom probnog rada, ali smo takođe morali da koristimo naprednu metodu matematičkog modeliranja da bismo modelirali neke od nedostataka u virtuelnom okruženju“, kaže Libor Šida, koji je osmislio projekat postavljanja trendova u hali M13. Modeliranje je bilo neophodno jer su neke od mogućih grešaka veoma retke u praksi i toliko su ozbiljne da bi njihovo učenje iz prakse u stvarnom životu predstavljalo komplikaciju za liniju. „Na primer, napukla greda je greška koja se u praksi ne može desiti“, objašnjava Šida.

Glavna svrha MAGIC EYE sistema je da promeni održavanje iz reaktivnog u predikativno.

MAGIC EYE mreže sada mogu da prepoznaju ukupno 14 vrsta defekata. „Možemo da otkrijemo nekoliko klasa za svaki defekt. Zamislite ovo kao razliku između zavrtnja koji ili nije pravilno zategnut ili nije ubačen. Ukupno sistem može da otkrije oko stotinu ovih različitih stanja“, kaže Šida. Jedna posebna vrsta veštačke neuronske mreže, poznata kao auto-encoder, takođe pomaže u analizi. „Ovo rešenje se koristi za otkrivanje nedostataka na koje još nismo naišli i stoga nismo imali priliku da ih simuliramo“, dodaje on. Može biti strani predmet poput metalnih strugotina na stazi.