第一款用于涂裝車間的市場化 AI 應(yīng)用程序

Advanced Analytics 是第一款用于涂裝車間的市場化 AI 應(yīng)用程序。該智能解決方案結(jié)合了最新的 IT 技術(shù)和機械工程專業(yè)知識，可識別缺陷來源并確定最佳的維護計劃。它還能追蹤以前未知的相關(guān)性，并利用該知識，結(jié)合自學(xué)習(xí)原理使算法適應(yīng)于整個車間。Advanced Analytics 是 DXQanalyze 產(chǎn)品系列的最新模塊。最初的實際應(yīng)用表明，杜爾的軟件可以優(yōu)化車間可用性和噴漆車身的表面質(zhì)量。

為什么車身部件出現(xiàn)相同缺陷的頻率異常高？在不導(dǎo)致停機的情況下，最晚什么時候可以更換機器人中的混合器？答案對于實現(xiàn)可持續(xù)地成本節(jié)約至關(guān)重要。因為避開每個可避免的缺陷、省去每次不必要的維護都可以節(jié)省資金或提高產(chǎn)品質(zhì)量?！霸诖酥?，幾乎沒有能及早發(fā)現(xiàn)質(zhì)量缺陷或故障的精確推斷。如果有的話，也往往來自繁復(fù)的人工數(shù)據(jù)評估或反復(fù)的試驗。人工智能 (AI) 使這一過程更加準(zhǔn)確和自動化，”杜爾MES 和控制系統(tǒng)副總裁 Gerhard Alonso Garcia 解釋說。

DXQanalyze 增加了新的自學(xué)習(xí)Advanced Analytics車間和工藝監(jiān)控系統(tǒng)。杜爾的數(shù)字產(chǎn)品系列已經(jīng)包括用于獲取生產(chǎn)數(shù)據(jù)的數(shù)據(jù)采集模塊、用于實現(xiàn)可視化的可視化分析和流分析。后者使設(shè)備操作員可以使用無需大量編程的代碼平臺近乎實時地分析生產(chǎn)是否偏離先前定義的規(guī)則或目標(biāo)值。

具有自我記憶能力的 AI 應(yīng)用

Advanced Analytics 之所以與眾不同，是因為該模塊將包括歷史數(shù)據(jù)在內(nèi)的大量數(shù)據(jù)與機器學(xué)習(xí)能力結(jié)合在一起。從象征意義上講，這意味著自主學(xué)習(xí) AI 應(yīng)用 具有自我記憶能力。這意味著它可以使用過去的信息，既可以識別大量數(shù)據(jù)中復(fù)雜的相關(guān)性，又可以根據(jù)機器的當(dāng)前狀態(tài)以高精度預(yù)測將來的事件。在涂裝車間，無論是在組件、工藝還是車間級別，都有許多這樣的應(yīng)用。

預(yù)測性維護減少車間停機時間

對于組件，Advanced Analytics 旨在通過預(yù)測維護和維修信息（例如，預(yù)測混合器的剩余使用壽命）來減少停機時間。如果組件更換得太早，會不必要地增加備件成本和維修費用；而更換組件的時間太晚，則會導(dǎo)致噴涂和機器停機過程中出現(xiàn)質(zhì)量問題。Advanced Analytics 首先使用高頻機器人數(shù)據(jù)學(xué)習(xí)磨損指標(biāo)和磨損的時間模式，由于數(shù)據(jù)是被連續(xù)記錄和監(jiān)控的，因此機器學(xué)習(xí)模塊會根據(jù)實際使用情況單獨識別各個組件的老化趨勢，并以此方式計算出最佳更換時間。

機器學(xué)習(xí)模擬連續(xù)溫度曲線

Advanced Analytics 通過識別異常（例如，通過模擬烘房中的加熱曲線）來提高過程級別上的質(zhì)量。到目前為止，制造商僅在測量運行過程通過傳感器測定數(shù)據(jù)。然而，由于烘房在兩次測量之間的間隔中會老化，因此對于車身表面質(zhì)量至關(guān)重要的加熱曲線會發(fā)生變化。這種磨損導(dǎo)致環(huán)境條件產(chǎn)生波動，例如氣流強度的變化。 “如今，成千上萬的車身被生產(chǎn)出來，以往我們卻無法了解各個車身加熱達到的溫度。通過機器學(xué)習(xí)，我們的 Advanced Analytics 模塊可以模擬不同條件下的溫度變化。這為我們的客戶提供了關(guān)于每個車身的永久質(zhì)量證明，讓他們能夠識別異常情況?！盙erhard Alonso Garcia 說。 

更高的首次運行率提高整體設(shè)備效率（OEE）

DXQplant.analytics 軟件與 Advanced Analytics 模塊結(jié)合使用，可在車間級別提高整體設(shè)備效率。人工智能可跟蹤系統(tǒng)缺陷，例如特定模型類型、特定顏色或單個車身部件的重復(fù)性質(zhì)量缺陷等。這樣就可以推斷出生產(chǎn)過程中的哪個步驟產(chǎn)生了偏差。人們可以通過這樣的”缺陷-原因”相關(guān)性在早期階段進行干預(yù)，從而能夠在將來提高首次運行率。

圖 1：杜爾的 AI 應(yīng)用程序 Advanced Analytics 可以識別缺陷來源并確定最佳維護計劃。

車間和數(shù)字專業(yè)知識的專業(yè)結(jié)合

開發(fā)具有 AI 功能的數(shù)據(jù)模型是一個非常復(fù)雜的過程。這是因為機器學(xué)習(xí)無法將未指定數(shù)量的數(shù)據(jù)輸入“智能”算法來輸出智能結(jié)果,而是必須收集、仔細(xì)選擇相關(guān)（傳感器）信號，并對這些信號補充來自生產(chǎn)過程中的結(jié)構(gòu)化附加信息。借助 Advanced Analytics，杜爾開發(fā)了一款軟件，該軟件支持不同的使用場景，為機器學(xué)習(xí)模型提供運行時的環(huán)境，并觸發(fā)模型訓(xùn)練。“挑戰(zhàn)在于，當(dāng)時我們沒有普遍有效的機器學(xué)習(xí)模型，也沒有可以使用的合適的運行環(huán)境。為了能夠在車間級別使用 AI，我們將機械和車間工程知識與數(shù)字工廠的專業(yè)知識結(jié)合了起來。由此誕生了第一個面向涂裝車間的 AI 解決方案?！?Gerhard Alonso Garcia 解釋說。

圖 2： 杜爾軟件通過預(yù)測性維護和維修信息減少了車間停機時間。

需要跨學(xué)科知識

Advanced Analytics 是由一支跨學(xué)科團隊開發(fā)出來的，團隊成員由數(shù)據(jù)科學(xué)家、計算機科學(xué)家和工藝專家組成。杜爾還與多家領(lǐng)先的汽車制造商建立了合作伙伴關(guān)系。這意味著開發(fā)人員具有生產(chǎn)中針對不同應(yīng)用案例的真實生產(chǎn)數(shù)據(jù)和測試站點環(huán)境。首先，在實驗室中使用大量測試案例對算法進行了訓(xùn)練。接下來，這些算法將繼續(xù)在實際操作中進行現(xiàn)場學(xué)習(xí)，并自動適應(yīng)環(huán)境和使用條件。測試階段最近成功完成，展示了 AI 的潛力。 

圖 3：借助人工智能，可以檢測到噴涂過程中的系統(tǒng)錯誤，因此可以通過在早期階段進行干預(yù)來提高 OEE。

●   涂裝和總裝系統(tǒng)：面向汽車工業(yè)的涂裝車間以及總裝、檢測和加注技術(shù)

●   應(yīng)用技術(shù)：自動應(yīng)用漆液、密封劑和粘合劑的機器人技術(shù)

●   清潔技術(shù)系統(tǒng)：空氣污染控制系統(tǒng),降噪系統(tǒng)和電池涂層線

●   測量和裝配系統(tǒng)：平衡設(shè)備及診斷技術(shù)

●   木工機械和系統(tǒng)：木材加工行業(yè)設(shè)備