通过整合焊接生产线的检测和工艺数据,可以立即确定、消除、甚至预防故障的原因。
没有缺陷的焊缝可以离开生产。这是安全相关的汽车部件批量生产中不可改变的规律之一。
但完整的目视检查只是最后一步:更好的选择是从一开始就防止有缺陷的焊缝和废品。为此,你如何优化焊接过程--不需要长时间的停工,并尽可能减少人工干预?
为了优化流程,你需要数据。正如大数据这个词所暗示的:越多越好。今天,测试和优化仍然经常基于经验值,这只不过是 "在头脑中收集的数据"。然而,这些都很难评估,并取决于个别检查员和工程师。
这就是人工目视检查焊缝的极限所在。训练有素的人类检查员在某些点上可能比使用工业图像处理的自动检查同样准确或更精确。但只有后者才会测量和记录每条焊缝的所有数据,没有空白,如尺寸或体积,首先是差异,即缺陷。
每条焊缝都有几十条数据记录,现在你可以利用这些数据进行优化。
然而,仅靠检测数据只能让你走到这一步:它们并不能揭示是什么导致了缺陷。只有掌握了这些知识,你才能优化焊接过程,消除错误的来源。
为了实现这一目标,你需要将检测数据(图像处理)与生产零件的过程数据(焊接过程)进行比较。通过比较这两组数据,你可以弄清大约60%的焊接缺陷的原因。
这是对近1000个焊缝检查的结果,你可以从这个图形中看到:
然而,如果你在不同的系统中拥有这些数据,那就没有什么帮助。你将不得不手动比较数以千计的数据,并单独分析测量值:这项任务几乎是不可行的。
只有通过整合所有的数据,你才能大大加快故障排除和流程优化的速度--甚至可以实现自动化。它是如何工作的?
首先,软件分析最常见的错误及其与过程数据和焊缝的几何数据的相关性。下图显示了软件如何显示光学图像数据、测量的检测数据和工艺数据之间的相关性。因此,不正确的喉部厚度很容易被追溯到电压下降:
这种类型的分析不仅对单个生产部件有效。使用各种报告和可视化,可以显示大量的数据,如在一定时期内几个接缝的不同测量值。
在下面的例子中,对几个接缝的两个数值进行了比较: 从送丝计算出来的接缝量和接缝的三维测量数据。相同颜色的大面积散点在此表明,焊接金属跑到了一个缝隙中。
同样,你可以在很长一段时间内收集和分析数据,找到趋势和常见错误的原因。在未来,人工智能(AI)将支持优化过程: 它分析所有捕获的数据,识别模式,识别潜在的错误来源并提出措施。
你的焊接过程的优化潜力。
你如何通过连接这些数据来优化你的焊接生产线?你可以实现三个结果。
因此,你可以得到更稳定的焊接过程,减少停机时间,降低废品率。
你能使优化过程自动化吗--就像系列生产本身已经在许多地方不需要人工干预的情况下工作一样?
还不能。然而,这只是一个时间问题。人工智能在每一个额外的数据集和每一个检测到的错误中学习。它们可以越来越好地识别模式和相关性,并得出结论:这就是所谓的机器学习的本质。
例如,如果某种电压下降已经造成了1000次焊接缺陷,那么在第1001次时就很有可能再次出现这种情况。然后,人工智能可以进行干预,并且很可能是正确的。
通过整合来自不同工艺步骤的数据,形成一个闭环,从而提高焊接工艺的生产率,提高自动化质量检测的安全性。在未来,确定的过程改进和预防性干预将成为可能,而无需人工干预。
这样一来,焊接生产线就成了一个闭环系统,它不断地收集和评估数据,优化自己,最好在错误发生之前就进行干预。
重要的是:你要决定哪些动作要让软件执行,哪些动作需要人的批准。作为负责焊接过程的人,你保留对优化的主权--系统在这方面支持你。
通过整合焊接生产线的检测和工艺数据,可以立即确定、消除、甚至预防故障的原因。