Hogyan csökkenti a mesterséges intelligencia a gépek leállásait

Egy MI felismeri a zavarokat és hibákat. A munkatárs közvetlenül az okosórájára kapja az irányelveket egy munkafolyamat-modellhez való kapcsolódással. © Fraunhofer IPA/Kép: Rainer Bez

Intelligens algoritmusok felismerik a hibákat és a kopás jeleit, és az okosóra megmondja a gépkezelőnek, hogyan javíthatja a zavarokat: Egy kutatócsoport a Fraunhofer IPA-tól, partnercégekkel az iparból együttműködve kifejlesztett egy módszert arra, hogyan lehet a mesterséges intelligenciát beépíteni a karbantartásba.

Így működik ez az iparban egészen mostanáig: észrevétlenül lép fel egy hiba egy gépen. A gép most addig termel selejtet, amíg a minőségi hibák egy figyelmes munkatárs szeme elé nem kerülnek, és le nem állítja a gépet. Ezután kezdődik a nagy találgatás. Miért történt a hiba? Hogyan lehet kijavítani? Teljesen rendszertelenül változtatnak a gép beállításain, és tesztelésképpen további termékeket gyártanak – amíg végül a minőség ismét megfelelő lesz. Szerencsés az, akinek van egy tapasztalt kolléganője, aki ismeri a problémát, és azonnal tudja, hogyan kell megoldani.

De sajnos ilyen szakemberek ritkák. Helyükre hamarosan a mesterséges intelligencia (MI) léphet. Egy kutatócsoport, Jonas Krauß vezetésével, a Fraunhofer IPA folyamatinnovációs projektcsoportjából, együttműködve a Maincor Rohrsysteme és a Maxsyma cégekkel, kifejlesztett egy módszert arra, hogyan lehet az MI-t beépíteni a karbantartásba.

Algoritmus felismeri a hibás hegesztéseket

A Maincor Rohrsysteme cég a bajor-poroszországi Knetzgauban gyárt többek között műanyaggal bevont alumíniumcsöveket padlófűtéshez. Ebben a folyamatban előfordulhatnak hibás hegesztések, illetve eltérések a műanyag bevonat vastagságában. Mindkettő eddig selejtet jelentett, és addig tartott a gép leállása, amíg a hibát meg nem találták és ki nem javították.

A Krauß által vezetett kutatócsoport egy demonstrátort fejlesztett ki, amely ultrahangos hegesztést kamerával és MI-vel felügyel. Egy intelligens algoritmus értékeli a kameraképeket, és azonnal felismeri a hibás hegesztéseket, amint azok keletkeznek. Az MI betanításához a kutatók fényképeket mutattak be jó és hibás hegesztésekről, amíg az felismerte a mintát. Mivel azonban különösen a hibás hegesztésekhez nem volt elég kép, a kutatócsoport részben mesterségesen generálta azokat, hogy jobban támogassa a MI modell tanulási folyamatát.

A ultrahanghegesztő sonotrode egy kopóalkatrész. A kopás növeli az ellenállást és ezáltal az áramfelhasználást. A kutatók ezért árammérő csipeszeket helyeztek a vezetékekre. Egy másik algoritmus elemzi az adatokat. A gyártott csövek átmérőjét röntgenmérővel mérik. A felső eltérések arra utalnak, hogy például a műanyagbevonatot felhúzó extruder nyomása túl magas. Az alacsonyabb átmérő pedig azt jelenti, hogy túl kevés nyomás van.

Okosóra javaslatokat ad a teendőkre

„Amint az MI felismeri a rossz hegesztést, a megnövekedett áramfogyasztást a sonotrodén vagy eltérést az átmérőben, a gépkezelő okosóráján megjelenik egy megfelelő értesítés” – magyarázza Krauß. „Kapcsolódik hozzá egy teendő javaslat, hogy a zavar gyorsan és rendszertelen próbálkozások nélkül orvosolható legyen, vagy időben beszerezzenek egy új sonotrodét.” A teendő javaslatok a munkafolyamat-modelleken alapulnak, amelyeket a kutatócsoport korábban közösen fejlesztett ki folyamatmérnökökkel. Ezek írják le azokat a lépéseket, amelyeket az MI javasol. Ez az előrejelző karbantartás nemcsak a konkrét karbantartási munkákat javítja, hanem a gyártási tervezést és irányítást is. Mert ha előre tudják, mikor kell egy sonotrodét cserélni, akkor a megrendelések kezelése és a beszerzés is ennek megfelelően szervezhető.

A Maxsyma, egy szoftverfejlesztő cég Floßban, Bajor-poroszországban, most integrálja az új funkciókat és szoftverkönyvtárakat meglévő „iot2flow” alkalmazásába, és úgy alakítja át, hogy az más iparágak vállalkozásai számára is hasznos legyen. A Maincor szerint a kész eszköz bevezetése után az egész gyártásban a gépleállások időtartama körülbelül 15-20 százalékkal csökkenhet, a selejtarány pedig körülbelül 0,5 százalékkal. Emellett várhatóan csökkennek a karbantartási és javítási költségek, valamint növekedni fog a hatékonyság a gyártási tervezés és irányítás optimalizálásával.