IA Aprimora Controle de Qualidade Automotivo: Detectando Defeitos Mais Rápido e com Mais Precisão

Máquinas podem aprender a detectar anomalias em processo e fim de linha

Quando um novo veículo sai da linha de montagem, algumas montadoras usam conjuntos virtuais de olhos para fazer inspeção final, garantindo qualidade e assegurando que o produto esteja livre de arranhões, amassados e vazamentos.

Por trás daqueles "olhos" estão inteligência artificial (IA) e seu subconjunto, aprendizado de máquina (ML). Estas tecnologias também são implantadas em tecnologia de imagem computadorizada automatizada da UVeye, Tel Aviv-Yafo, Israel. Além de IA, os algoritmos proprietários da empresa, arquitetura em nuvem e fusão de sensores realizam verificações completas do veículo em segundos e apontam defeitos.

"O aprendizado de máquina e a IA já estão treinados", disse David Oren, diretor de estratégia da empresa, observando que o algoritmo ML foi desenvolvido com 1 trilhão de imagens. "No entanto, o operador tem que corrigir manualmente quaisquer erros."

Na manufatura, a plataforma unificada de inspeção como serviço orientada por aprendizado profundo da UVeye tem potencial para realizar inspeção em linha também, mas a startup está focando agora em sua verificação de qualidade de fim de linha, disse Oren.

À medida que o uso de IA cresce na manufatura, contribui para peças de maior qualidade com sistemas de inspeção por visão como os da UVeye, que alertam um operador para problemas. Algumas soluções podem enviar um sinal para uma máquina parar quando um problema é detectado.

Ainda a serem superados, porém, são produtos de software fragmentados que coletam e analisam dados de apenas parte de uma linha; formatos de dados heterogêneos; e tecnologias de fornecedores díspares que são difíceis de integrar, disse Dean Phillips, estrategista de inovação e engenheiro de vendas, Link Electric & Safety Control Co., Nashville, Tenn.

"Provavelmente a parte mais difícil é integrar" tais produtos variados, disse Phillips. "Agora, o maior desafio que vejo é que eles são todos sistemas autônomos. Eles não abrangem totalmente o escopo ainda. Não quer dizer que não está vindo, mas agora esse é um dos maiores desafios."

Nenhum Substituto Ainda para Conhecimento de Domínio

A Predictronics Corp., Cincinnati, oferece um exemplo de como sua solução de qualidade preditiva ajudou um fabricante de fornos. Enquanto rolos de aço polegavam seu caminho através de uma máquina de conformação, o fabricante de fornos remoeu sobre um problema de qualidade com o processo. O trabalho da máquina é prensar as nervuras que sustentam uma grade enquanto ela deslida para uma cavidade de forno. O problema era que as nervuras começaram a rachar durante o processo de conformação. Em seus esforços para descobrir o que estava errado e, eventualmente, consertar o problema, o fabricante chamou a Predictronics.

Os cientistas de dados da Predictronics analisaram as informações relevantes da máquina e usaram um mapa de calor para estabelecer uma relação entre o rachamento das nervuras e a temperatura do processo. Eles conseguiram mostrar que o rachamento era mais provável de ocorrer em um calor de sistema mais baixo, fora da faixa onde o aço conformado permaneceria intacto.

Em uma implantação da solução Predictronics, o fabricante de fornos conseguiu detectar problemas com 88% de precisão (a porcentagem de rachaduras previstas que eram realmente rachaduras) e 66% de recall (a porcentagem de rachaduras reais que foram previstas).

"Quando trabalhamos com um cliente em qualidade preditiva, analisamos seus dados de processo e desenvolvemos um modelo de saúde para medir esses parâmetros ao longo do tempo e então reconhecer quando uma tendência potencialmente problemática está ocorrendo e ser capaz de dar algum tipo de aviso prévio", disse Patrick Brown, diretor financeiro da Predictronics. "Podemos ajudar você a evitar fazer tantos testes ou tanta inspeção visual de seus produtos e inferir que esses produtos são de qualidade baseados nos parâmetros do processo."

O processo também ajuda a reduzir sucata, tempo de produção desperdiçado em um produto que já está ruim e reclamações de garantia causadas por má qualidade.

Geralmente, se alguém olha para os parâmetros do processo, seja posição, taxa de fluxo, pressão, temperatura ou outra coisa, está procurando desvios do comportamento normal. O comportamento anômalo poderia ser aumentos de magnitude para um parâmetro sobre seu valor típico. Ou poderia ser a relação entre dois parâmetros.

"Digamos que a temperatura aumenta com a pressão tipicamente, mas de repente a temperatura está subindo mas a pressão está caindo", disse David Siegel, diretor de tecnologia da Predictronics. "Então pode ser tendências além de seu valor típico, mas também mudanças em correlações como o exemplo de pressão e temperatura. Ao encontrar as relações e monitorar o processo ao longo do tempo, essas anomalias podem ser relacionadas a problemas no processo que resultam em má qualidade."

Quando Aplicar IA?

A abordagem da Predictronics é fazer uma análise de criticidade. Para qualidade preditiva, eles procurariam quais máquinas têm mais sucata ou problemas relacionados à qualidade. Eles trabalham lado a lado com o cliente para entender, de uma perspectiva de engenharia e manufatura, quais processos são os mais problemáticos. Pode até ser uma mistura de confiar na experiência do cliente e usar dados.

"Alguns clientes podem apenas medir qualidade no fim da linha", disse Siegel. "Nesse caso, você tem que confiar na experiência deles em termos de qual processo pode ser o mais importante em termos de qualidade."

Para uma linha nova ou sem problemas, existem pelo menos algumas abordagens.

Se for uma linha nova, os cientistas de dados procurariam uma linha semelhante ou com processos semelhantes para comparação e então aproveitariam a experiência daqueles operadores sobre quais problemas podem ter sido os mais problemáticos.

"Ou pode ser apenas baseado na maturidade do seu sistema IoT", disse Siegel. "Qual tem mais dados? Isso pode ser outro bom lugar para começar porque você terá transparência suficiente para monitorar aquele processo mais precisamente do que outras partes de uma linha nova onde você pode não ter muitos dados do processo para monitorar."

Ou a decisão pode ser baseada em conhecimento de domínio. Por exemplo, alguns processos têm muita variabilidade. Mesmo com máquinas produzindo dados e cientistas analisando para melhores resultados, o conhecimento de domínio ainda conta muito.

"Temos um cliente que sabia exatamente como o parâmetro deveria parecer", disse Brown. "Eles sabiam exatamente quais limites definir e onde defini-los e quais parâmetros olhar — eles eram tão íntimos com o processo. Então ter alguém assim do cliente na equipe é realmente valioso."

A Predictronics está tentando incorporar conhecimento de domínio em seus modelos à medida que uma geração mais velha e experiente envelhece fora da manufatura e uma nova geração alcança.

No caso de uma linha nova, uma abordagem é aplicar IA onde pode haver mais oportunidade. Existe chance de uma parte do processo ser instrumentada?

"Houve casos no passado onde a máquina ou processo não se permite ser instrumentada em termos de como o processo de manufatura é projetado", disse Edzel Lapira, CEO da Predictronics.

Para dados de sistemas díspares, Lapira disse que existem diferentes formas de integrá-los. "O mais fácil é integração de banco de dados", ele disse. "Existem diferentes protocolos que permitiriam forçar dados de uma fonte de dados para um data lake. Para máquinas-ferramenta, existem protocolos como OPC-UA e MTConnect que já estão disponíveis para que você possa obter dados de uma máquina para aplicações como as nossas ou diferentes dashboards."

Prever Problemas de Máquina Ajuda a Qualidade

BC Machining LLC, Brasstown, Ohio, uma fabricante de metal que usa máquinas CNC e tecnologia como coleta de dados, aprendizado de máquina e edge computing, estava produzindo muita sucata. Para atingir metas de produção, rodavam suas máquinas a 200% da capacidade, e tinham muitas fresas de topo quebradas para adicionar à pilha de sucata.

"Muitas vezes perdíamos um terço do valor de peças de um turno, sem mencionar gastar pelo menos uma hora separando peças para identificar a sucata", disse Mike Driskell, engenheiro de manufatura da BC Machining, em um estudo de caso.

Para ajudar, a empresa recorreu à solução de monitoramento adaptativo de ferramentas da MachineMetrics, Northampton, Mass.

"É adaptativo no sentido de que uma mudança ocorre na máquina para prevenir sucata sem interação do operador", disse Bill Bither, cofundador e CEO da MachineMetrics. "Isso economizou centenas de milhares de dólares para nossos clientes e permitiu que rodassem lights-out."

O software orientado por IA da MachineMetrics foi treinado para prever, diagnosticar e prevenir falhas de ferramentas de máquina, implementando autonomamente um feedhold nas máquinas STAR da BC Machining. Parou os CNCs quando a falha da peça era iminente. Dessa forma, a fresa de topo podia ser trocada proativamente, antes de produzir uma peça com má qualidade que tinha que ser jogada fora.

"Desde o uso da tecnologia preditiva de quebra de ferramenta da MachineMetrics, esse desperdício foi eliminado", disse Driskell. "A economia em nossas máquinas de torneamento suíço tem sido monumental, para dizer o mínimo."

A MachineMetrics está explorando com alguns clientes o uso de um braço robótico para trocar a ferramenta danificada ou gasta em vez de um trocador de ferramentas interno. Tecnologia acessível para troca automática está começando a existir. Agora, porém, tem que ser tipos específicos de máquinas, disse Bither.

"Nossos clientes estão realmente interessados nisso, mas estamos na borda se vale a pena ou não", ele disse. "Agora pode valer a pena se você tem um contrato de dois anos porque o preço é tão alto. Vemos isso como algo que será comum no futuro."

A solução de monitoramento de ferramentas da MachineMetrics foi capaz de identificar os sinais nas Star SR-20 CNCs da BC Machining antes de falhas catastróficas de ferramentas ocorrerem. Também detectou um padrão previsível. O software foi capaz de indicar com precisão quase perfeita quando uma ferramenta de máquina provavelmente falharia.

Acima de tudo, a BC Machining está produzindo peças de qualidade. "Acredito que o caso de uso primário para prever problemas em máquinas é qualidade", disse Bither. "Também há manutenção preditiva, mas vejo detectar problemas de qualidade como frequentemente a proposta de valor mais alta."

Parte da economia que a BC Machining realizou é do uso de fresas de topo até o fim de sua vida e não trocá-las com tanta frequência, o que tem o benefício adicional de aumentar o tempo de atividade da máquina. "A maioria dos fabricantes troca ferramentas baseada no número de peças rodadas", disse Bither. "Isso é o que vemos em muitos de nossos clientes, que eles estão jogando fora ferramentas que têm muita vida restante, talvez 50% ou mais."

Ele explicou que o software de monitoramento de ferramentas da MachineMetrics funciona com dados capturados em frequências muito altas de 1.000–10.000 vezes por segundo. Tipicamente, sistemas de monitoramento de máquina puxam dados a 1 Hz, ou uma vez por segundo, ele disse.

"Mil vezes por segundo é notável pois requer mais capacidades, processamento e análises", disse Bither.

A solução da empresa coleta dados dos vários motores em uma máquina, então normaliza a informação para um componente central que eles chamam de "torque de corte".

"E o torque de corte nos permite ver o desgaste de uma ferramenta de corte CNC", disse Bither. "E o que isso faz, esse item de dados que tornamos acessível para máquinas CNC, nos permite determinar se há alguma anomalia no processo de usinagem e detectar rachaduras na ferramenta, desgaste na ferramenta e quaisquer problemas que possam ser vistos na operação de corte.

"Podemos ou prever uma falha em alguns casos, onde estamos começando a ver a carga naquela ferramenta ou algumas anomalias nos dados para indicar que há um problema, ou podemos determinar imediatamente quando uma peça é produzida se há um problema onde aquela pode ser uma peça de sucata."

Ajuda Para Mais que CNCs

"Começamos com manufatura de metal de precisão, então fomos muito fundo na construção de algoritmos em torno disso que podem ser aplicados às mil máquinas que estamos conectados. Mas também tornamos fácil conectar a equipamentos de fabricação de metal, máquinas de solda, moldagem por injeção de plástico, realmente qualquer tipo de equipamento de manufatura discreta", disse Bither.

Além disso, a empresa disponibiliza os dados que coleta, então se um cliente tem uma equipe de cientistas de dados ou engenheiros de manufatura e eles querem usar aqueles dados para realmente olhar a linha como um todo, eles podem.

"É aí que você pode construir capacidades adicionais sobre o que oferecemos out of the box", disse Bither. "Fornecemos uma plataforma para eles implantarem aqueles algoritmos direto na borda onde essencialmente o que estão fazendo é pegar os dados que capturamos para eles e eles estão enriquecendo aqueles dados, processando de alguma forma e então os resultados daquilo estão sendo enviados para nossa plataforma onde você pode construir workflows para notificar manutenção ou qualidade ou até instruir a máquina a parar."

Lista de Verificação de Perguntas Classifica Fornecedores

Fabricantes procurando um provedor de solução de IA devem fazer sua due diligence para encontrar o ajuste certo. Ajuda saber as perguntas certas a fazer, disseram os especialistas da Predictronics:

Onde seus serviços foram usados antes? Foram usados para aplicações de qualidade preditiva na manufatura?

Sua solução demonstrou uma melhoria clara nas operações de negócios em termos de redução de sucata e melhoria na qualidade?

Sua equipe tem conhecimento de domínio industrial?

Sua solução funciona com dados de sensor/processo e dados de qualidade, e integra ambas as fontes de dados?

Sua solução usa aprendizado de máquina? Isso inclui tanto modelos de aprendizado de máquina supervisionado quanto não supervisionado?

Quantos dados requer para treinar o modelo?

Precisa apenas de dados de um processo saudável ou dados de quando o processo não estava saudável e produzia sucata?

Sua solução requer dados de qualidade de todas as peças, ou pode funcionar se a qualidade for medida apenas para um subconjunto das peças?