Syväoppiva tekoäly mullistaa tuotannon laaduntarkkailun

Net 2018,  13.3.2018

Teollisessa tuotannossa hintapaineet ovat kovat, kysyntä vaihtelee ja asiakkaat kaipaavat räätälöityjä tuotteita. Siksi tuotannon tehoa nostetaan toimintojen automatisoinnilla. Laadunvalvonnassa se on kuitenkin hankalaa. Fujitsun uuden tekoälyratkaisun avulla laadunvalvonta nopeutuu ja inhimillisen virheen mahdollisuus pienenee.

Grant Kinchin”Laadunvarmistus vaatii osaavaa henkilökuntaa, jota koulutetaan säännöllisesti. Riittävän perusteellisesti tehty tarkastus vie aikaa, ja silti inhimillisiä virheitä voi tapahtua. Nyt syväoppimisen ja kuvantunnistuksen yhdistäminen vähentää tarvetta perinteiseen ihmisvoimin tehtävään laadunvarmistustyöhön”, sanoo tuotepäällikkö Grant Kinchin (oikealla) Fujitsusta.

Laadunvarmistus on kallista

Laadunvarmistus on kallista, koska isojen tuotantoerien tarkastus vaatii paljon henkilökuntaa. Lisäksi inhimillisten virheiden mahdollisuus on aina olemassa.  

Kuvantunnistusta ei ole voitu aiemmin käyttää laadunvarmistukseen, koska asiantuntijan havaintokykyä ja asiantuntemusta vastaavan sovelluksen tekeminen perinteisen sovelluskehityksen keinoin olisi erittäin vaikeaa ja kallista.

Tekoälyn ja syväoppimisen kehitys on avannut uusia mahdollisuuksia. Nyt laadunvarmistusta voidaan viimein tehdä uudenlaisen kuvantunnistuksen avulla. Fujitsun syväoppiva sovellus oppii tunnistamaan vialliset tuotteet ja voi käydä läpi perinteisten kuvien lisäksi myös ultraäänen avulla laadittuja, lämpökameralla otettuja tai röntgenkuvia.

”Fujitsu Advanced Image Recognition oppii jo suhteellisen pienen näytteen perusteella. Se kytkeytyy mihin tahansa kuvajärjestelmään ja pystyy analysoimaan mitä tahansa kuvia. Se raportoi laadunvarmistukseen havainnoistaan sekä pystyy parantamaan havaintomalliaan saamansa palautteen perusteella”, Kinchin kertoo.

Sovellus oppii ja luokittelee itsenäisesti

Syväoppivat sovellukset oppivat jatkuvasti käsittelemästään datasta. Ne pystyvät sopeutumaan nopeasti erilaisiin määrityksiin tai tuotteiden muunnelmiin. Ne varoittavat kaikista havaitsemistaan poikkeamista ja oppivat automaattisesti havainnoistaan sekä osaavat luokitella erityyppisiä vikoja automaattisesti.

”Syväoppiva kuvantunnistussovellus vaatii aluksi riittävän määrän näytteitä, jotta se oppii erottamaan viat tuotannossa. Kuvantunnistuksen voi ottaa käyttöön tuotantolinjalla tarvittaessa melko nopeasti”, Kinchin toteaa.

Tekoäly nopeuttaa tuulivoimalan turbiinilapojen tarkistusta

Siemens Gamesa

Fujitsun tekoälyratkaisu on nopeuttanut merkittävästi Siemens Gamesa Renewable Energyn valmistamien turbiininlapojen tarkastusta ja laadunvalvontaa.

Tuulivoimalassa pyörivä lasikuituinen turbiininlapa voi olla jopa 75 metriä pitkä. Tekoäly analysoi NDT-testauksessa (Non-Destructive testing) otettuja kuvia, joista se havaitsee mahdolliset viitteet valmistusvirheistä. Esimerkiksi rypistyminen voi hajottaa pyörivän turbiininlavan. Jokainen uusi turbiininlapa tarkastetaan ennen käyttöönottoa sentti sentiltä, mikä on yksitoikkoista mutta välttämätöntä työtä. Siihen kuluu korkeasti koulutetulta tarkastajalta kuusi tuntia, mutta uuden ratkaisun avulla tarkastusaika lyhenee puoleentoista tuntiin.

“Turbiininlapa ei saa koskaan mennä rikki käytössä. Tarvitsimme ratkaisun, joka nopeuttaa aikaa vievää laadunvalvontaprosessia mutta ei vaaranna tarkkuutta tai turvallisuutta. Fujitsun uraauurtavan tekoälyteknologian avulla tarkastukseen kuluu nyt neljännes siitä ajasta, jonka se aikaisemmin vaati. Olemme yhdessä kehittäneet ratkaisun, joka nopeuttaa turbiininlapojen perusteellista tarkastusta. Sen avulla pystymme myös keskittämään huomion sellaisiin lapojen osiin, joissa voi mahdollisesti olla poikkeamia", kertoo laadusta vastaava johtaja Heine Bach Siemens Gamesa Renewable Energystä.

Fujitsu tekoälyratkaisu toimitettiin joustavalla lisensointimallilla, jolloin Siemens Gamesa pystyi minimoimaan etukäteisinvestoinnit. Fujitsun Primergy-palvelimilla toimiva ratkaisu skaalautuu joustavasti ja kattaa tarvittaessa lisää tuuliturbiininlapoja.

Lisätietoja
info@fi.fujitsu.com

Julkaistu Net-lehden numerossa 2018,  13.3.2018

Facebook  Twitter  Google  LinkedIn

Käytämme Net-sivustolla evästeitä, jotta pystymme parantamaan käyttökokemusta ja analysoimaan liikennettä. Pyydämme sinua perehtymään yksityisyydensuojakäytäntöömme, joka on saatavissa täältä.