BMW在製造過程中的AI人工智慧最新應用

由於工業4.0的革新,讓AI人工智慧在汽車製程中已經成為主要成敗關鍵。這項創新技術符合快速、可靠的原則,最重要的是比傳統方式更易於使用。

自2018年以來,BMW集團一直在批量生產中使用各種AI應用。其中一個重點是自動圖像識別:在這些過程中,人工智能可在正在進行的生產過程中自動評估組件圖像,並將它們以毫秒的速度與相同序列的數百個其他圖像進行比較。這樣,AI應用程序能即時確定與正常標準的偏差,並檢查當下是否已安裝所有必需的部件,以及它們是否安裝在正確的位置。

P90357448_highRes_employee-takes-pictu.jpg

P90357447_highRes_employee-marks-appro.jpg

目前,BMW基於AI的應用程序正在逐步取代永久安裝的攝影鏡頭機具。實施相當簡單,只需一台移動式相機即可拍攝生產中的相關照片,並且所有新的AI解決方案也可以快速設置:技師可先從不同角度拍攝組件照片並標記圖像上的偏差位置,如此就創建了一個圖像數據庫,以便建立一個相關的神經網絡,以後便可以在沒有人為操作的情況下自動評估圖像。

P90357446_highRes_standard-camera-take.jpg

然而,技師也不必編寫代碼,相關的演算法在訓練階段,幾乎可以由AI獨立完成。這可能意味著一夜之間,高性能伺服器能從大約100個圖像計算神經網絡,並立即開始優化來完成整套演算法。在測試運行並可能進行一些調整之後,可靠性能達到100%。學習過程完成,神經網絡現在可以自行確定組件是否符合規範。

即使是移動物體也可以在很大程度上,獨立於生產區域的照明程度或精確的攝影鏡頭位置…等因素進行識別。這為整個汽車供應鏈開闢了廣泛的潛在應用,其也包括了物流。在許多情況下,AI技術可以減輕技師重複而單調的作業,例如:檢查三角警告牌是否有放在行李箱中的正確位置,或者是否已經裝好前擋風玻璃雨刷帽…等等。

AI消除了偽缺陷

在沖壓車間,平板金屬零件被轉變為車身的高精度部件的過程中,會在形成後殘留在部件上的灰塵顆粒或油漬殘留物,其很容易與非常細小的裂縫相混淆,這種裂縫在該過程中很少發生。BMW集團位於德國Dingolfing的工廠,在過去基於單純相機的質量控制系統,偶爾也會標記這些偽缺陷,即使沒有發生實際故障,也會導致偏離生產目標。

使用新的AI應用程序,這些偽缺陷不會再發生,因為神經網絡可以立即查閱每個相關特徵(大約100個真實圖像),即大約100個完美組件的圖像,並且是100個帶有灰塵顆粒的圖像,以及100個帶有油滴的圖像…等等,來進行交叉比對。

P90357451_highRes_employee-marks-defec.jpg

P90357449_highRes_infrared-camera-take.jpg

另外,在BMW Steyr廠,BMW集團數據分析團隊也成功地消除了偽缺陷。在引擎冷試驗中假定的扭矩測量中常發生不規則性。然而,在引入AI解決方案之前,這樣的結果導致比須實施複雜的手動檢查和進一步的測試運行,其中包括了燃料的熱測試。然而,由基於許多記錄的測試運行數據來訓練AI分析軟體,就能從而學習區分實際和假定的錯誤。

P90357860_highRes_ai-recognizes-whethe.jpg

而在部件物流部分,AI應用程序可透過防止在傳送帶上不必要地移動空箱來加速物流過程。為此,容器通過相機站時,會使用由技師標記好的存儲圖像數據,AI應用程序就能自動識別是否需要將容器捆綁到托盤上,並且在大而穩定的盒子中,不需要額外的固定,也可加速AI應用程序通過最短的路徑將集裝箱引導至叉車的拆卸站。最後進行至生產線各處的轉發。

P90357450_highRes_ki-supports-employee.jpg

利用智能數據分析,最先進的測量技術和AI相結合的集成,為生產管理開闢了新的契機。例如,在車身製造間中,最終檢查的圖像顯現了焊接金屬在幾個車身的同一焊接點發生噴出的現象,使用AI之後,就可以自動關閉控制迴路,並且可以更快,更有效地調整系統控制或進行維護,來提升良率。在烤漆車間,人工智能分析應用程序則提供了在錯誤很難發生的早期階段,就能立即檢測道錯誤來源的潛力:在進行噴漆之前確認沒有灰塵附著在車身上,就可以省下後續的拋光作業。

延伸閱讀:BMW在生產流程中擴展工業4.0創新技術的應用